传统市值选股策略 VS AI市值策略（Python源码）

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

股票传统策略和股票AI策略的在量化投资中的运用逐渐增多，今天我们就拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。希望了解多因子选股策略的小伙伴可以参考这篇报告：东方证券《因子选股系列研究之十》：Alpha因子库精简与优化-160812。

本文所介绍的传统小市值策略思想和操作都比较简单，就是选择市值最小的股票构建组合，可以参考社区文章：《手把手教你写策略之三：浅谈小市值选股策略》。

AI市值策略是通过策略生成器构建策略，采用StockRanker排序模型基于市值因子做预测选股，即AI市值策略只有一个特征：市值。创建策略的具体步骤可以参考：第一个人工智能量化投资策略

我们先看传统小市值策略的回测结果图：

再看看AI市值策略回测结果图：

我们关注几个常用的指标来比较两个策略：

关于回测结果各指标的详细计算可以参考这篇文章：策略回测结果指标详解。从总收益来看，AI市值策略收益达到了289.46%，也就是说，如果15年年初你开始按照这个策略交易，期初本金1000元的话，到2017年年初的时候，就增加到了3894.6元，收益达到了289.46%，是不是比自己主观交易强多啦。虽然收益这么高，但是最大回撤也不低啊，最大回撤为35.22%，这个指标可以这样理解，就是严格按照策略系统交易，资金跌得最恨的时候距离资金最高点相差35.22%，如果没有良好的心态和强大的心脏估计是无法继续坚持策略的，比如资金从2000元的高点跌倒了1300元，一般的人可是坐不住的啊。不过，正是做到了坚持，所以坚持到2017年初，最后取到了289.46%的总收益。AI市值策略的最大回撤比传统小市值策略略高。在收益率的波动性方面，两个策略差不多。专业的量化人员关注地比较多的指标是夏普比率，该指标表示每承受一单位总风险，会产生多少的超额报酬，可以同时对策略的收益与风险进行综合考虑，AI市值策略的夏普比率比传统小市值策略高，达到了5.77。

可以看出，虽然传统小市值策略也是一个不错的策略，因为15年初1000元的本金投资在2017年初可以增值到3120元。但是与AI市值策略相比，AI市值策略由于收益更高，而且传统小市值策略用的人比较多，现在大部分的私募公募都暴露在市值因子上，因此策略同质性比较强。再加上，我们还可以在开发AI策略的时候利用自己的专业知识和行业经验构造特征（参考：量化投资中的特征工程），因此AI策略整体上比传统策略更优。

策略源码：

传统小市值策略

1. # 获取股票代码
   
2. instruments = D.instruments()
   
3. # 确定起始时间
   
4. start_date = '2015-01-05'
   
5. # 确定结束时间
   
6. end_date = '2017-01-01'
   
7. 
   
8. market_cap_data = D.history_data(instruments,start_date,end_date,
   
9.               fields=['market_cap','amount','suspended'])
   
10. 
    
11. # 根据是否停牌的字段确定每日选出来的股票
    
12. daily_buy_stock = market_cap_data.groupby('date').apply(lambda df:df[(df['amount'] > 0) # 需要有成交量
    
13.                                                 & (df['suspended'] == False)  # 是否停牌
    
14.                                                 ].sort_values('market_cap')[:30]) # 前三十只
    
15. 
    
16. # 回测参数设置，initialize函数只运行一次
    
17. def initialize(context):
    
18.     # 手续费设置
    
19.     context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    
20.     # 调仓规则（每月的第一天调仓）
    
21.     context.schedule_function(rebalance,date_rule=date_rules.month_start(days_offset=0))
    
22.     # 传入 整理好的调仓股票数据
    
23.     context.daily_buy_stock = daily_buy_stock
    
24. 
    
25. # handle_data函数会每天运行一次
    
26. def handle_data(context,data):
    
27.     pass
    
28. 
    
29. # 换仓函数
    
30. def rebalance(context, data):
    
31.     # 当前的日期
    
32.     date = data.current_dt.strftime('%Y-%m-%d')
    
33.     # 根据日期获取调仓需要买入的股票的列表
    
34.     stock_to_buy = context.daily_buy_stock.ix[date].instrument # 一定要转化为列表
    
35.    
    
36.     # 通过positions对象，使用列表生成式的方法获取目前持仓的股票列表
    
37.     stock_hold_now = [equity.symbol for equity in context.portfolio.positions]
    
38.    
    
39.     # 继续持有的股票：调仓时，如果买入的股票已经存在于目前的持仓里，那么应继续持有
    
40.     no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy]
    
41.     # 需要卖出的股票
    
42.     stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell]
    
43.   
    
