一是我们自身想去认真的学习经典,复制这些策略本身就是自我学习过程,我们深信向这些被市场证明长期优秀,被后世尊为经典的投资大师学习,必然值得,必有所得;
二是复制和验证大师策略的过程, 会自然的驱使我们更多的从投资逻辑和投资思维上思考收益之源,而不再是不停的数据挖掘和数理分析。大师系列的尝试,于我们是一个求道,而非求术的旅程。
本贴主要是帮助用户怎样开发大师系列的策略,让大家更了解我们的平台,同时帮助大家在我们的平台上开发更丰富的策略。因此我们介绍一种简单的价值投资法来选取股票,规则如下:
策略逻辑:当股票处于价值洼地时,具备投资价值
策略内容:每月月初买入市盈率小于15倍、市净率小于1.5倍的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](https://bigquant.com/docs/data_history_data.html)调用接口。获取数据的代码如下:
start_date = '2013-02-01'
end_date = '2017-07-18'
instruments = D.instruments()
# 获取市盈率、市净率、成交额数据
history_data = D.history_data(instruments, start_date=start_date,
end_date= end_date, fields=[ 'pb_lf', 'pe_ttm','amount'])
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。
第二步:整理买入股票列表
# 该函数的目的是通过history_data这个大的原始数据,获取每日满足价值投资股票列表
def seek_symbol(df):
selected = df[(df['pb_lf'] < 1.5)
& (df['pe_ttm'] < 15)
& (df['amount'] > 0)
& (df['pb_lf'] > 0)
& (df['pe_ttm'] > 0 ) ]
# 按pe_ttm和pb_lf 升序排列
selected = selected.sort_values(['pe_ttm','pb_lf'])
return list(selected.instrument)[:30] # 记得转化成list
daily_buy_stock = history_data.groupby('date').apply(seek_symbol)
第三步:回测主体
我们平台策略回测有丰富的文档介绍,请参考:
def initialize(context):
# 设置交易费用,买入是万三,卖出是千分之1.3,如果不足5元按5元算
context.set_commission(PerOrder(buy_cost=0.0003,
sell_cost=0.0013, min_cost=5))
# 设置换仓规则,即每个月月初换仓,持有至下个月,再换仓
context.schedule_function(rebalance,
date_rule=date_rules.month_start(days_offset=0))
# 上面schedule_function函数的这句代码,其实可以写到一行,分两行是为了便于展示
def handle_data(context,data):
pass
# 换仓
def rebalance(context, data):
# 日期
date = data.current_dt.strftime('%Y-%m-%d')
# 买入股票列表
stock_to_buy = daily_buy_stock[date]
# 目前持仓列表
stock_hold_now = [equity.symbol for equity
in context.portfolio.positions]
# 继续持有股票列表
no_need_to_sell = [i for i in stock_hold_now
if i in stock_to_buy]
# 卖出股票列表
stock_to_sell = [i for i in stock_hold_now if
i not in no_need_to_sell]
# 执行卖出
for stock in stock_to_sell:
if data.can_trade(context.symbol(stock)):
context.order_target_percent(context.symbol(stock), 0)
if len(stock_to_buy) == 0:
return
# 等权重
weight = 1 / len(stock_to_buy)
# 执行买入
for cp in stock_to_buy:
if data.can_trade(context.symbol(cp)):
context.order_target_percent(context.symbol(cp), weight)
第四步:回测接口
# 使用第四版的回测接口,需要传入多个策略参数
m=M.trade.v2(
instruments=instruments,
start_date=start_date,
end_date=end_date,
# 必须传入initialize,只在第一天运行
initialize=initialize,
# 必须传入handle_data,每个交易日都会运行
handle_data=handle_data,
# 买入以开盘价成交
order_price_field_buy='open',
# 卖出也以开盘价成交
order_price_field_sell='open',
# 策略本金
capital_base=1000000,
# 比较基准:沪深300
benchmark='000300.INDX',
)
好嘞,策略就完全写好了。我们运行完曲线如下: