【量化交易笔记】13.实盘交易策略制定与实施

前言

最近一段时间在研究实盘策略，将研究成果分享大家。之前的两篇文章 7.基于随机森林预测股票价格
8.基于深度学习(LSTM)预测股票价格 关注度比较高，可是这些仅仅是理论的，在实际的操作是无从下手，用这些理论去指导实践，结果是天差地别。
基于以上的问题，我们从实际出发，不管理论数据有多难看，只要实际结果理想，可以进一步实践测试。因此我们换一种思路，即所有的验证不用机器学习的验证结果，而是用交易回测作为标准。

模型框架

既然用机器学习预测股票不可行，那我们就用截面数据与收益率建立相关模型，即用截面数据（因子）预测收益率。之前的预测的数据都是时间序列，这里用的是截面数据（不明白这个词，可自行百度），有本质的区别。
框架图如下：

这个图虽然简单了一些，但是简单明了。一句话，把股票的因子，输入到建立好的模型，预测出该股票的收益率。

这里其实有一大堆问题，股票的因子如何选择，需要多少个因子，模型如何建立，收益率是指哪个区间，日收益，周收益还是月收益。

如果学习编程的小伙伴，都明白框架越简单越好，适用性越强越好，因此以上仅仅框架而已。会在以后的文章里会逐一讲明白。

因子

可以分以下几类
• ‘quality’: 质量类
• ‘basics’: 基础类
• ‘emotion’: 情绪类
• ‘growth’: 成长类
• ‘risk’: 风险类
• ‘pershare’: 每股类
• ‘style’: 风险因子 - 风格因子
• ‘technical’: 技术类
• ‘momentum’: 动量类

收益率

• 以周，月为周期单独计算
• 以周，月为周期组合计算

模型

• 线性回归
• 随机森林
• 支持向量机
• xgboot

其他

• 测试周期区间
• 标的

量化交易的实际操作过程

目前的市场上的量化基金现在已经非常多了，那他们是如何运作的呢？ 是通过模型预测股价，那他们是如何选股呢？

现在我来说说操作流程。
假设上述的模型已经建立好了，暂设定交易周期为每周的周一操作一次，以下操作也可以每周一开盘前进行。
1.选择标的
这里的标的是一个大范围，比如沪深300的300支票，或 深沪的A股（4000多支）等
2.筛选标的
根据相应要求（自定义），剔除一些不符条件的股票，这些条件有 ST，停牌，涨停或跌停的，科创板，北交所，次新股等
3.获取所需的因子
将上述所选的标的，获取前一交易的相关因子，获取的方法很多，可以直接计算，也可以有相关量化平台（聚宽、掘金、宽邦、米筐、开拓者、优矿、万矿、果仁）查询。
4.预测收益率
将这些因子输入到已建立好的模型来预测这些标的收益率
5.结果入池
将这些收益率从大到小进行排序，选择前N个放也目标股票池中（这里的N可以根据个人资金量做选择，如果是10W资金量，采用等权重的方式，可以设N=10，即一支票1W 为一个单位资金量）
6.每周一开盘，将目标股票池的N支票，以开盘价买入一个单位的资金量，如果该票已经持仓，就不进行操作。如果持仓的票，不在目标股票池，以开盘价卖出该票。

以后每周一次操作，实现量化交易完整过程，以上没有设定风险措施，你也可以增加止盈或止损相关内容。

框架实现过程（实例）

具体实现上述过程。
我现在使用的是聚宽平台。
用完整的策略给大家分享一下。

建立模型

1.选择因子，

'operating_revenue_growth_rate',  #成长类因子 营业收入增长率
'total_profit_growth_rate', #成长类因子 利润总额增长率
 'net_profit_growth_rate',    #成长类因子 净利润增长率   
 'earnings_growth' #风格因子 5年盈利增长率

2.收益率：月收益率
3.模型：随机森林
测试周期：以2023-01-01~2023-04-30为测试集，2023-05-01至今天为验证集
标的：沪深300

上述策略只是策略框架的一种简单的实现，在实际操作中，可以选择更多的因子，收益率有更多选择，更复杂的模型，更大的数据集，仅仅是把框架实现的一个过程，将上述训练成一个随机森林模型，保存为“randomfores.pkl” 回测调用。

进行回测

具体策略内容参照 量化交易的实际操作过程
选择资金量为10W，股票池数量为10，交易成本万分之三，过滤ST，停牌，涨停或跌停的，科创板，北交所，次新股。
以下分不同标的回测结果。

以下为从2023-01-01~2023-12-23 （至今）回测情况

以下为上述的基础上进行小市值的选择回测情况

由于集练为前4个月的，所以以下剔除前4个月的数据，从2023-5-1开始回测至今回测情况

还做了其他的一些回测结果就不一一展示了。

总结

1. 在建模的过程中，没有将训练集和验证集的$MSE$和$R^2$ ，对于验证集的结果非常不理想，不好意思贴出来，但不影响最终的回测结果，这个可能会颠覆在研究机器学习的同学的认识，我当时看到结果也被惊讶到。
2. 尽管在训练时选择的标的沪深300，在验证时，沪深300在训练中有非常良好的表现，1-4月份，回测收益率达到50%左右，可之后的走势完全与沪深300走势一致，毫无意义。
3. 上述策略再一次证明了这段时间的小市值的有效性。
4. 还有一种大胆的想法，这个策略根本是无效的，有效的只是小市值的作用，也可能是我运气好。
5. 不管怎么样，以上作为一种量化策略框架，还有更多的扩展和补充。