44.     # 卖出
    
45.     for stock in stock_to_sell:
    
46.         # 如果该股票停牌，则没法成交。因此需要用can_trade方法检查下该股票的状态
    
47.         # 如果返回真值，则可以正常下单，否则会出错
    
48.         # 因为stock是字符串格式，我们用symbol方法将其转化成平台可以接受的形式
    
49. 
    
50.         if data.can_trade(context.symbol(stock)):
    
51.             # order_target_percent是平台的一个下单接口，表明下单使得该股票的权重为0，
    
52.             #   即卖出全部股票，可参考回测文档
    
53.             context.order_target_percent(context.symbol(stock), 0)
    
54.    
    
55.     # 如果当天没有买入的股票，就返回
    
56.     if len(stock_to_buy) == 0:
    
57.         return
    
58. 
    
59.     # 等权重买入
    
60.     weight =  1 / len(stock_to_buy)
    
61.    
    
62.     # 买入
    
63.     for  stock in stock_to_buy:
    
64.         if data.can_trade(context.symbol(stock)):
    
65.             # 下单使得某只股票的持仓权重达到weight，因为
    
66.             # weight大于0,因此是等权重买入
    
67.             context.order_target_percent(context.symbol(stock), weight)
    
68.             
    
69. # 回测接口
    
70. m=M.backtest.v5(
    
71.     instruments=instruments,
    
72.     start_date=start_date,
    
73.     end_date=end_date,
    
74.     # 必须传入initialize，只在第一天运行
    
75.     initialize=initialize,
    
76.     #  必须传入handle_data,每个交易日都会运行
    
77.     handle_data=handle_data,
    
78.     # 买入以开盘价成交
    
79.     order_price_field_buy='open',
    
80.     # 卖出也以开盘价成交
    
81.     order_price_field_sell='open',
    
82.     # 策略本金
    
83.     capital_base=float("1.0e7") ,
    
84.     # 比较基准：沪深300
    
85.     benchmark='000300.INDX',
    
86. )

复制代码

AI市值策略：

1. # 基础参数配置
   
2. class conf:
   
3.     start_date = '2010-01-01'
   
4.     end_date='2017-01-20'
   
5.     # split_date 之前的数据用于训练，之后的数据用作效果评估
   
6.     split_date = '2015-01-01'
   
7.     # D.instruments: https://bigquant.com/docs/data_instruments.html
   
8.     instruments = D.instruments(start_date, end_date)
   
9. 
   
10.     # 机器学习目标标注函数
    
11.     # 如下标注函数等价于 max(min((持有期间的收益 * 100), -20), 20) + 20 (后面的M.fast_auto_labeler会做取整操作)
    
12.     # 说明：max/min这里将标注分数限定在区间[-20, 20]，+20将分数变为非负数 (StockRanker要求标注分数非负整数)
    
13.     label_expr = ['return * 100', 'where(label > {0}, {0}, where(label < -{0}, -{0}, label)) + {0}'.format(20)]
    
14.     # 持有天数，用于计算label_expr中的return值(收益)
    
15.     hold_days = 30
    
16. 
    
17.     # 特征 https://bigquant.com/docs/data_features.html，你可以通过表达式构造任何特征
    
18.     features = [
    
19.         'market_cap_0',  # 总市值
    
20.     ]
    
21. 
    
22. # 给数据做标注：给每一行数据（样本）打分，一般分数越高表示越好
    
23. m1 = M.fast_auto_labeler.v5(
    
24.     instruments=conf.instruments, start_date=conf.start_date, end_date=conf.end_date,
    
25.     label_expr=conf.label_expr, hold_days=conf.hold_days,
    
26.     benchmark='000300.SHA', sell_at='open', buy_at='open')
    
27. # 计算特征数据
    
28. m2 = M.general_feature_extractor.v5(
    
29.     instruments=conf.instruments, start_date=conf.start_date, end_date=conf.end_date,
    
30.     features=conf.features)
    
31. # 数据预处理：缺失数据处理，数据规范化，T.get_stock_ranker_default_transforms为StockRanker模型做数据预处理
    
32. m3 = M.transform.v2(
    
33.     data=m2.data, transforms=T.get_stock_ranker_default_transforms(),
    
34.     drop_null=True, astype='int32', except_columns=['date', 'instrument'],
    
35.     clip_lower=0, clip_upper=200000000)
    
36. # 合并标注和特征数据
    
37. m4 = M.join.v2(data1=m1.data, data2=m3.data, on=['date', 'instrument'], sort=True)
    
38. 
    
