量化投资学习笔记85——实现量化交易经典策略:多因子选股

发表于 | 分类于
| 字数统计: 1.7k | 阅读时长 ≈ 7

为了应付一个考试，停了一个多月。现在学习继续。这次要实现的是多因子选股。即通过多个因子来在股票池中选择一个或数个股票，以期获得高于市场平均水平的收益。属于量化选股的一种。
主要有打分法和回归法两种。先实现最简单的打分法吧。
由于我使用的是tushare获取数据，先看看能获取哪些因子。
用ts.get_stock_basics()，结果是这样的:

pe是市盈率，outstanding是流通股本，totals是总股本，totalAssets是总资产，liquidAssets是流动资产，fixedAssets是固定资产，reversved是公积金，esp每股收益，bvps每股净资，pb市净率，timeToMarket上市日期，undp未分利润，rev收入同比，profit利润同比，gpr毛利润，npr净利润，holders，股东人数。
还有获取其它数据的函数，第一次弄，先用这个吧。
首先排除一些股票：
①上市不满2年的股票。
②ST的股票
③亏损的股票。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
# coding:utf-8
# 多因子选股实现


import backtrader as bt
import backtrader.indicators as bi
import backtest
import pandas as pd
import tushare as ts


# 获取股票数据，进行初步筛选，返回供因子分析的股票数据。
def getFactors():
#    data = ts.get_stock_basics()
#    print(data.head())
#    print(len(data))
#    data.to_csv("stocks.csv")
    data = pd.read_csv("stocks.csv", index_col = "code")
    # 排除亏损的股票
    data = data[data.npr > 0.0]
    # 排除上市不满2年的
    data = data[data.timeToMarket <= 20180801]
    # 排除ST股票
    data = data[~ data.name.str.contains("ST")]
    # print(data)
    return data

if __name__ == "__main__":
    factors = getFactors()
大概剔除了1/3的股票。接下来分析一下剩下的数据。
# 分析数据
def analysis(factors):
    print("平均市盈率:%.2f" % (factors.pe.mean()))
    print("每股收益:%.2f" % (factors.esp.mean()))
    print("每股净资产:%.2f" % (factors.bvps.mean()))
    print("平均市净率:%.2f" % (factors.pb.mean()))
    print("平均每股净利润:%.2f" % (factors.npr.mean()))
    print("平均股东人数:%.2f" % (factors.holders.mean()))
1
2
3
4
5
6
平均市盈率:138.04
每股收益:0.18
每股净资产:5.24
平均市净率:4.20
平均每股净利润:13.38
平均股东人数:54578.72

画图看看。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
# 分析数据
def analysis(factors):
    print("平均市盈率:%.2f" % (factors.pe.mean()))
    print("每股收益:%.2f" % (factors.esp.mean()))
    print("每股净资产:%.2f" % (factors.bvps.mean()))
    print("平均市净率:%.2f" % (factors.pb.mean()))
    print("平均每股净利润:%.2f" % (factors.npr.mean()))
    print("平均股东人数:%.2f" % (factors.holders.mean()))
    # 绘图
    print(factors.pe)
    plt.figure()
    factors.pe.hist(bins = 100, range = (0, 2.0), align = "left")
    plt.savefig("PE.png")
    plt.figure()
    factors.esp.hist(bins = 100, range = (0, 2.0), align = "left")
    plt.savefig("ESP.png")
    plt.figure()
    factors.pb.hist(bins = 100, range = (0, 50.0), align = "left")
    plt.savefig("PB.png")
    plt.figure()
    factors.npr.hist(bins = 100, range = (0, 50.0), align = "left")
    plt.savefig("NPR.png")
    plt.figure()
    factors.holders.hist(bins = 100, range = (0, 50.0), align = "left")
    plt.savefig("HOLDERS.png")



图形大多是这样的，长尾形的。值越高的股票越少。
现在来找因子了，我就主观定义吧：
选取市盈率、每股收益、每股净资产、市净率、净利润这几个指标，其中市盈率是越小越好，其它都是越大越好。因此设计的评分公式为：
评分 = -1×市盈率/平均市盈率 + 每股收益/平均每股收益 + 每股净资产/平均每股净资产 + 市净率/平均每股市净率 + 净利润/平均每股净利润
即把每个值都与所有值的平均值相除最后再相加。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 计算评分指标
def scale(factors):
    pe = -1.0*factors.pe/factors.pe.mean()
    esp = factors.esp/factors.esp.mean()
    bvps = factors.bvps/factors.bvps.mean()
    pb = factors.pb/factors.pb.mean()
    npr = factors.npr/factors.npr.mean()
    score = pe+esp+bvps+pb+npr
    print(score)
    # 排序并画图
    score = score.sort_values()
    print(score)
    score.plot(kind = "hist", bins = 1000, range = (-25.0, 30.0))
    plt.savefig("fsctorScore.png")


