策略研究集竞选股（源）

原 【策略研究】集合竞价选股（附源码）

什么是集合竞价？有什么用途？

​ 所谓集合竞价就是在当天还没有开盘之前，你可根据前一天的收盘价和对当日股市的预测来输入股票价格，在集合竞价时间里输入计算机主机的所有下单，按照价格优先和时间优先的原则计算出最大成交量的价格，这个价格就会是集合竞价的成交价格，而这个过程被称为集合竞价。

​ 每天开盘价在技术分析上具有重要的意义，目前世界各国股市市场均采用集合竞价的方式来确定开盘价，因为这样可以在一定程度上防止人为操纵现象。

策略实现（基于掘金量化平台）

策略思想

• 获取沪深300的成份股数据，并统计其30天内开盘价大于前收盘价的天数，并在该天数大于阈值18的时候加入股票池。

• 对不在股票池的股票平仓，并等权配置股票池的标的股票，每次交易间隔1个月。

策略主要步骤实现

获取当前交易日日期

now = context.now = context.now

​ 直接调用context.now函数，返回“datetime.datetime”格式

获取上一交易日日期

last_day = get_previous_trading_date(exchange='SHSE', date=now) = get_previous_trading_date(exchange='SHSE', date=now)

​ 获取上一交易日可调用get_previous_trading_date函数，返回值为字符串格式：

• exchang需要设置交易市场代码。

• date需要设置指定日期。

获取当天有交易的股票

    not_suspended_info = get_history_instruments(symbols='SHSE.000300', start_date=now, end_date=now)
    not_suspended_symbols = [item['symbol'] for item in not_suspended_info if not item['is_suspended']]not_suspended_info = get_history_instruments(symbols='SHSE.000300', start_date=now, end_date=now)
    not_suspended_symbols = [item['symbol'] for item in not_suspended_info if not item['is_suspended']]

​ 获取当天有交易的股票，即非停牌的股票，首先需获取停牌信息，这里需调用get_history_instruments函数，返回值类型为list[dict]，之后就是将所提取的“字典”转换为”list“：

• symbols需要设置订阅的标的代码。

• start_date和end_date需设置获取成分股的开始与结束日期，这里需要调成上一交易日以获取上一交易日的成分股信息。

固定月初调仓

schedule(schedule_func=algo, date_rule='1m', time_rule='09:40:00')(schedule_func=algo, date_rule='1m', time_rule='09:40:00')

​ 固定时间调仓可使用schedule函数进行定时任务配置：

• schedule_func为调用的策略函数的名称。

• date_rule可设为1m（一月）。

• time_rule为开仓日的开仓时间，这里设为每月第一个交易日的09:40:00。

获取沪深300成分股

stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents'].keys() = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents'].keys()

​ 获取指数成分股可调用函数get_history_constituents或者get_constituents，返回值类型为list[dict]，这里调用get_history_constituents是因为再回测时需要获取上一交易日的成分股，而get_constituents只能获取最新的成分股：

• index需要设置获取指数的代码。

• start_date和end_date需设置获取成分股的开始与结束日期，这里需要调成上一交易日以获取上一交易日的成分股信息。

获取过去交易日的历史信息

return_index_his = history_n(symbol=symbol, frequency='1d', count=30, fields='close,preclose',fill_missing='Last', adjust=ADJUST_PREV, end_time=last_day, df=True) = history_n(symbol=symbol, frequency='1d', count=30, fields='close,preclose',fill_missing='Last', adjust=ADJUST_PREV, end_time=last_day, df=True)

​ 获取历史信息需要调用histor_n函数，默认返回值为“字典“格式，如果参数df设为True，则返回"dataframe"格式

• symbol设置所需获取的标的代码。

• frequency获取历史信息的频率，如日线数据设置为1d。

• count需要设置获取的bar的数量。

• fileds设置返回值的种类。

• fill_missing需要设置对于空值的填充方式， None- 不填充，NaN- 用空值填充， Last- 用上一个值填充，默认 None。

• adjust需要设置对于复权的处理，ADJUST_NONE or 0: 不复权, ADJUST_PREV or 1: 前复权, ADJUST_POST or 2: 后复权， 默认不复权。

• end_time需设置获取历史信息的结束时间。

获取持仓信息

positions = context.account().positions() = context.account().positions()

​ 在判断平仓条件时，需要获取持仓信息（包含持仓均价），这就需要调用context.account().position函数，返回字典型。

策略回测分析

分析

​ 我们选取了2017年7月至2017年10月作为回测周期，应用“EV/EBITDA”单因子作为选股基础。可以看出：

• 胜率（具有盈利的平仓次数与总平仓次数之比）达到了62.5%，也即策略每十次开仓，有六次是盈利的。

• 卡玛比率（年化收益率与历史最大回撤之比）是使用最大回撤率来衡量风险。采用最大回撤率来衡量风险，关注的是最极端的情况。卡玛比率越高表示策略承受每单位最大损失获得的报酬越高。在这里卡玛比率超过了20。

• 夏普比率（年化收益率减无风险收益率的差收益波动率之比）超过5，也即承受一单位的风险，会有超过五单位的收益回报

• 策略收益曲线总体稳定，适合在趋势行情中操作。

 

集合竞价选股策略源码：

 

