Python量化交易——分享一个五年五倍收益，年化收益率44%的多因子选股交易策略！
Python量化交易，使用qteasy测试一个多因子选股交易策略
问题介绍
今天我们尝试利用qteasy来创建一个多因子选股交易策略，看看它能否给我们带来超额收益。
qteasy是本人正在开发的一个快速量化交易工具包，完全免费使用。利用这个工具包，可以快速灵活地生成各种量化交易策略，生成历史数据并回测策略的表现，有针对性地优化策略的性能；还能模拟实盘自动化交易；不仅如此，qteasy还内嵌了tushare，可以快速建立一个本地数据仓库，实现大量金融数据的快速下载、清洗、存储和快速调用。qteasy目前最新版本为v1.0.20，并且正在不断迭代中，最新版本可以通过pip安装。
python -m pip install qteasy
要获取更多信息，请访问Github项目地址或项目文档
策略思想
本策略每隔1个月定时触发,根据Fama-French三因子模型对每只股票进行回归，得到其alpha值。 假设Fama-French三因子模型可以完全解释市场，则alpha为负表明市场低估该股，因此应该买入。计算市场收益率、个股的账面市值比和市值,并对后两个进行了分类, 根据分类得到的组合分别计算其市值加权收益率、SMB和HML. 对各个股票进行回归(假设无风险收益率等于0)得到alpha值.
策略的实现
在另外两篇介绍交易策略的文章中，我们仅仅使用了qteasy的内置交易策略，但是，上面的交易策略属于复杂策略，无法通过简单的内置交易策略实现，也无法通过将多个内置策略复合起来实现，因此，我们必须用到qteasy的自定义交易策略功能，才能实现。
import qteasy as qt
qt.__version__
使用qteasy自定义交易策略
qteasy提供了三种不同的策略类，便于用户针对不同的情况创建自定义策略。
GeneralStg: 通用交易策略类，适用于最普遍的情形FactorSorter: 因子选股类，用户只需要定义出选股因子，便可以通过对象属性实现多种选股动作RuleIterator: 循环规则类，用户只要针对一支股票定义选股或择时规则，则同样的规则会被循环作用于所有的股票，而且不同股票可以定义不同的参数
qteasy中的策略自定义非常简单，只需要重写两个方法即可：
__init__()在此方法中定义策略的运行参数，包括运行的频率、视窗长度、使用的数据类型、可调参数数量类型等realize()在此方法中定义策略的运行逻辑：根据数据生成交易信号
在这个例子中，我们使用
import qteasy as qt
import numpy as np
def market_value_weighted(stock_return, mv, mv_cat, bp_cat, mv_target, bp_target):
""" 根据mv_target和bp_target计算市值加权收益率，在策略中调用此函数计算加权收益率
"""
sel = (mv_cat == mv_target) & (bp_cat == bp_target)
mv_total = np.nansum(mv[sel])
mv_weight = mv / mv_total
return_total = np.nansum(stock_return[sel] * mv_weight[sel])
return return_total
class MultiFactors(qt.FactorSorter):
""" 开始定义交易策略
"""
def __init__(self, pars: tuple = (0.5, 0.3, 0.7)):
"""交易策略的初始化参数"""
super().__init__(
pars=pars,
par_count=3, # 策略的可调参数有三个
par_types=['float', 'float', 'float'], # 参数1:大小市值分类界限，参数2:小/中bp分界线，参数3，中/大bp分界线
par_range=[(0.01, 0.99), (0.01, 0.49), (0.50, 0.99)],
name='MultiFactor',
description='根据Fama-French三因子回归模型估算HS300成分股的alpha值选股',
strategy_run_timing='close', # 在周期结束（收盘）时运行
strategy_run_freq='m', # 每月执行一次选股（每周或每天都可以）
strategy_data_types='pb, total_mv, close', # 执行选股需要用到的股票数据
data_freq='d', # 数据频率（包括股票数据和参考数据）
window_length=20, # 回测时的视窗长度为20天
use_latest_data_cycle=True, # 设置使用最新的数据
reference_data_types='close-000300.SH', # 选股需要用到市场收益率，使用沪深300指数的收盘价计算，因此设置HS300指数的收盘价作为参考数据传入
max_sel_count=10, # 最多选出10支股票
sort_ascending=True, # 选择因子最小的股票
condition='less', # 仅选择因子小于某个值的股票
lbound=0, # 仅选择因子小于0的股票
ubound=0, # 仅选择因子小于0的股票
)
def realize(self, h, r=None, t=None, pars=None):
""" 策略的选股逻辑在realize()函数中定义
"""
size_gate_percentile, bp_small_percentile, bp_large_percentile = self.pars
# 读取投资组合的数据PB和total_MV的最新值
pb = h[:, -1, 0] # 当前所有股票的PB值
mv = h[:, -1, 1] # 当前所有股票的市值
pre_close = h[:, -2, 2] # 当前所有股票的前收盘价
close = h[:, -1, 2] # 当前所有股票的最新收盘价
# 读取参考数据(r)
market_pre_close = r[-2, 0] # HS300的昨收价
market_close = r[-1, 0] # HS300的收盘价
# 计算账面市值比，为pb的倒数
bp = pb ** -1
# 计算市值的50%的分位点,用于后面的分类
size_gate = np.nanquantile(mv, size_gate_percentile)
# 计算账面市值比的30%和70%分位点,用于后面的分类
bm_30_gate = np.nanquantile(bp, bp_small_percentile)
bm_70_gate = np.nanquantile(bp, bp_large_percentile)
# 计算每只股票的当日收益率
stock_return = pre_close / close - 1
# 根据每只股票的账面市值比和市值，给它们分配bp分类和mv分类
# 市值小于size_gate的cat为1，否则为2
mv_cat = np.ones_like(mv)
mv_cat += (mv > size_gate).astype('float')
# bp小于30%的cat为1，30%～70%之间为2，大于70%为3
bp_cat = np.ones_like(bp)
bp_cat += (bp > bm_30_gate).astype('float')
bp_cat += (bp > bm_70_gate).astype('float')
# 获取小市值组合的市值加权组合收益率
smb_s = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) +
market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 2) +
