【新一配】量化大师系列之价值投资选股策略

国外证券市场比较悠久，曾出现过本杰明·格雷厄姆、彼得·林奇、詹姆斯·奥肖内西、查尔斯·布兰德斯等多位投资大师，这些投资大师有一个共同点，他们在证券市场上保持了常年的稳定持续盈利，他们的投资法则及选股标准在一些著作中有详细的描述。值得欣慰的是，申万宏源证券研究所发布了<申万宏源-申万大师系列价值投资篇> 296系列第一季共20篇研究报告。学习这些报告主要有两个目的：

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
我们测试了15年到19年4月这长达约4年半的时间，发现策略盈利比较稳健，收益曲线如下

整体来看，该策略是正收益系统策略，长期坚持该策略收益是不错的，除了18年量化小年没有盈利，其他年份都是盈利的，即使跨越了股灾和熔断期间，最大回撤也是在17.5%以内，风险可控。

是不是发现我们平台很方便开发策略？之前朋友问我，为什么Python运行速度不是最快但会成为量化的主流语言。其实对于量化研究人员来说，虽然速度是一方面考虑，但更多的是为了验证策略思想，Python语言的优势就是在此，有一个思想就可以很快的将思想验证，然而C++虽然速度快，但要验证一个简单的思想却要编写大量的代码。好比为什么飞机速度快，但市里面上班开汽车就足够了（不考虑其他因素），因为汽车足够灵活。所以，还在犹豫选择什么语言从事量化投资的小伙伴们，Python就是你比较好的选择。本文到此就要结束了，策略的完整代码分享在文末，小伙伴们赶紧克隆策略吧！

1

# 本代码由可视化策略环境自动生成 2019年4月24日 10:55
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。# 回测引擎：每日数据处理函数，每天执行一次
def m2_handle_data_bigquant_run(context, data):# 按每个K线递增context.extension['index']  += 1# 每隔22个交易日进行换仓if context.extension['index'] % context.rebalance_days != 0:return # 日期date = data.current_dt.strftime('%Y-%m-%d')print('debug:', date)# 买入股票列表stock_to_buy = context.indicator_data.ix[date]['instrument'][:context.stock_num]# 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)# 如果当天没有买入就返回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)
# 回测引擎：准备数据，只执行一次
def m2_prepare_bigquant_run(context):pass# 回测引擎：初始化函数，只执行一次
def m2_initialize_bigquant_run(context):# 加载股票指标数据,数据继承自m4模块context.indicator_data = context.options['data'].read_df().set_index('date')print('indicator_data:', context.indicator_data.head()) # 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))# 设置股票数量context.stock_num = 30# 调仓天数,22个交易日大概就是一个月。可以理解为一个月换仓一次context.rebalance_days = 22# 如果策略运行中，需要将数据进行保存，可以借用extension这个对象，类型为dict# 比如当前运行的k线的索引，比如个股持仓天数、买入均价if 'index' not in context.extension:context.extension['index'] = 0# 回测引擎：每个单位时间开始前调用一次，即每日开盘前调用一次。
def m2_before_trading_start_bigquant_run(context, data):passm3 = M.instruments.v2(start_date='2015-01-01',end_date='2019-04-23',market='CN_STOCK_A',instrument_list=''
)m5 = M.input_features.v1(features="""pb_lf_0
pe_ttm_0
amount_0"""
)m1 = M.general_feature_extractor.v7(instruments=m3.data,features=m5.data,start_date='',end_date='',before_start_days=90
)m6 = M.sort.v4(input_ds=m1.data,sort_by='pe_ttm_0,pb_lf_0',group_by='date',keep_columns='--',ascending=True
)m4 = M.filter.v3(input_data=m6.data_1,expr='pb_lf_0 < 1.5 & pe_ttm_0 < 15 & amount_0 > 0 & pb_lf_0 > 0 & pe_ttm_0 > 0',output_left_data=False
)m2 = M.trade.v4(instruments=m3.data,options_data=m4.data,start_date='',end_date='',handle_data=m2_handle_data_bigquant_run,prepare=m2_prepare_bigquant_run,initialize=m2_initialize_bigquant_run,before_trading_start=m2_before_trading_start_bigquant_run,volume_limit=0.025,order_price_field_buy='open',order_price_field_sell='open',capital_base=1000000,auto_cancel_non_tradable_orders=True,data_frequency='daily',price_type='后复权',product_type='股票',plot_charts=True,backtest_only=False,benchmark=''
)