1. # coding=utf-8
2. from __future__ import print_function, absolute_import, unicode_literals
3. from gm.api import *
4.  
5. '''
6. 本策略通过获取SHSE.000300沪深300的成份股数据并统计其30天内
7. 开盘价大于前收盘价的天数,并在该天数大于阈值10的时候加入股票池
8. 随后对不在股票池的股票平仓并等权配置股票池的标的,每次交易间隔1个月.
9. 回测数据为:SHSE.000300在2015-01-15的成份股
10. 回测时间为:2017-07-01 08:00:00到2017-10-01 16:00:00
11. '''
12.  
13.  
14. def init(context):
15. # 每月第一个交易日的09:40 定时执行algo任务
16. schedule(schedule_func=algo, date_rule='1m', time_rule='09:40:00')
17. # context.count_bench累计天数阙值
18. context.count_bench = 10
19. # 用于对比的天数
20. context.count = 30
21. # 最大交易资金比例
22. context.ratio = 0.8
23.  
24.  
25. def algo(context):
26. # 获取当前时间
27. now = context.now
28. # 获取上一个交易日
29. last_day = get_previous_trading_date(exchange='SHSE', date=now)
30. # 获取沪深300成份股
31. context.stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,
32. end_date=last_day)[0]['constituents'].keys()
33. # 获取当天有交易的股票
34. not_suspended_info = get_history_instruments(symbols=context.stock300, start_date=now, end_date=now)
35. not_suspended_symbols = [item['symbol'] for item in not_suspended_info if not item['is_suspended']]
36.  
37. trade_symbols = []
38. if not not_suspended_symbols:
39. print('没有当日交易的待选股票')
40. return
41.  
42. for stock in not_suspended_symbols:
43. recent_data = history_n(symbol=stock, frequency='1d', count=context.count, fields='pre_close,open',
44. fill_missing='Last', adjust=ADJUST_PREV, end_time=now, df=True)
45. diff = recent_data['open'] - recent_data['pre_close']
46. # 获取累计天数超过阙值的标的池.并剔除当天没有交易的股票
47. if len(diff[diff > 0]) >= context.count_bench:
48. trade_symbols.append(stock)
49.  
50. print('本次股票池有股票数目: ', len(trade_symbols))
51. # 计算权重
52. percent = 1.0 / len(trade_symbols) * context.ratio
53. # 获取当前所有仓位
54. positions = context.account().positions()
55. # 如标的池有仓位,平不在标的池的仓位
56. for position in positions:
57. symbol = position['symbol']
58. if symbol not in trade_symbols:
59. order_target_percent(symbol=symbol, percent=0, order_type=OrderType_Market,
60. position_side=PositionSide_Long)
61. print('市价单平不在标的池的', symbol)
62.  
63. # 对标的池进行操作
64. for symbol in trade_symbols:
65. order_target_percent(symbol=symbol, percent=percent, order_type=OrderType_Market,
66. position_side=PositionSide_Long)
67. print(symbol, '以市价单调整至权重', percent)
68.  
69.  
70. if __name__ == '__main__':
71. '''
72. strategy_id策略ID,由系统生成
73. filename文件名,请与本文件名保持一致
74. mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
75. token绑定计算机的ID,可在系统设置-密钥管理中生成
76. backtest_start_time回测开始时间
77. backtest_end_time回测结束时间
78. backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
79. backtest_initial_cash回测初始资金
80. backtest_commission_ratio回测佣金比例
81. backtest_slippage_ratio回测滑点比例
82. '''
83. run(strategy_id='strategy_id',
84. filename='main.py',
85. mode=MODE_BACKTEST,
86. token='token_id',
87. backtest_start_time='2017-07-01 08:00:00',
88. backtest_end_time='2017-10-01 16:00:00',
89. backtest_adjust=ADJUST_PREV,
90. backtest_initial_cash=10000000,
91. backtest_commission_ratio=0.0001,
92. backtest_slippage_ratio=0.0001)

文章来源：掘金量化交易平台, 转载请注明出处！

----------------------------------------------------------------------------------------------------------------------------------------------------------

更多经典股票/期货量化策略源码查看：

1	双均线策略(期货)  量化策略源码	https://www.myquant.cn/docs/python_strategyies/153
2	alpha对冲(股票+期货)  量化策略源码	https://www.myquant.cn/docs/python_strategyies/101
3	集合竞价选股(股票) 量化策略源码	https://www.myquant.cn/docs/python_strategyies/102
4	多因子选股(股票)  量化策略源码	https://www.myquant.cn/docs/python_strategyies/103
5	网格交易(期货)  量化策略源码	https://www.myquant.cn/docs/python_strategyies/104
6	指数增强(股票)  量化策略源码	https://www.myquant.cn/docs/python_strategyies/105
7	跨品种套利(期货)量化策略源码	https://www.myquant.cn/docs/python_strategyies/106
8	跨期套利(期货) 量化策略源码	https://www.myquant.cn/docs/python_strategyies/107
9	日内回转交易(股票)量化策略源码	https://www.myquant.cn/docs/python_strategyies/108
10	做市商交易(期货) 量化策略源码	https://www.myquant.cn/docs/python_strategyies/109
11	海龟交易法(期货) 量化策略源码	https://www.myquant.cn/docs/python_strategyies/110
12	行业轮动(股票) 量化策略源码	https://www.myquant.cn/docs/python_strategyies/111
13	机器学习(股票) 量化策略源码	https://www.myquant.cn/docs/python_strategyies/112

---

《算法导论 第三版英文版》_高清中文版

《深度学习入门：基于Python的理论与实现》_高清中文版

《深入浅出数据分析》_高清中文版

《Python编程：从入门到实践》_高清中文版

《Python科学计算》_高清中文版

《深度学习入门：基于Python的理论与实现》_高清中文版

《深入浅出数据分析》_高清中文版

《Python编程：从入门到实践》_高清中文版

---