这个策略是对这篇论文模型和思路的一个复现实验。 ### 一、策略整体定位与核心逻辑 该策略是**基于FNIRVAR模型的微盘股量化选股策略**，核心逻辑是：利用FNIRVAR模型对高维金融面板数据（股票财务、行业、市值等特征）进行因子分解和网络结构建模，预测股票的“合理市值”，筛选出“实际市值 < 预测市值”（被低估）的微盘股；同时加入防御模式、多维度风险过滤（新股、ST、涨跌停等），控制交易风险，通过定时调仓获取超额收益。 策略的核心创新是复现了FNIRVAR（Factor-driven Network Informed Restricted VAR，因子驱动网络信息限制向量自回归）模型的核心算法，并适配A股市场的微盘股选股场景，解决了高维金融数据建模中的“维度灾难”和“网络结构未知”问题。 ### 二、FNIRVAR模型的论文复现（核心重点） #### 1. 论文中FNIRVAR模型的核心理论 FNIRVAR是专为高维金融时间序列设计的建模框架，核心解决“高维VAR模型参数过多、难以估计”的问题，其核心逻辑是： - **分解高维数据**：将股票面板数据$X_t$分解为「共同因子成分」（捕获全市场/行业共同波动）和「特异性成分」（个股独有的波动）：$X_t = \Lambda F_t + \xi_t$； - **网络结构建模**：对特异性成分$\xi_t$通过“谱聚类+随机块模型”识别股票的“社区网络”（同社区股票具有相似波动特征）； - **受限VAR估计**：基于社区网络对VAR模型施加约束（仅同社区股票间有滞后影响），大幅减少待估参数，提升模型稳定性。 #### 2. 代码中FNIRVAR模型的复现实现（`FNIRVARModel`类） 代码严格复现了论文的四大核心步骤，并针对A股数据的噪声/缺失问题做了鲁棒性修复： | 论文核心步骤 | 代码对应方法 | 实现细节 & 修复点 | |--------------|--------------|-------------------| | **步骤1：因子估计（PCA分解）** | `_estimate_factors` | 1. 对3维面板数据（时间步×股票数×指标数）标准化后，用PCA提取`r`个共同因子，得到因子$F_t$和载荷矩阵$\Lambda$；< br>2. 计算特异性成分$\xi_t = X_t - \Lambda F_t$；< br>3. 修复：加入“显著因子筛选”（按方差解释比过滤），避免无效因子；< br>4. 适配：将高维面板数据重塑为2维（T×N, M），适配PCA输入格式。 | | **步骤2：谱聚类（识别社区网络）** | `_estimate_spectral_clustering` | 1. 对特异性成分计算「鲁棒协方差矩阵」（Ledoit-Wolf估计，比普通协方差更抗噪声）；< br>2. 对协方差矩阵做特征值分解，提取前`K`个特征向量作为“谱嵌入”；< br>3. 用KMeans/GMM/谱聚类对谱嵌入分组，得到股票的“社区标签”；< br>4. 修复：协方差分解失败时用随机矩阵兜底，避免程序崩溃。 | | **步骤3：构建邻接矩阵（网络结构）** | `_build_adjacency_matrix` | 1. 基于社区标签构建邻接矩阵：同社区股票间权重为1，不同社区为0，对角线（自连接）为0；< br>2. 存储社区标签和邻接矩阵，为后续VAR约束做准备。 | | **步骤4：受限VAR估计（核心约束）** | `_estimate_restricted_var` | 1. 对每个股票，仅保留「同社区股票」的滞后项作为VAR模型的解释变量（核心约束，对应论文的“网络信息限制”）；< br>2. 用OLS估计每个股票的VAR系数；< br>3. 关键修复（解决索引越界）：< br> - 过滤超出股票数量范围的社区成员索引；< br> - 校验时间步索引（避免`t-lag < 0`）；< br> - 样本量不足时兜底（仅用自身滞后项）；< br>4. 适配：对特异性成分展平（取核心指标维度），降低计算复杂度。 | | **模型拟合&预测** | `fit`/`predict` | 1. `fit`：串联上述4步，完成模型训练；< br>2. `predict`：结合因子成分和特异性成分的VAR预测，输出股票的“预测市值”；< br>3. 修复：预测值强制匹配目标股票数量（补0/截断），避免维度不匹配。 | #### 3. 模型适配A股的关键调整 论文中的FNIRVAR是通用框架，代码针对A股做了3个核心适配： - **数据维度适配**：将论文的“收益率数据”替换为A股股票的财务/行业/市值特征（log市值、净资产、杠杆率、研发费用等），更贴合选股场景； - **鲁棒性增强**：加入大量兜底逻辑（如协方差分解失败、样本量不足、数据缺失时的替代方案），解决A股数据噪声多、缺失值多的问题； - **索引修复**：针对A股股票数量动态变化的特点，修复了“社区成员索引越界”“时间步索引越界”等工程问题，确保模型稳定运行。 ### 三、策略运行全流程 策略基于聚宽（jqdata）平台运行，核心流程为「初始化→每日预处理→核心交易→风险监控→持仓打印」，具体如下： #### 1. 初始化阶段（`initialize`） - 配置回测参数：基准（中小综指399101）、交易成本、滑点、真实价格等； - 定义全局变量：调仓频率、持仓数量、防御模式标记等； - 调度每日任务： - 9:05：预处理股票列表（持仓/涨停股）； - 盘中：执行核心交易逻辑； - 14:00：检查涨停股票（打开则卖出）； - 15:10：打印持仓信息。 #### 2. 每日预处理（`prepare_stock_list`） - 更新当前持仓列表`g.hold_list`； - 识别昨日涨停的持仓股票`g.yesterday_HL_list`（用于后续风控：涨停打开则卖出）。 #### 3. 核心交易逻辑（`trade`） 这是策略的核心，按“防御模式判断→定时调仓→选股→建模→调仓执行”分步执行： ##### （1）防御模式切换 - 若当前月份在`defensive_months`（1/4月），进入防御模式：卖出所有股票，等权重买入黄金/港股/科创ETF； - 若退出防御月份，卖出ETF，恢复股票交易； - 目的：规避特定月份的市场风险（如年报季、季报季的波动）。 ##### （2）定时调仓（每10天一次） 仅当`g.days % refresh_rate == 0`时触发调仓，核心步骤： | 调仓步骤 | 具体操作 | 目的 | |----------|----------|------| | 步骤1：构建选股池 | 1. 优先取中小综指成分股，失败则取全市场A股；< br>2. 多维度过滤：新股（上市≥180天）、科创板/北交所、ST/退市、停牌股；< br>3. 兜底：过滤后无股票则扩大范围（新股过滤放宽至90天）。 | 筛选有流动性、无重大风险的股票池 | | 步骤2：筛选微盘股 | 1. 用`get_stock_market_cap`（修复后的市值函数）获取股票市值；< br>2. 按市值升序排序，取前50只微盘股；< br>3. 校验：数量≥持仓数（10只），否则跳过调仓。 | 聚焦微盘股（高弹性、易被低估） | | 步骤3：获取面板数据 | 提取微盘股的「财务+行业特征」面板数据（回溯60天），维度为[时间步×股票数×指标数]。 | 为FNIRVAR模型提供输入数据 | | 步骤4：FNIRVAR建模预测 | 1. 初始化模型（因子数5、社区数3、VAR阶数1）；< br>2. 拟合面板数据，输出每只股票的“预测市值”。 | 得到股票的“合理市值”参考值 | | 步骤5：筛选被低估股票 | 1. 计算因子值：实际市值 - 预测市值（值越大，越被低估）；< br>2. 按因子值降序排序，取前10只；< br>3. 过滤涨跌停股票（避免无法成交）。 | 筛选核心持仓标的 | | 步骤6：调仓执行 | 1. 卖出：不在目标列表且非昨日涨停的持仓股票；< br>2. 买入：目标列表中未持仓的股票，等权重分配现金；< br>3. 控制：最小交易单位（100股）、现金不足时兜底。 | 完成持仓更新 | #### 4. 风险监控（`check_limit_up`） - 14:00检查昨日涨停的持仓股票； - 若涨停打开（当前价 < 涨停价），立即卖出；若仍涨停，继续持有； - 目的：锁定涨停收益，避免涨停打开后的回调风险。 #### 5. 持仓打印（`print_position_info`） - 打印当日成交记录、账户总资产、可用现金； - 打印持仓详情（股票代码、持仓量、成本、现价、收益率）； - 目的：监控策略运行状态，排查异常。 ### 四、策略的风险控制设计 除了核心的FNIRVAR建模，策略还加入了多层风控： 1. **股票过滤层**：新股、ST、停牌、涨跌停、科创板/北交所过滤，避免流动性/退市风险； 2. **交易执行层**：最小交易单位控制、现金不足时兜底，避免无效委托； 3. **市场择时层**：防御模式切换，规避特定月份的市场风险； 4. **持仓风控层**：涨停打开即卖出，锁定收益； 5. **模型鲁棒层**：FNIRVAR模型的兜底逻辑（数据缺失/分解失败时的替代方案），避免模型崩溃。 ### 五、策略的核心亮点与局限性 #### 亮点 1. **模型创新**：复现FNIRVAR模型并适配A股，解决高维微盘股数据建模的“维度灾难”； 2. **风控完善**：多维度过滤+防御模式+涨停监控，平衡收益与风险； 3. **工程鲁棒**：大量修复和兜底逻辑，适配A股数据噪声多、缺失值多的特点。 #### 局限性 1. **微盘股流动性**：微盘股可能存在成交不活跃的问题，实际交易中滑点可能高于回测； 2. **模型参数敏感**：FNIRVAR的因子数`r`、社区数`K`、VAR阶数`p`需针对市场调整，参数固定可能导致过拟合； 3. **防御模式主观**：防御月份（1/4月）为经验值，需结合市场环境调整。 ### 总结 该策略的核心是“FNIRVAR模型+微盘股选股+多层风控”：通过FNIRVAR模型挖掘微盘股的估值偏差，通过多维度过滤和防御模式控制风险，最终实现微盘股的超额收益。代码的核心价值在于**完整复现了FNIRVAR模型的理论逻辑，并针对A股市场做了工程化适配和鲁棒性增强**，是高维金融时间序列模型落地的典型案例。