*300和1000指增这种大家一般也看不上，这些产品会涉及到未来工作需求，只发这一次，给大家一点思路!模型训练文档就不发了，毕竟用的多了会失效，也会损害很多同行的利益。* **训练时间到24年1月1日** ### 一、策略核心目标 该策略是**基于Transformer时间序列模型的沪深300成分股量化选股策略**，核心逻辑是：通过Transformer模型预测股票未来短期表现并输出评分，每周调仓持有评分最高的10只股票；同时对持仓中昨日涨停的股票做日内风控（涨停打开即卖出），过滤科创板/ST/次新股等高风险标的，最终追求超越沪深300指数（000300.XSHG）的收益。 ### 二、策略整体运行流程（按时间/触发逻辑拆解） 策略基于聚宽（JoinQuant）平台的定时任务驱动，整体流程遵循「初始化→每日预处理→周度核心调仓→日内风控→收盘复盘」的闭环，具体如下： #### 1. 初始化阶段（策略启动时仅执行1次：`initialize(context)`） 作用：配置基础规则、初始化全局变量、加载模型，为后续运行铺底。 ```python # 核心初始化内容（对应代码逻辑） 1. 交易规则配置： - 基准：沪深300指数（000300.XSHG） - 真实价格交易、防未来函数、滑点0、交易成本（印花税0.1%、佣金0.03%等） 2. 全局变量初始化： - g.stock_num=10（目标持仓10只）、g.hold_list（当前持仓）、g.yesterday_HL_list（昨日涨停持仓股）等 3. 模型加载： - 加载预训练的Transformer模型（model_Transformer300 (0.3).pt） - 初始化MinMaxScaler（用于特征归一化） 4. 定时任务注册： - 9:05每日执行：prepare_stock_list（持仓/涨停股预处理） - 每周一9:30执行：weekly_adjustment（周度核心调仓） - 14:00每日执行：check_limit_up（涨停股日内风控） - 15:10每日执行：print_position_info（收盘复盘） ``` #### 2. 每日预处理（9:05触发：`prepare_stock_list(context)`） 作用：开盘前更新关键持仓信息，为当日风控/调仓做准备。 ```python # 核心逻辑 1. 更新当前持仓列表：g.hold_list = 账户实际持仓的股票代码列表 2. 筛选昨日涨停的持仓股： - 调取持仓股昨日的收盘价、涨停价数据 - 若收盘价=涨停价，加入g.yesterday_HL_list（后续风控监控） ``` #### 3. 周度核心调仓（每周一9:30触发：`weekly_adjustment(context)`） 这是策略的**核心环节**，完整流程为「选股→卖旧→买新」，具体拆解： ##### 步骤1：选股（调用`get_stock_list(context)`） 基于Transformer模型对沪深300成分股打分，筛选前10只高分股： ```python # 选股子流程 1. 基础池：获取沪深300最新成分股（按调仓日的前一日数据） 2. 高风险过滤（四层过滤，与训练数据一致）： - 板块过滤：剔除科创板（68开头）、北交所（4/8开头） - 风险过滤：剔除ST/*ST/退市股（名称含ST/*/退） - 流动性过滤：剔除停牌股 - 次新过滤：剔除上市不满375天的股票 3. 模型打分（核心）： - 逐股提取过去60天日度K线特征（open/close/high/low/volume/money） - 数据校验：剔除60天数据缺失/成交量< 1000万的股票 - 特征归一化：MinMaxScaler逐股、逐特征归一化到[0,1] - Transformer预测：将60天序列特征输入模型，输出单值score（代表未来表现预期） 4. 最终选股：按score降序排序，取前10只股票作为目标持仓 ``` ##### 步骤2：卖出非目标股票 ```python # 卖出逻辑 1. 遍历当前持仓（g.hold_list）： - 若股票不在目标列表 + 非昨日涨停股（g.yesterday_HL_list），执行卖出 - 保留昨日涨停股（避免涨停日卖出错失后续收益） ``` ##### 步骤3：买入新目标股票（平均分配资金） ```python # 买入逻辑 1. 筛选需买入的股票：目标列表中未持仓的股票（need_buy） 2. 资金分配：可用现金 ÷ 需买入数量 = 单只股票分配金额（cash_per_stock） 3. 逐股买入： - 校验：停牌股跳过 - 交易规则： ✅ 科创板（68开头）：限价单（当前价×1.02 或 涨停价，取低值） ✅ 非科创板：市价单 ✅ 最低1手限制：若分配金额< 1手（100股×当前价），跳过买入 ``` #### 4. 日内风控（14:00触发：`check_limit_up(context)`） 作用：监控昨日涨停的持仓股，控制短期波动风险。 ```python # 风控逻辑 1. 批量调取g.yesterday_HL_list中股票的实时价格、涨停价 2. 若某股票实时收盘价 < 涨停价（涨停打开）： - 执行卖出操作 - 从g.yesterday_HL_list中移除该股票 ``` #### 5. 收盘复盘（15:10触发：`print_position_info(context)`） 作用：输出当日持仓信息，便于监控和回测分析。 ```python # 输出内容 1. 账户整体信息：总资产、现金、现金比例、持仓数量 2. 持仓明细：每只股票的代码/名称/持仓成本/当前价格/收益率/持仓权重 ``` ### 三、策略核心逻辑补充说明 #### 1. Transformer模型的作用逻辑 - 输入：60天×6维时间序列特征（结构化K线数据） - 模型处理：通过位置编码注入时间信息→3层Transformer编码器捕捉长程依赖→最后一个时间步输出映射为score - 输出：score越高，模型预测该股票未来短期收益率越高，选股优先级越高 #### 2. 风险控制设计（多层防护） | 风控维度 | 具体规则 | 目的 | |----------------|-----------------------------------|--------------------------| | 选股前过滤 | 剔除ST/停牌/次新/科创板股票 | 规避基本面/流动性风险 | | 调仓时保留 | 昨日涨停股暂不卖出 | 避免涨停日卖出错失收益 | | 日内监控 | 涨停打开即卖出 | 控制涨停板炸板的回撤风险 | | 交易规则 | 滑点0、固定交易成本、1手限制 | 贴近实盘，避免无效交易 | #### 3. 仓位管理逻辑 - 目标持仓：固定10只股票（分散持仓，降低单股风险） - 资金分配：买入时平均分配现金（保证单股持仓权重接近10%） - 调仓频率：周度调仓（平衡收益和交易成本，避免过度交易） ### 四、策略运行的关键特点 1. **时间序列驱动**：核心依赖60天K线序列特征，Transformer模型适配时间序列的长程依赖捕捉； 2. **数据一致性**：训练/选股/调仓的过滤规则完全统一（如均剔除科创板/次新股），避免数据分布偏移； 3. **交易规则贴近实盘**：区分科创板限价单、最低1手限制、交易成本/滑点配置，还原真实交易场景； 4. **监控闭环**：每日预处理→周度调仓→日内风控→收盘复盘，全流程可监控、可追溯。 ### 五、总结 该策略的本质是「**时间序列预测+量化选股+风控闭环**」的组合：以Transformer模型为核心选股工具，通过周度调仓实现持仓优化，以多层风控规则控制风险，最终追求稳定超越沪深300的收益。整个流程的核心是「模型打分定选股优先级，资金平均分配控仓位，日内风控控波动」。