量化交易——因子选股、多因子选股策略

一、因子选股策略

1、因子

　　因子：选择股票的某种标准。因子是能够预测股票收益的变量。

（1）基本面因子

　　基本面因子描述了一个公司的财务状况，最常见的基本面因子是由利润表，资产负债表以及现金流量表中的数据直接计算出的比率。通过财务报表可以构建出无数的财务比率及财务报表变量的组合，并以此来预测股票的收益率。

　　一般将基本面因子分为6小类：估值因子、偿债能力因子、营运效率因子、盈利能力因子、财务风险因子以及流动性风险因子。

（2）技术面因子

　　大多数技术面因子是由过去的价格、成交量以及其他可获得的金融信息所构建的，技术面因子一大优势是能够持续更新。新的基本面数据最多只能按季度获取，相反，最新的技术指标每隔几秒就可以获得。

（3）经济因子

　　最初的套利定价模型是基于经济指标来构建的。比较流行的经济因子包括：GDP增速、失业率以及通货膨胀率等，它们几乎会影响到市场的每一个角落。

（4）其他因子

　　其他因子的类型包括但不限于：分析师预测因子、事件驱动因子。

2、选股策略（策略模型）

　　对于某个因子，选取表现最好（因子最大或最小）的N支股票持仓。

　　每隔一段时间调仓一次。

3、小市场策略

　　选取股票池中市值最小的N只股票持仓。

二、聚宽实现因子选股策略——小市值策略

　　沪深300中，根据市值最小的20只股票选股：

# 初始化函数，设定基准等等
def initialize(context):
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 输出内容到日志 log.info()
    log.info('初始函数开始运行且全局只运行一次')
    # 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 获取指数成份股
    g.security = get_index_stocks('000300.XSHG')
    # valuation：财务数据表,code是对应的股票代码
    # 这里不能使用 in 操作, 要使用in_()函数,找到沪深300股份对应的财务数据
    g.q = query(valuation).filter(valuation.code.in_(g.security))
    g.N = 20    # 20只股票
    
    run_monthly(handle, 1)     # 第一个参数是对应的函数，第二个参数指第几个交易日
    
def handle(context):
    df = get_fundamentals(g.q)[['code', 'market_cap']]     # 花式索引选出股票代码和市值
    df = df.sort_values("market_cap").iloc[:g.N,:]   # pandas排序函数，将数据集依照某个字段中的数据进行排序
    
    # 期待持有的股票
    to_hold = df['code'].values
    for stock in context.portfolio.positions:
        if stock not in to_hold:
            # 目标股数下单,卖出非标的的股票
            order_target(stock, 0)
    
    # 期待持有且还未持仓的股票
    to_buy = [stock for stock in to_hold if stock not in context.portfolio.positions]
    if len(to_buy) > 0:  # 需要调仓
        # 每只股票预计投入的资金
        cash_per_stock = context.portfolio.available_cash / len(to_buy)
        for stock in to_buy:
            # 按价值下单，买入需买入的股票
            order_value(stock, cash_per_stock)

　　执行效果：

　　

　　这个策略在短线情况下表现一般，长线情况下效果不错。

1、查询财务数据

　　查询财务数据，详细数据字段描述见：财务数据文档

get_fundamentals(query_object, date=None, statDate=None)

（1）参数介绍

query_object：一个