39. # 训练数据集
    
40. m5_training = M.filter.v2(data=m4.data, expr='date < "%s"' % conf.split_date)
    
41. # 评估数据集
    
42. m5_evaluation = M.filter.v2(data=m4.data, expr='"%s" <= date' % conf.split_date)
    
43. # StockRanker机器学习训练
    
44. m6 = M.stock_ranker_train.v2(training_ds=m5_training.data, features=conf.features)
    
45. # 对评估集做预测
    
46. m7 = M.stock_ranker_predict.v2(model_id=m6.model_id, data=m5_evaluation.data)
    
47. 
    
48. 
    
49. ## 量化回测 https://bigquant.com/docs/strategy_backtest.html
    
50. # 回测引擎：初始化函数，只执行一次
    
51. def initialize(context):
    
52.     # 系统已经设置了默认的交易手续费和滑点，要修改手续费可使用如下函数
    
53.     context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    
54.     # 预测数据，通过options传入进来，使用 read_df 函数，加载到内存 (DataFrame)
    
55.     context.ranker_prediction = context.options['ranker_prediction'].read_df()
    
56.     # 设置买入的股票数量，这里买入预测股票列表排名靠前的5只
    
57.     stock_count = 5
    
58.     # 每只的股票的权重，如下的权重分配会使得靠前的股票分配多一点的资金，[0.339160, 0.213986, 0.169580, ..]
    
59.     context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    
60.     # 设置每只股票占用的最大资金比例
    
61.     context.max_cash_per_instrument = 0.2
    
62. 
    
63. # 回测引擎：每日数据处理函数，每天执行一次
    
64. def handle_data(context, data):
    
65.     # 按日期过滤得到今日的预测数据
    
66.     ranker_prediction = context.ranker_prediction[context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')]
    
67. 
    
68.     # 1. 资金分配
    
69.     # 平均持仓时间是hold_days，每日都将买入股票，每日预期使用 1/hold_days 的资金
    
70.     # 实际操作中，会存在一定的买入误差，所以在前hold_days天，等量使用资金；之后，尽量使用剩余资金（这里设置最多用等量的1.5倍）
    
71.     is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间（前 hold_days 天）
    
72.     cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
    
73.     cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    
74.     cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
    
75.     positions = {e.symbol: p.amount * p.last_sale_price         for e, p in context.perf_tracker.position_tracker.positions.items()}
    
76. 
    
77.     # 2. 生成卖出订单：hold_days天之后才开始卖出；对持仓的股票，按StockRanker预测的排序末位淘汰
    
78.     if not is_staging and cash_for_sell > 0:
    
79.         equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
    
80.         instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
    
81.                 lambda x: x in equities and not context.has_unfinished_sell_order(equities[x]))])))
    
82.         # print('rank order for sell %s' % instruments)
    
83.         for instrument in instruments:
    
84.             context.order_target(context.symbol(instrument), 0)
    
85.             cash_for_sell -= positions[instrument]
    
86.             if cash_for_sell <= 0:
    
87.                 break
    
88. 
    
89.     # 3. 生成买入订单：按StockRanker预测的排序，买入前面的stock_count只股票
    
90.     buy_cash_weights = context.stock_weights
    
91.     buy_instruments = list(ranker_prediction.instrument[:len(buy_cash_weights)])
    
92.     max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
    
93.     for i, instrument in enumerate(buy_instruments):
    
94.         cash = cash_for_buy * buy_cash_weights[i]
    
95.         if cash > max_cash_per_instrument - positions.get(instrument, 0):
    
96.             # 确保股票持仓量不会超过每次股票最大的占用资金量
    
97.             cash = max_cash_per_instrument - positions.get(instrument, 0)
    
98.         if cash > 0:
    
99.             context.order_value(context.symbol(instrument), cash)
    
100. 
     
101. # 调用回测引擎
     
102. m8 = M.backtest.v5(
     
103.     instruments=m7.instruments,
     
104.     start_date=m7.start_date,
     
105.     end_date='2017-01-01',
     
106.     initialize=initialize,
     
107.     handle_data=handle_data,
     
108.     order_price_field_buy='open',       # 表示 开盘 时买入
     
109.     order_price_field_sell='close',     # 表示 收盘 前卖出
     
110.     capital_base=1000000,               # 初始资金
     
111.     benchmark='000300.SHA',             # 比较基准，不影响回测结果
     
112.     # 通过 options 参数传递预测数据和参数给回测引擎
     
113.     options={'ranker_prediction': m7.predictions, 'hold_days': conf.hold_days}
     
114. )

复制代码

感兴趣的朋友可以点此查看更多策略细节：原文链接

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏6 回帖

thanks

感谢分享

谢谢分享