原作：[7年40倍，模拟超过两年，年化高回撤低](https://www.joinquant.com/view/community/detail/6d0d64532d0ad36c2c43292ee663042a?type=1) 作者：quakecat 优化：[2021年度文章精选第一篇策略的修订及详解-Python2版](https://www.joinquant.com/post/36375) 作者：蚂蚁量化 本文主要记录一下自己的改写过程，原策略本身就非常优秀，改写只是为了适应我自己的需要，没有孰优孰劣之分，感谢两位作者的分享！（7年40倍策略之后简称740策略） **1.去掉择时部分，不择时收益更高** 是否需要择时，主要由投资者的风险承受能力决定，由于盈亏同源，择时一定会带来收益的下降。如果我判断策略失效会直接停掉而不是通过择时来降低回撤。即使择时，原策略的参数已经不适应当前市场情况，需要重新调参。 原策略无修改  没有择时以及仓位控制，原策略默认持仓数  **2.收益归因** 去掉择时和仓位控制后，更容易分析因子对策略收益的贡献。作者在选股前进行了一系列的筛选，比如用pb和市值，宽松地过滤了一下，以及过滤掉st停牌开盘涨跌停股票等操作，应该都只是排除掉异常股票，有必要但不是重点。 另外一些过滤，包括过滤昨日涨幅过大，过滤刚刚卖出时间不久的股票，过滤科创和创业板，过滤新股。 - 过滤昨日涨幅过大，不知道是否有必要，测试不足，先去掉。 - 卖出一段时间后不买回，我的有些策略中也采用了这项过滤，但是表现不稳定，有时会是负优化，去掉。 - 科创和创业板上小盘轮动确实不是很稳定，尤其是科创，收益差，还需要限价下单很麻烦，过滤掉没毛病。创业板我选择先保留。 - 过滤新股是因为新股上市拉高后一段时间内会持续走下坡路，这个时间在1年左右，选择过滤250-500天应该都没问题。 *原作中有一个关键的筛选，可以说奠定了整个回测的基调，代码如下* ``` rank_stock_list = get_fundamentals(query( valuation.code, valuation.market_cap, valuation.circulating_market_cap ).filter(valuation.code.in_(stock_list) ).order_by(valuation.circulating_market_cap.asc()).limit(100)) ``` **上面的过滤完成后应该还是会有3000只左右的股票，而这条代码就决定了关键的选股池是从这3000只中选择最小的100只，这种极度暴露单因子的做法结果是，小盘因子单独就已经决定了策略收益的走向，而作者之后的五因子只是在帮小盘因子锦上添花，更何况五因子中还有两个就是市值本身。最后通过五因子评分选出的4只股票又是进一步放大了小盘因子的风险暴露。** 小盘因子确实是长期稳定有效的，这里并不是批判原策略，只是想说明五因子的效果并没有之前预期那么大。不过，这种做因子的方法还是很有借鉴意义的。 **3.扩容** 说到这，其实这个策略已经拆解分析的差不多了，如果您只是小资金又不喜欢回撤，完全可以继续使用原策略，不需要做任何改变。 740策略本身只买不超过5只股票，如果改写持仓量为50只，收益就会明显下降，下图展示了没有择时和仓位控制，持仓50只的情况。  如果您想做一个50只持仓的小盘基金，还想达到40%以上的年化收益，仅靠调参740策略应该是不够的，需要与另一个策略结合。 [持仓95只大容量小市值，媲美金元顺安元启](https://www.joinquant.com/view/community/detail/6b331f66c139d4659734bf56973eadee) 作者：开心果 这个策略非常神奇，众所周知，小盘策略的收益受持仓数量影响递减明显，而这个策略在测试10-500只容量时，都能表现出稳定的超额收益，其选股逻辑也非常简单，只有以下几条。 ``` df = get_fundamentals(query( valuation.code ).filter( valuation.code.in_(stocks), valuation.pb_ratio > 0, #市净率 indicator.inc_return >0, #扣非净资产收益率 indicator.inc_total_revenue_year_on_year>0, #营业总收入同比增长率 indicator.inc_net_profit_year_on_year>0, #净利润同比增长率 ).order_by( valuation.market_cap.asc() ).limit(g.stock_num)) ``` 原作者还用了indicator.ocf_to_operating_profit > 5 (经营活动产生的现金流量净额/经营活动净收益 大于 5%)，我不理解他为什么要使用5%，去掉了，影响不大。而其他的过滤条件是基于常见财务指标保留了基本面还可以的公司，从因子的角度来说即增加了价值类因子的暴露，这对于小盘因子来说是一种不错的补充。下图展示了原策略不同持仓数量的收益情况。  从图中可以看出，虽然收益受持仓量影响很小，但总体收益不高，是不是大持仓就一定要牺牲收益呢？不是！这里就可以结合之前740的五因子评分轮动了，做法如下。 ``` def get_stock_list(context): # 获取前N个单位时间当时的收盘价 def get_close(stock, n, unit): return attribute_history(stock, n, unit, 'close')['close'][0] # 获取现价相对N个单位前价格的涨幅 def get_return(stock, n, unit): price_before = attribute_history(stock, n, unit, 'close')['close'][0] price_now = get_close(stock, 1, '1m') if not isnan(price_now) and not isnan(price_before) and price_before != 0: return price_now / price_before