之前写过一个peg搭配小市值的策略，虽然收益很高，但有个明显的缺点，就是在回撤幅度太大。我一向不太会择时，所以当时的解决方案是又写了个与大盘股结合进行轮动的策略，主要是为了避免2017年小盘股的下跌。但这样做又有个新的问题，就是总体收益少了一半，而回撤只减少了10%。 那么有没有一个小盘策略能符合以下三点呢： 1.与不加任何修饰的小市值因子策略相比，近10年收益相差不大，且最近一年能跑赢基准（纯小市值因子最近一年明显跑输基准）； 2.不择时不止损的情况下回撤控制在40%以内。毕竟小盘策略属于高风险高收益，所以想控制在30%以内很难，之前的小盘策略回撤甚至达到50%多，与大盘轮动也会有40%多的回撤。 3.交易次数不要太频繁，一年交易不要超过30次，这样受滑点的影响较低。 尝试了一圈下来，发现其实满足上述三条中至少两条的策略还是很多的！核心选股思路是，先用某个分层性质较好的因子选出最优的10%，在其中用小市值进行轮动即可。下图总结了我筛选了将近200个因子后保留的适合小盘轮动的因子：    测试时间包含了15,16年股灾，18年熊市，没有选择15年之前是因为之前无论什么牛鬼蛇神策略全赚钱，没有区分度。因子数据来源于聚宽因子看板，可以根据图中的关键词搜索因子相关的信息。 因为这个策略本身没什么技术含量（穷举测试纯体力劳动），所以我把核心的选股代码写在这里，有能力的可以直接移植过去，节省积分。 ``` #1-1 选股模块 def get_factor_filter_list(context,stock_list,jqfactor,sort,p1,p2): yesterday = context.previous_date score_list = get_factor_values(stock_list, jqfactor, end_date=yesterday, count=1)[jqfactor].iloc[0].tolist() df = pd.DataFrame(columns=['code','score']) df['code'] = stock_list df['score'] = score_list df = df.dropna() df.sort_values(by='score', ascending=sort, inplace=True) filter_list = list(df.code)[int(p1*len(stock_list)):int(p2*len(stock_list))] return filter_list #1-2 选股模块 def get_stock_list(context): initial_list = get_all_securities().index.tolist() initial_list = filter_new_stock(context,initial_list) initial_list = filter_kcb_stock(context, initial_list) initial_list = filter_st_stock(initial_list) growth_list = get_factor_filter_list(context, initial_list, 'sales_growth', False, 0, 0.1) q = query(valuation.code,valuation.circulating_market_cap,indicator.eps).filter(valuation.code.in_(growth_list)).order_by(valuation.circulating_market_cap.asc()) df = get_fundamentals(q) df = df[df['eps']>0] final_list = list(df.code) return final_list ``` 下面的回测以上图中一个我比较满意的因子——5年营业收入增长率为例，依旧是没有择时和止损，每周最多交易一次，截止到本文发表前一天，收益是创了新高的，目前看还有效。不过鉴于本人的策略经常刚一发表就是最高点，各位朋友权当看个乐呵，不要实盘！不要实盘！不要实盘！