多因子选股的策略实现（附：源码）

经过前两篇文章，我们把多因子选股策略三大步骤：因子的选取，检验，冗余因子剔除等介绍了一遍，接下来这一篇将利用已经得到的结论，完成最后一步，策略的实现。

我们根据前两篇文章的内容，我们选取以下因子来构建策略：TAGRT，ROEANNUAL，SHTLIABTOTLIABRT，PB

其因子的有效性图如下，股票池为“IT指数”成分股。

 

策略构建：

基本思路：我们按照一定排列规则，将所有股票排序，并选取排名最前或最后的股票，买入，每月换仓一次。

 

排列规则：

由上面几张图可以看出，四种因子都具有正向性（因子值越大，股票收益越大），我们的想法是将这四种因子加和，值越大的，说明股票预期收益越高。当然，我们需要先将数据标准化

我们有两种加和方案：

1.等权值加和，我们用K表示每个因子权值，V表示每个因子的值。

 即：SCORE=KV1+KV2+…KVN

2.非等权加和，我们用K表示每个因子权值，V表示每个因子的值。

 即：SCORE=K1V1+K2V2+…KNVN

我们根据每种因子的收益波动率（数据来源于《多因子选股之有效因子》），确定每种因子权值。

如下表：

 回测参数声明：

时间：2018-01-01至2018-08-01

调仓频率：1月

基准指数：IT指数（SZSE.399239）

股票池：IT指数（SZSE.399239）成分股

滑点：0.0001

手续费：0.0001

 以下是两种方案的回测对比

第一种加和方案

 第二种加和方案

总结：

我们基于17年的历史数据，选出了四种因子来构建多因子策略，在排序规则中，我们分别讨论了两种方案，并分别测试。可以看出，每种方案都跑赢了基准，这说明我们的因子是有效的。方案二的收益率大于方案一的，说明加入波动率因素，会使股票的选取更加“准确”，更容易选出具有超额收益的股票，但这要牺牲一定的收益稳定性。

附：多因子选股的策略实现源码

# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *
from sklearn import preprocessing

'''
策略思路：
我们按照一定排列规则，将所有股票排序，并选取排名最前或最后的股票，买入，每月换仓一次。
回测数据:SZSE.399239的成份股
回测时间:2018-01-01 08:00:00到2018-08-01 16:00:00
'''


def init(context):
    # 每月第一个交易日的09:40 定时执行algo任务
    schedule(schedule_func=algo, date_rule='1m', time_rule='09:40:00')


def algo(context):
    # 获取上一个交易日的日期
    last_day = get_previous_trading_date(exchange='SHSE', date=context.now)
    # 获取沪深300成份股
    context.stock300 = get_history_constituents(index='SZSE.399239', start_date=last_day,
                                                end_date=last_day)[0]['constituents'].keys()
    # 获取当天有交易的股票
    not_suspended = get_history_instruments(symbols=context.stock300, start_date=last_day, end_date=last_day)
    not_suspended = [item['symbol'] for item in not_suspended if not item['is_suspended']]
    fin = get_fundamentals(table='deriv_finance_indicator', symbols=not_suspended, start_date=last_day, end_date=last_day,
                           fields='TAGRT,ROEANNUAL,SHTLIABTOTLIABRT', df=True)
    fin['PB'] = get_fundamentals(table='trading_derivative_indicator', symbols=not_suspended, start_date=last_day,
                           end_date=last_day,fields='PB', df=True)['PB']
    fin.index=fin.symbol
    del fin['symbol'],fin['pub_date'],fin['end_date']
    fin=fin.fillna(0)

    data=preprocessing.scale(fin)
    score=[]
    for i in data:
        #score.append(5.96*i[0]+3.36*i[1]+5.03*i[2]+3*i[3])
        score.append(sum(i))
    fin['score'] =score
    fin=fin.sort_values(by = 'score',axis = 0,ascending = True)

    symbols_pool=list(fin.tail(10).index)

    print(symbols_pool)
    order_close_all()

    # 获取股票的权重
    percent = 1 / len(symbols_pool)
    # 买在标的池中的股票
    for symbol in symbols_pool:
        order_target_percent(symbol=symbol, percent=percent, order_type=OrderType_Market,
                             position_side=PositionSide_Long)
        print(symbol, '以市价单调多仓到仓位', percent)


if __name__ == '__main__':
    '''
    strategy_id策略ID,由系统生成
    filename文件名,请与本文件名保持一致
    mode实时模式:MODE_LIVE回测模式:MODE_BACKTEST
    token绑定计算机的ID,可在系统设置-密钥管理中生成
    backtest_start_time回测开始时间
    backtest_end_time回测结束时间
    backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POST
    backtest_initial_cash回测初始资金
    backtest_commission_ratio回测佣金比例
    backtest_slippage_ratio回测滑点比例
    '''
    run(strategy_id='73bb5bf2-a536-11e8-bd52-9cd21ef04ea9',
        filename='多因子策略.py',
        mode=MODE_BACKTEST,
        token='c395247a76e8a5caeee699d668d6f550213bc418',
        backtest_start_time='2018-01-01 08:00:00',
        backtest_end_time='2018-08-01 16:00:00',
        backtest_adjust=ADJUST_PREV,
        backtest_initial_cash=10000000,
        backtest_commission_ratio=0.0001,
        backtest_slippage_ratio=0.0001)

来源：掘金量化      作者：宋瑞笛

推荐阅读：

学习Python量化有哪些书籍？这里有一份书单送给你

量化交易领域最重要的10本参考书推荐！

配对交易—这个股票策略曾年赚5000万美元

一个量化策略师的自白（好文强烈推荐）

网格交易法，一个不容易亏钱的投资策略（附源码）

市面上经典的量化交易策略都在这里了！（源码）