量化：交易逻辑与策略构建（五）

因子建模：

       因子是量化交易的基础，其基本的思想是通过研究变量之间的依赖关系。量化交易以数据作为支撑，因子反映原始数据的部分信息，是理解、分析和应用这些数据的手段和桥梁。

       量化的最终目的是找到影响股票未来收益和风险的关键因素，通过建立关键因素与股票收益与风险构建量化交易策略。量化交易策略中的因子就是关键因素的特征，通过因子和股票价格之间的量化关系来获取收益。

思维导图：

       思维导图可以更好的理解策略、理清脉络。策略基本包含策略的筛选条件、买入条件、仓位和价格、卖出条件四个部分。

策略构建，以最简单的单因子策略（市值因子）为例，其思维导图如下。

        单因子——小市值因子策略一直以来有些争议，但不能否认该策略在某些年份的有效性。量化交易策略不是一成不变的，资本市场上没有永恒的策略，量化策略也要随时间和市场不断改进，小市值策略也是如此。小市值策略的基本逻辑其一是小市值公司的溢价；其二是高风险股票的流动性补偿。

止盈止损

        止盈：一达到价格全部卖出止盈；二分批止盈，如10%卖出止盈，20%卖出止盈；三收益达到一定幅度后，回落离场止盈，如上涨10%后，下跌5%止盈；四盈利做一个移动均线，当低于均线止盈，如收益每天涨1%，第一天1%、第二天2%、第三天3%、当第四天3.5%，低于4%卖出止盈。还有择时出场，或者与龙头股比较出场。止损：跌到一定价格卖出，如果你的股票下跌50%，下次你要获利100%才能回本，所以止损的设计在交易中非常重要。8%、10%、20%根据个人风险偏好来就行。

复权价：

       复权分为前复权、后复权和不复权，股票在分红、送转过程中价格会发生变化，但实际价值没变，因此需要进行复权操作。前复权是指以除权后第一天的价格点为基础；向前复权，股价按照除权后第一天价格同比例缩小，最新价就是除权后的交易价格，预测后续价格方便。后复权以除权前最后一天价格为基础，后面价格同比例放大。复权因子=(1+涨跌幅) × 上一个交易日的复权因子，初始为1前后复权都是同比例放大缩小，量化选股时前后复权是一样的，因为用的是的复权因子和涨跌幅。

       tushare的数据可以直接提供前复权数据，因此不用计算。如果在网站上爬的数据需要进行复权处理。

# 计算复权因子
df['复权因子'] = (df['收盘价'] / df['前收盘价']).cumprod()

# 计算前复权
df['收盘价_复权'] = df['复权因子'] * (df.iloc[0]['收盘价'] / df.iloc[0]['复权因子'])

# 计算后复权
df['收盘价_复权'] = df['复权因子'] * (df.iloc[-1]['收盘价'] / df.iloc[-1]['复权因子'])

参数设定：

选股数量5个；券商佣金万三；新规印花税万五

#交易参数设定

select_stock_num = 5 #选股数量设定
cost_rate = 3/10000 #券商佣金 万三
trade_rate = 5/10000 #印花税 万五