主動量化選股策略（Python版）

主動量化選股策略（Python版）該策略基于交易活躍度、長短期回報比、排名變化以及波動性變化，訓練StockRanker模型，并選擇排名前十的股票進行日頻調(diào)倉。策略介紹交易活躍度：通常是指個股的成交量、成交金額等指標，可以反映市場投資者對該股票的關(guān)注度和交易意愿。長短期回報比：衡量股票一段時間內(nèi)的收益表現(xiàn)，可作為股票未來走勢的預期指標。排名變化：基于各類指標對股票進行排名，并觀察排名的變化情況，這可以幫助我們捕捉到市場情緒的轉(zhuǎn)變和個股的表現(xiàn)差異。波動性變化：波動性常用于衡量股票價格變動的劇烈程度，可以在一定程度上反映市場的風險情況。策略背景股票市場中不同行情、不同時間段股票的表現(xiàn)不盡相同?；诓煌蜃拥牧炕呗钥梢詭椭顿Y者在不同的市場環(huán)境中尋找表現(xiàn)較好的股票，并通過定期調(diào)倉來優(yōu)化持倉組合，從而提高投資收益并控制風險。運用MachineLearning技術(shù)如StockRanker，可以更加精準地評估和篩選股票。該策略應屬于主動量化選股策略，通過多因子模型結(jié)合機器學習技術(shù)，根據(jù)股票的短期表現(xiàn)進行頻繁調(diào)倉。持倉市值大?。簝A向選取活躍度高的股票（市值可能偏大，但也有小市值股票活躍度高）。凈利潤增速：可能會選取盈利情況較好的股票，但重點在于短期表現(xiàn)，凈利潤增速不是決定性因素。市盈率、市凈率水平：不作為主要因子。ROA或ROE表現(xiàn)：這些財務指標可能會作為模型的次要考量指標，但主要依賴短期波動性和交易情況。策略風險由于本策略頻繁調(diào)倉，高度依賴市場短期表現(xiàn)，一旦市場整體波動較大或發(fā)生黑天鵝事件，策略表現(xiàn)可能會受到顯著影響。由于持倉集中在排名前十的股票，個別股票的負面事件（如業(yè)績爆雷、重大訴訟等）可能會對策略的表現(xiàn)產(chǎn)生較大影響。頻繁調(diào)倉可能導致較高的交易成本（手續(xù)費及滑點），對收益有一定的侵蝕作用。機器學習模型的有效性依賴于訓練數(shù)據(jù)，如果歷史數(shù)據(jù)不能很好地反映未來市場變化，模型的表現(xiàn)可能會不如預期。策略優(yōu)勢選股精度高：通過多因子分析并結(jié)合機器學習模型，可以更精準地評估和篩選表現(xiàn)較好的股票。靈活應對市場變化：由于策略采用日頻調(diào)倉，可以更及時地應對市場的波動與變化，優(yōu)化持倉組合。數(shù)據(jù)驅(qū)動決策：通過交易活躍度、回報比、排名變化及波動性變化，依據(jù)實時數(shù)據(jù)驅(qū)動決策，減少主觀判斷的偏差。策略代碼示例:importpandasaspdfrombigmoduleimportM#<aistudiograph>#@param(id="m4",name="initialize")#交易引擎：初始化函數(shù)，只執(zhí)行一次defm4_initialize_bigquant_run(context):importmathfrommissionimportPerOrderimportnumpyasnp#系統(tǒng)已經(jīng)設(shè)置了默認的交易手續(xù)費和滑點，要修改手續(xù)費可使用如下函數(shù)context.set_commission(PerOrder(buy_cost=0.0003,sell_cost=0.0013,min_cost=5))#設(shè)置買入的股票數(shù)量，這里買入預測股票列表排名靠前的5只stock_count=5#每只的股票的權(quán)重，如下的權(quán)重分配會使得靠前的股票分配多一點的資金，[0.339160,0.213986,0.169580,..]context.stock_weights=np.array([1/np.log(i+2)foriinrange(stock_count)])context.stock_weights=context.stock_weights/np.sum(context.stock_weights)#設(shè)置每只股票占用的最大資金比例context.max_cash_per_instrument=0.2context.options['hold_days']=5#@param(id="m4",name="before_trading_start")#交易引擎：每個單位時間開盤前調(diào)用一次。defm4_before_trading_start_bigquant_run(context,data):#盤前處理，訂閱行情等pass#@param(id="m4",name="handle_tick")#交易引擎：tick數(shù)據(jù)處理函數(shù)，每個tick執(zhí)行一次defm4_handle_tick_bigquant_run(context,tick):pass#@param(id="m4",name="handle_data")defm4_handle_data_bigquant_run(context,data):#按日期過濾得到今日的預測數(shù)據(jù)ranker_prediction=context.data[context.data.date==data.current_dt.strftime('%Y-%m-%d')]#按照position排序ranker_prediction.sort_values(["date","position"],inplace=True)ranker_prediction.reset_index(drop=True,inplace=True)#1.