2019-04-24 10:48:39.980907 INFO: bigquant: instruments.v2 开始运行.
2019-04-24 10:48:40.032075 INFO: bigquant: 命中缓
2019-04-24 10:48:40.034596 INFO: bigquant: instruments.v2 运行完成[0.053681s]
2019-04-24 10:48:40.038380 INFO: bigquant: input_features.v1 开始运行.
2019-04-24 10:48:40.114036 INFO: bigquant: 命中缓
2019-04-24 10:48:40.116472 INFO: bigquant: input_features.v1 运行完成[0.078071s]
2019-04-24 10:48:40.195208 INFO: bigquant: general_feature_extractor.v7 开始运行.
2019-04-24 10:48:40.270501 INFO: bigquant: 命中缓
2019-04-24 10:48:40.272913 INFO: bigquant: general_feature_extractor.v7 运行完成[0.077735s]
2019-04-24 10:48:40.277276 INFO: bigquant: sort.v4 开始运行.
2019-04-24 10:48:40.422079 INFO: bigquant: 命中缓
2019-04-24 10:48:40.424661 INFO: bigquant: sort.v4 运行完成[0.147373s]
2019-04-24 10:48:40.428316 INFO: bigquant: filter.v3 开始运行.
2019-04-24 10:48:40.464827 INFO: bigquant: 命中缓
2019-04-24 10:48:40.466871 INFO: bigquant: filter.v3 运行完成[0.038552s]
2019-04-24 10:48:40.533492 INFO: bigquant: backtest.v8 开始运行.
2019-04-24 10:48:40.537144 INFO: bigquant: biglearning backtest:V8.1.1
2019-04-24 10:48:40.539476 INFO: bigquant: product_type:stock by specifie
2019-04-24 10:49:03.114530 INFO: bigquant: 读取股票行情完成:391167
2019-04-24 10:49:52.601845 INFO: algo: TradingAlgorithm V1.4.1
2019-04-24 10:50:10.507090 INFO: algo: trading transform..
2019-04-24 10:50:43.460786 INFO: Performance: Simulated 1049 trading days out of 1049
2019-04-24 10:50:43.462706 INFO: Performance: first open: 2015-01-05 09:30:00+00:0
2019-04-24 10:50:43.464406 INFO: Performance: last close: 2019-04-23 15:00:00+00:0
2019-04-24 10:50:49.709015 INFO: bigquant: backtest.v8 运行完成[129.17551s]

indicator_data:                 amount_0  instrument   pb_lf_0  pe_ttm_0
date
2014-10-08  1.398725e+09  600000.SHA  0.840770  4.153471
2014-10-08  1.115449e+09  601166.SHA  0.893689  4.368097
2014-10-08  5.460992e+08  601668.SHA  0.822129  4.405653
2014-10-08  3.438451e+08  600015.SHA  0.831473  4.506142
2014-10-08  1.714654e+08  601988.SHA  0.778156  4.529399
debug: 2015-02-03
debug: 2015-03-12
debug: 2015-04-14
debug: 2015-05-15
debug: 2015-06-16
debug: 2015-07-17
debug: 2015-08-18
debug: 2015-09-21
debug: 2015-10-28
debug: 2015-11-27
debug: 2015-12-29
debug: 2016-01-29
debug: 2016-03-08
debug: 2016-04-08
debug: 2016-05-11
debug: 2016-06-14
debug: 2016-07-14
debug: 2016-08-15
debug: 2016-09-14
debug: 2016-10-25
debug: 2016-11-24
debug: 2016-12-26
debug: 2017-01-26
debug: 2017-03-06
debug: 2017-04-07
debug: 2017-05-10
debug: 2017-06-13
debug: 2017-07-13
debug: 2017-08-14
debug: 2017-09-13
debug: 2017-10-20
debug: 2017-11-21
debug: 2017-12-21
debug: 2018-01-23
debug: 2018-03-01
debug: 2018-04-02
debug: 2018-05-08
debug: 2018-06-07
debug: 2018-07-10
debug: 2018-08-09
debug: 2018-09-10
debug: 2018-10-18
debug: 2018-11-19
debug: 2018-12-19
debug: 2019-01-22
debug: 2019-02-28
debug: 2019-04-01