else: return 100 # 获得初始列表 yesterday = context.previous_date initial_list = get_all_securities('stock', yesterday).index.tolist() initial_list = filter_kcbj_stock(initial_list) initial_list = filter_new_stock(context, initial_list, 375) initial_list = filter_st_stock(initial_list) q = query( valuation.code, valuation.market_cap, valuation.circulating_market_cap ).filter( valuation.code.in_(initial_list), valuation.pb_ratio > 0, indicator.inc_return > 0, indicator.inc_total_revenue_year_on_year > 0, indicator.inc_net_profit_year_on_year > 0 ).order_by( valuation.market_cap.asc()).limit(100) df = get_fundamentals(q, date=yesterday) df.index = df.code initial_list = list(df.index) #为了方便查看五因子数值与最终评分，将其改写成dataframe #获取原始值 MC, CMC, PN, TV, RE = [], [], [], [], [] for stock in initial_list: #总市值 mc = df.loc[stock]['market_cap'] MC.append(mc) #流通市值 cmc = df.loc[stock]['circulating_market_cap'] CMC.append(cmc) #当前价格 pricenow = get_close(stock, 1, '1m') PN.append(pricenow) #5日累计成交量 total_volume_n = attribute_history(stock, 1200, '1m', 'volume')['volume'].sum() TV.append(total_volume_n) #60日涨幅 m_days_return = get_return(stock, 60, '1d') RE.append(m_days_return) #合并数据 df = pd.DataFrame(index=initial_list, columns=['market_cap','circulating_market_cap','price_now','total_volume_n','m_days_return']) df['market_cap'] = MC df['circulating_market_cap'] = CMC df['price_now'] = PN df['total_volume_n'] = TV df['m_days_return'] = RE df = df.dropna() min0, min1, min2, min3, min4 = min(MC), min(CMC), min(PN), min(TV), min(RE) #计算合成因子 temp_list = [] for i in range(len(list(df.index))): score = g.weights[0] * math.log(min0 / df.iloc[i,0]) + g.weights[1] * math.log(min1 / df.iloc[i,1]) + g.weights[2] * math.log(min2 / df.iloc[i,2]) + g.weights[3] * math.log(min3 / df.iloc[i,3]) + g.weights[4] * math.log(min4 / df.iloc[i,4]) temp_list.append(score) df['score'] = temp_list #排序并返回最终选股列表 df = df.sort_values(by='score', ascending=False) final_list = list(df.index) return final_list ``` 通过基本面筛选后保留100只小盘股，在100只股票中用五因子筛选保留50只，每周调仓，结合我自己的涨停开板卖出逻辑，就可以达到回测图中的效果了。740侧重技术面与量价指标选股，缺乏基本面逻辑，大容量95原本是按月调仓的基金风格策略，缺乏对股票技术面的判断，不够灵活，二者正好具备互补的条件，这也是我认为可以结合一下的原因。 组合想法参考 [sales_growth因子选择股票池,小市值选股择时](https://www.joinquant.com/view/community/detail/13180466101a4bbdf6032790dc456082) 作者：Pengpengpeng [因子择股基础上牛熊判断小市值策略](https://www.joinquant.com/view/community/detail/5265fd44a125b5fe9435aa9c12473b47) 作者：书鱼知小 改写后的740策略不包含任何择时，如果需要择时请自行设计。 **再次感谢以上各位朋友！**（不想打扰人家就不写@了） **代码问题** 下面回测预览中，源码第22行 把g.limit_up_list=[]改成g.high_limit_list=[] 此问题不影响回测，但影响模拟跟一创实盘！！！请务必修改！！！ **风险提示** 1. 当前(2022年12月)小盘风格对沪深300超额收益处于历史高位 2. 持仓量大且周调仓可能产生更高的滑点。回测中收益虚高，因为我设置了滑点为零，单向成本万八。后来我又测试了下系统默认滑点跟交易成本，最终收益458% 3. 其它原因以后想到了再更新