多因子选股的策略实现（附：源码）

经过前两篇文章，我们把多因子选股策略三大步骤：因子的选取，检验，冗余因子剔除等介绍了一遍，接下来这一篇将利用已经得到的结论，完成最后一步，策略的实现。

我们根据前两篇文章的内容，我们选取以下因子来构建策略：TAGRT，ROEANNUAL，SHTLIABTOTLIABRT，PB

其因子的有效性图如下，股票池为“IT指数”成分股。

策略构建：

基本思路：我们按照一定排列规则，将所有股票排序，并选取排名最前或最后的股票，买入，每月换仓一次。

排列规则：

由上面几张图可以看出，四种因子都具有正向性（因子值越大，股票收益越大），我们的想法是将这四种因子加和，值越大的，说明股票预期收益越高。当然，我们需要先将数据标准化

我们有两种加和方案：

1.等权值加和，我们用K表示每个因子权值，V表示每个因子的值。

即：SCORE=KV1+KV2+…KVN

2.非等权加和，我们用K表示每个因子权值，V表示每个因子的值。

即：SCORE=K1V1+K2V2+…KNVN

我们根据每种因子的收益波动率（数据来源于《多因子选股之有效因子》），确定每种因子权值。

如下表：

回测参数声明：

时间：2018-01-01至2018-08-01

调仓频率：1月

基准指数：IT指数（SZSE.399239）

股票池：IT指数（SZSE.399239）成分股

滑点：0.0001

手续费：0.0001

以下是两种方案的回测对比

第一种加和方案

第二种加和方案

总结：

我们基于17年的历史数据，选出了四种因子来构建多因子策略，在排序规则中，我们分别讨论了两种方案，并分别测试。可以看出，每种方案都跑赢了基准，这说明我们的因子是有效的。方案二的收益率大于方案一的，说明加入波动率因素，会使股票的选取更加“准确”，更容易选出具有超额收益的股票，但这要牺牲一定的收益稳定性。

附：多因子选股的策略实现源码

# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *
from sklearn import preprocessing'''
策略思路：
我们按照一定排列规则，将所有股票排序，并选取排名最前或最后的股票，买入，每月换仓一次。
回测数据:SZSE.399239的成份股
回测时间:2018-01-01 08:00:00到2018-08-01 16:00:00
'''def init(context):# 每月第一个交易日的09:40 定时执行algo任务schedule(schedule_func=algo, date_rule='1m', time_rule='09:40:00')def algo(context):# 获取上一个交易日的日期last_day = get_previous_trading_date(exchange='SHSE', date=context.now)# 获取沪深300成份股context.stock300 = get_history_constituents(index='SZSE.399239', start_date=last_day,end_date=last_day)[0]['constituents'].keys()# 获取当天有交易的股票not_suspended = get_history_instruments(symbols=context.stock300, start_date=last_day, end_date=last_day)not_suspended = [item['symbol'] for item in not_suspended if not item['is_suspended']]fin = get_fundamentals(table='deriv_finance_indicator', symbols=not_suspended, start_date=last_day, end_date=last_day,fields='TAGRT,ROEANNUAL,SHTLIABTOTLIABRT', df=True)fin['PB'] = get_fundamentals(table='trading_derivative_indicator', symbols=not_suspended, start_date=last_day,end_date=last_day,fields='PB', df=True)['PB']fin.index=fin.symboldel fin['symbol'],fin['pub_date'],fin['end_date']fin=fin.fillna(0)data=preprocessing.scale(fin)score=[]for i in data:#score.append(5.96*i[0]+3.36*i[1]+5.03*i[2]+3*i[3])score.append(sum(i))fin['score'] =scorefin=fin.sort_values(by = 'score',axis = 0,ascending = True)symbols_pool=list(fin.tail(10).index)print(symbols_pool)order_close_all()# 获取股票的权重percent = 1 / len(symbols_pool)# 买在标的池中的股票for symbol in symbols_pool:order_target_percent(symbol=symbol, percent=percent, order_type=OrderType_Market,position_side=PositionSide_Long)print(symbol, '以市价单调多仓到仓位', percent)if __name__ == '__main__':'''strategy_id策略ID,由系统生成filename文件名,请与本文件名保持一致mode实时模式:MODE_LIVE回测模式:MODE_BACKTESTtoken绑定计算机的ID,可在系统设置-密钥管理中生成backtest_start_time回测开始时间backtest_end_time回测结束时间backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POSTbacktest_initial_cash回测初始资金backtest_commission_ratio回测佣金比例backtest_slippage_ratio回测滑点比例'''run(strategy_id='73bb5bf2-a536-11e8-bd52-9cd21ef04ea9',filename='多因子策略.py',mode=MODE_BACKTEST,token='c395247a76e8a5caeee699d668d6f550213bc418',backtest_start_time='2018-01-01 08:00:00',backtest_end_time='2018-08-01 16:00:00',backtest_adjust=ADJUST_PREV,backtest_initial_cash=10000000,backtest_commission_ratio=0.0001,backtest_slippage_ratio=0.0001)

来源：掘金量化作者：宋瑞笛

推荐阅读：

学习Python量化有哪些书籍？这里有一份书单送给你

量化交易领域最重要的10本参考书推荐！

配对交易—这个股票策略曾年赚5000万美元

一个量化策略师的自白（好文强烈推荐）

网格交易法，一个不容易亏钱的投资策略（附源码）

市面上经典的量化交易策略都在这里了！（源码）