market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3)) / 3
# 获取大市值组合的市值加权组合收益率
smb_b = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1) +
market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 2) +
market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 3
smb = smb_s - smb_b
# 获取大账面市值比组合的市值加权组合收益率
hml_b = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 3) +
market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 3)) / 2
# 获取小账面市值比组合的市值加权组合收益率
hml_s = (market_value_weighted(stock_return, mv, mv_cat, bp_cat, 1, 1) +
market_value_weighted(stock_return, mv, mv_cat, bp_cat, 2, 1)) / 2
hml = hml_b - hml_s
# 计算市场收益率
market_return = market_pre_close / market_close - 1
coff_pool = []
# 对每只股票进行回归获取其alpha值
for rtn in stock_return:
x = np.array([[market_return, smb, hml, 1.0]])
y = np.array([[rtn]])
# OLS估计系数
coff = np.linalg.lstsq(x, y)[0][3][0]
coff_pool.append(coff)
# 以alpha值为股票组合的选股因子执行选股
factors = np.array(coff_pool)
return factors
策略和回测参数配置，并开始回测
定义好上面的策略之后，就可以开始进行回测了，我们需要在qteasy中创建一个交易员对象，操作前面创建的策略：
shares = qt.filter_stock_codes(index='000300.SH', date='20190501') # 选择股票池，包括2019年5月以来所有沪深300指数成分股
# 设置回测的运行参数
qt.config(mode=1, # mode=1表示回测模式
invest_start='20160405', # 回测开始日期
invest_end='20210201', # 回测结束日期
asset_type='E', # 投资品种为股票
asset_pool=shares, # shares包含同期沪深300指数的成份股
trade_batch_size=100, # 买入批量为100股
sell_batch_size=1, # 卖出批量为整数股
trade_log=True, # 生成交易记录
)
# 开始策略的回测
alpha = MultiFactors() # 生成一个交易策略的实例，名为alpha
op = qt.Operator(alpha, signal_type='PT') # 生成交易员对象，操作alpha策略，交易信号的类型为‘PT'，意思是生成的信号代表持仓比例，例如1代表100%持有股票，0.35表示持有股票占资产的35%
op.op_type = 'stepwise' # 运行模式为步进模式
op.set_blender('1.0*s0', "close") # 交易策略混合方式，只有一个策略，不需要混合
op.run() # 开始运行
回测结果解读
回测的结果如下：
回测时间四年十个月，资产总额从10万元增长到58万余元，增长接近500%，年化收益达到了44%。而同期沪深300指数只增长了65%。效果非常好
====================================
| |
| BACK TESTING RESULT |
| |
====================================
qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 0.0 ms
time consumption for operation back looping: 16 sec 662.3 ms
investment starts on 2016-04-05 00:00:00
ends on 2021-02-01 00:00:00
Total looped periods: 4.8 years.
-------------operation summary:------------
Only non-empty shares are displayed, call
"loop_result["oper_count"]" for complete operation summary
Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000063.SZ 2 2 4 3.4% 0.0% 96.6%
000100.SZ 3 3 6 5.2% 0.0% 94.8%
000157.SZ 1 1 2 1.8% 0.0% 98.2%
000333.SZ 2 2 4 3.4% 0.0% 96.6%
000338.SZ 1 1 2 1.7% 0.0% 98.3%
000413.SZ 2 2 4 3.6% 0.0% 96.4%
000596.SZ 1 1 2 1.8% 0.0% 98.2%
000625.SZ 3 3 6 5.3% 0.0% 94.7%
000629.SZ 1 1 2 1.7% 0.0% 98.3%
000651.SZ 1 1 2 1.7% 0.0% 98.3%
... ... ... ... ... ... ...
688005.SH 1 2 3 3.3% 0.0% 96.7%
000733.SZ 1 1 2 1.8% 0.0% 98.2%
002180.SZ 1 1 2 1.7% 0.0% 98.3%
600039.SH 1 1 2 1.7% 0.0% 98.3%
600803.SH 1 1 2 1.7% 0.0% 98.3%
601615.SH 1 1 2 1.8% 0.0% 98.2%
000983.SZ 2 2 4 3.3% 0.0% 96.7%
600732.SH 3 4 7 6.7% 0.0% 93.3%
600754.SH 1 1 2 1.8% 0.0% 98.2%
601699.SH 1 1 2 1.7% 0.0% 98.3%
Total operation fee: ¥ 7,063.30
total investment amount: ¥ 100,000.00
final value: ¥ 584,928.02
Total return: 484.93%
Avg Yearly return: 44.15%
Skewness: -0.14
Kurtosis: 2.77
Benchmark return: 65.96%
Benchmark Yearly return: 11.06%
------strategy loop_results indicators------
alpha: 0.428
Beta: 0.371
Sharp ratio: 1.376
Info ratio: 0.076
250 day volatility: 0.287
Max drawdown: 35.84%
peak / valley: 2018-06-12 / 2019-01-02
recovered on: 2019-03-05
===========END OF REPORT=============