資金分配#平均持倉時間是hold_days，每日都將買入股票，每日預期使用1/hold_days的資金#實際操作中，會存在一定的買入誤差，所以在前hold_days天，等量使用資金；之后，盡量使用剩余資金（這里設(shè)置最多用等量的1.5倍）is_staging=context.trading_day_index<context.options['hold_days']#是否在建倉期間（前hold_days天）cash_avg=context.portfolio.portfolio_value/context.options['hold_days']cash_for_buy=min(context.portfolio.cash,(1ifis_stagingelse1.5)*cash_avg)cash_for_sell=cash_avg-(context.portfolio.cash-cash_for_buy)positions={e:p.amount*p.last_sale_pricefore,pincontext.portfolio.positions.items()}#2.生成賣出訂單：hold_days天之后才開始賣出；對持倉的股票，按機器學習算法預測的排序末位淘汰ifnotis_stagingandcash_for_sell>0:equities={e:efore,pincontext.portfolio.positions.items()}instruments=list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(lambdax:xinequities)])))forinstrumentininstruments:context.order_target(instrument,0)cash_for_sell-=positions[instrument]ifcash_for_sell<=0:break#3.生成買入訂單：按機器學習算法預測的排序，買入前面的stock_count只股票buy_cash_weights=context.stock_weightsbuy_instruments=list(ranker_prediction.instrument[:len(buy_cash_weights)])max_cash_per_instrument=context.portfolio.portfolio_value*context.max_cash_per_instrumentfori,instrumentinenumerate(buy_instruments):cash=cash_for_buy*buy_cash_weights[i]ifcash>max_cash_per_instrument-positions.get(instrument,0):#確保股票持倉量不會超過每次股票最大的占用資金量cash=max_cash_per_instrument-positions.get(instrument,0)ifcash>0:context.order_value(instrument,cash)#@param(id="m4",name="handle_trade")#交易引擎：成交回報處理函數(shù)，每個成交發(fā)生時執(zhí)行一次defm4_handle_trade_bigquant_run(context,trade):pass#@param(id="m4",name="handle_order")#交易引擎：委托回報處理函數(shù)，每個委托變化時執(zhí)行一次defm4_handle_order_bigquant_run(context,order):pass#@param(id="m4",name="after_trading")#交易引擎：盤后處理函數(shù)，每日盤后執(zhí)行一次defm4_after_trading_bigquant_run(context,data):pass#@module(position="-386,-139",comment='通過SQL調(diào)用數(shù)據(jù)、因子和表達式等構(gòu)建策略邏輯',comment_collapsed=False)m1=M.input_features_dai.v6(sql="""SELECT*FROMdata_753797bef8b911eebefa86aa0837f492ORDERBYdate,position""")#@module(position="-341,-3",comment='抽取數(shù)據(jù)，設(shè)置數(shù)據(jù)開始時間和結(jié)束時間，并綁定模擬交易',comment_collapsed=False)m2=M.extract_data_dai.v7(sql=m1.data,start_date='2022-08-01',start_date_bound_to_trading_date=True,end_date='2024-04-10',end_date_bound_to_trading_date=True,before_start_days=90,debug=False)#@module(position="-254,139",comment='交易，日線，設(shè)置初始化函數(shù)和K線處理函數(shù)，以及初始資金、基準等',comment_collapsed=False)m4=M.bigtrader.v14(data=m2.data,start_date='',end_date='',initialize=m4_initialize_bigquant_run,before_trading_start=m4_before_trading_start_bigquant_run,handle_tick=m4_handle_tick_bigquant_run,handle_data=m4_handle_data_bigquant_run,handle_trade=m4_handle_trade_bigquant_run,handle_order=m4_handle_order_bigquant_run,after_trading=m4_after_trading_bigquant_run,capital_base=1000000,frequency='da