提取评分最高的10个股票，结果如下：

1
2
3
Int64Index([661, 600695, 603301, 2582, 600620, 603444, 600061, 617, 2069,
            600519],
           dtype='int64', name='code')

发现一个问题：661,2582这些是啥？唉，在一开始的筛选的代码里再加一条，排除代码小于100000的。

1
2
3
Int64Index([600895, 600621, 600674, 600685, 600695, 603301, 600620, 603444,
            600061, 600519],
           dtype='int64', name='code')

现在就对了！
接下来就用这十只股票来回测，策略就是买入持有。

1
['张江高科' '华鑫股份' '川投能源' '中船防务' '绿庭投 资' '振德医疗' '天宸股份' '吉比特' '国投资本' '贵州茅台'] ['600895', '600621', '600674', '600685', '600695', '603301', '600620', '603444', '600061', '600519']

就这十只股票。
下面是回测代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
# 交易策略类，一开始买入然后持有。
class FactorStrategy(bt.Strategy):
    def __init__(self):
        self.p_value = self.broker.getvalue()*0.9/10.0
       
    def next(self):
        # 买入
        for data in self.datas:
            # 获取仓位
            pos = self.getposition(data).size
            if pos == 0:
                size = int(self.p_value/100/data.close[0])*100
                self.buy(data = data, size = size)
        # 最后卖出
        date = self.datas[0].datetime.date(0)
        closeDate = datetime.datetime(2020, 7, 2)
        if date.year == closeDate.year and date.month == closeDate.month and date.day == closeDate.day:
            for data in self.datas:
                pos = self.getposition(data).size
                if pos != 0:
                    self.sell(data = data, size = pos )
               
    # 输出
    def log(self, txt):
        print(txt)
       
    # 输出交易过程
    def __displayOrder(self, buy, order):
        if buy:
            self.log(
                    '执行买入, 价格: %.2f, 成本: %.2f, 手续费 %.2f' %
                    (order.executed.price,
                     order.executed.value,
                     order.executed.comm))
        else:
            self.log(
                    '执行卖出, 价格: %.2f, 成本: %.2f, 手续费 %.2f' %
                    (order.executed.price,
                     order.executed.value,
                     order.executed.comm))
               
    # 交易情况
    def notify_order(self, order):
        if order.status in [order.Submitted, order.Accepted]:
            return
        if order.status in [order.Completed]:
            if order.isbuy():
                self.__displayOrder(True, order)
            elif order.issell():
                self.__displayOrder(False, order)
        self.order = None


if __name__ == "__main__":
    factors = getFactors()
    analysis(factors)
    score = scale(factors)
    codes = score[-10:].index
    # 进行回测
    start = "2018-01-01"
    end = "2020-07-05"
    name = factors.loc[codes, "name"].values
    # 将汉字转换为拼音
    p = Pinyin()
    name = [p.get_pinyin(s) for s in name]
    code = [str(x) for x in codes]
    print(len(name), code)
    backtest = backtest.BackTest(FactorStrategy, start, end, code, name, 1000000, bDraw = True)
    result = backtest.run()
    backtest.output()
    print(result)

结果

结果还不错，年化收益率15.8%，最大回撤达41.6%。夏普值0.44。有个问题，我用的因子数据应该是最近的，而回测时间是2018-2020年的，也就是用了未来数据。原因是我不知道怎么获取历史的因子数据，先掌握方法吧。还有画的图很烂，我再研究下。
代码地址还是： https://github.com/zwdnet/MyQuant/tree/master/47
策略文件为facts.py。

我发文章的三个地方，欢迎大家在朋友圈等地方分享，欢迎点“在看”。
我的个人博客地址：https://zwdnet.github.io
我的知乎文章地址： https://www.zhihu.com/people/zhao-you-min/posts
我的微信个人订阅号：赵瑜敏的口腔医学学习园地

欢迎打赏！感谢支持！