1
1

【新一配】量化大师系列之价值投资选股策略相关推荐

大师系列之价值投资选股策略
国外证券市场比较悠久,曾出现过本杰明·格雷厄姆.彼得·林奇.詹姆斯·奥肖内西.查尔斯·布兰德斯等多位投资大师,这些投资大师有一个共同点,他们在证券市场上保持了常年的稳定持续盈利,他们的投资法则及选股标 ...
区块链量化投资系列课程(4) - 动态平衡策略
阅读原文:区块链量化投资系列课程(4) - 动态平衡策略前言沃伦 · 巴菲特的导师本杰明 · 格雷厄姆曾经在<聪明的投资者>一书中,曾经提到过一种股票债券动态平衡的交易模式. 这种交易 ...
Python量化投资初探：自动化选股策略
最近股市可谓是冰火两重天,赛道股一路高歌,激流勇进,传统大白马却跌跌不休,淹没了不少韭菜. 热门赛道不断切换,小匠也是看得眼花缭乱,大A四千多家上市公司,很多之前听都没听过的股票,乘着赛道这股东风连续 ...
【量化金融】多因子选股策略
金融是我最头疼的科目,监督自己坚持学下去! 多因子选股策略理论多因子模型是应用最广泛的一种选股模型,基本原理是采用一系列的因子作为选股标准,满足这些因子的股票被买入,不满足的股票被卖出. 例如,当 ...
爬虫系列-雪球网选股策略爬取程序1.0
个人网站地址:http://www.enjoyown.com/spider-xueqiu/ 昨天领导安排我整理知名网站上的选股策略,整理了半天,全部手敲的,因为APP没办法复制文本,很蛋疼,今天闲下来 ...
大师系列之彼得•林基调选股法
原大师系列之彼得•林奇基层调查选股法前几期文章粗略讲了一套多因子选股策略的构建流程.这期,我们来研究下投资大师--彼得•林奇的选股策略. 彼得•林奇被称为全世界最成功的股票投资家和证券投资基金经理 ...
【基金量化研究系列】大类资产配置研究（二）——股债二八轮动策略
文章目录 1. 引言 2. 股债二八轮动策略 3. 动态再平衡股债二八轮动策略 4. 基于python的策略实现 4.1 策略代码 4.2. 运行结果实证分析 5. 总结写在最后 1. 引言在上一 ...
量化大师克里夫·阿斯内斯和他背后的AQR资本
华尔街公认的量化大师克里夫·阿斯内斯(Cliff Asness)曾是诺贝尔经济学奖得主--尤金法玛最得意的门生,此后年纪轻轻便在华尔街叱咤风云多年,他所创立的AQR资本管理公司亦被认为是全球最赚钱的量 ...
股票量化分析工具QTYX使用攻略系列——双底形态选股
前言自从股票量化分析工具QTYX新增双底形态选股功能以来,大家的反响一直很热烈.很多星球会员利用这个功能帮助自己抓到了大牛股. 确实,双底形态是由市场力量形成的,我们只需顺势而为即可,特别是大周期. ...

【新一配】量化大师系列之价值投资选股策略

【新一配】量化大师系列之价值投资选股策略相关推荐

最新文章

热门文章