传统小市值策略（附Python源码）

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

前几篇的教程都是关于择时的策略，今天打算写一篇选股的策略——基于市值的选股策略。

了解Alpha策略和Fama_French三因子模型的人都知道，市值因子是一个长期有效的超额收益来源，对股票收益率有一定的解释作用，小市值的股票更容易带来超额收益。这也比较好理解，因为小市值类股票往往表现活跃，容易引发炒作风潮。此外，还有IPO管制的原因（大量排队企业选择借壳），也有市场风险偏好提升的原因（市场恶性循环越来越偏爱小市值）。

现在，开始正式介绍策略部分吧。为方便小伙伴们理解，我们会介绍更详细和具体。

策略逻辑：市值可以带来超额收益策略内容：每月月初买入市值最小的30只股票，持有至下个月月初再调仓资金管理：等权重买入风险控制：无单只股票仓位上限控制、无止盈止损

第一步：获取数据

BigQuant平台具有丰富的金融数据，包括行情数据和财报数据，并且具有便捷、简单的API调用接口。获取数据的代码如下：

1. # 获取股票代码
   
2. instruments = D.instruments()
   
3. # 确定起始时间
   
4. start_date = '2010-01-01'
   
5. # 确定结束时间
   
6. end_date = '2017-02-13'
   
7. # 获取股票总市值数据，返回DataFrame数据格式
   
8. market_cap_data = D.history_data(instruments,start_date,end_date,fields=['market_cap'])

复制代码

在上面的代码中，history_data是我们平台获取数据的一个重要API。fields参数为列表形式，传入的列表即为我们想要获取的数据，该接口有两种返回格式，可以通过groupped_by_instrument进行控制，该参数为True,返回字典格式，该参数为False,返回Pandas的DataFrame格式。

第二步：整理买入股票列表

1. # 获取交易日历
   
2. trading_date = D.history_data(['000300.SHA'],start_date,end_date,
   
3.                               fields=['date','open'],
   
4.                               groupped_by_instrument=False)
   
5. # 将日期型格式转化为字符串格式
   
6. trading_date = trading_date['date'].apply(lambda x : x.strftime('%Y-%m-%d'))
   
7. # 整理出一个"日期-股票代码"的一个字典
   
8. daily_buy_stock = {}
   
9. for dt in trading_date:
   
10.     # 获取每天总市值最小的30只股票
    
11.     daily_buy_stock[dt] = list(market_cap_data[market_cap_data['date']==
    
12.                           dt].sort_values('market_cap').instrument)[:30]

复制代码

上面代码的目的是整理出每次调仓需要买入的股票的代码列表。首先，我们需要获得所有的交易日，这里我们以沪深300的交易日历表示，然后我们采取了一个for循环，将每个交易日总市值最小的30只股票代码整理到daily_buy_stock字典，该字典的键名为日期。

第三步：回测主体

1. # 回测参数设置，initialize函数只运行一次
   
2. def initialize(context):
   
3.     # 手续费设置
   
4.     context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
   
5.     # 调仓规则（每月的第一天调仓）
   
6.     context.schedule_function(rebalance,date_rule=date_rules.month_start(days_offset=0))
   
7.     # 传入 整理好的调仓股票数据
   
8.     context.daily_buy_stock = daily_buy_stock
   
9. 
   
10. # handle_data函数会每天运行一次
    
11. def handle_data(context,data):
    
12.     pass
    
13. 
    
14. # 换仓函数
    
15. def rebalance(context, data):
    
16.     # 当前的日期
    
17.     date = data.current_dt.strftime('%Y-%m-%d')
    
18.     # 根据日期获取调仓需要买入的股票的列表
    
19.     stock_to_buy = context.daily_buy_stock[date]
    
20.     # 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
    
21.     stock_hold_now = [equity.symbol for equity in context.portfolio.positions]
    
22.     # 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
    
23.     no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy]
    
24.     # 需要卖出的股票
    
25.     stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell]
    
26.   
    
27.     # 卖出
    
28.     for stock in stock_to_sell:
    
29.         # 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
    
30.         # 如果返回真值，则可以正常下单，否则会出错
    
31.         # 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
    
32. 
    
33.         if data.can_trade(context.symbol(stock)):
    
34.             # 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，
    
35.             #   即卖出全部股票，可参考回测文档
    
36.             context.order_target_percent(context.symbol(stock), 0)
    
37.    
    
38.     # 如果当天没有买入的股票，就返回
    
39.     if len(stock_to_buy) == 0:
    
40.         return
    
41. 
    
42.     # 等权重买入
    
43.     weight =  1 / len(stock_to_buy)
    
44.    
    
45.     # 买入
    
46.     for  stock in stock_to_buy:
    
47.         if data.can_trade(context.symbol(stock)):
    
48.             # 下单使得某只股票的持仓权重达到weight，因为
    
49.             # weight大于0,因此是等权重买入
    
50.             context.order_target_percent(context.symbol(stock), weight)
    
51. 第四步：回测接口
    
52. 
    
53. # 使用第四版的回测接口，需要传入多个策略参数
    
54. m=M.backtest.v4(
    
55.     instruments=instruments,
    
56.     start_date=start_date,
    
57.     end_date=end_date,
    
58.     # 必须传入initialize，只在第一天运行
    
59.     initialize=initialize,
    
60.     #  必须传入handle_data,每个交易日都会运行
    
61.     handle_data=handle_data,
    
62.     # 买入以开盘价成交
    
63.     order_price_field_buy='open',
    
64.     # 卖出也以开盘价成交
    
65.     order_price_field_sell='open',
    
66.     # 策略本金
    
67.     capital_base=float("1.0e7"),
    
68.     # 比较基准：沪深300
    
69.     benchmark='000300.INDX',
    
70. )

复制代码

好嘞，策略就完全写好了。我们运行完曲线如下：

回测结果比较真实，小市值策略在过去几年确实是这样的表现。还记得2014年12月吗？当时大部分的Alpha策略都产生了较大回撤，被称为alpha前所未有的“黑天鹅”，从图上看出那段时间我们的策略相对收益率（绿线）也在回撤。因此，市场没有圣杯，没有哪个策略适合任何市场状况。但总有策略能够保持长期正收益，这才是宽客应该明白和信仰的，当真的遭遇回撤时才能够坚持自我、不惧亏损、等待“春天”的到来。

原文链接地址

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9 回帖

关键词：小市值策略 python2

好帖收藏