數據分析--單因子選股策略、多因子選股策略（選股）

 1、單因子選股策略--小市值策略

2、多因子選股策略--市值+ROE（淨資產收益率）選股策略

---

1、單因子選股策略--小市值策略

因子選股策略 

因子：選擇股票的某種標準

　　增加率、市值、市盈率、ROE（淨資產收益率）............

選股策略：

　　對於某個因子，選取表現最好（因子最大或最小）的N支股票持倉

　　每隔一段時間調倉一次，若是一段時間沒有漲能夠賣了換

小市值策略：選取股票池中市值最小的N只股票持倉

 

例如：選擇20支市值最小的股票持有，一個月調一次倉：

from jqdata import *

def initialize(context): set_benchmark('000300.XSHG') set_option('use_real_price', True) set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock') g.security = get_index_stocks('000300.XSHG') # 選市值做爲因子，要從表valuation中market_cap字段獲取sqlachmy的query對象
    g.q = query(valuation).filter(valuation.code.in_(g.security)) g.N = 20      #20支市值最小的股票
    # 假設因子選股策略是每30天執行一次
    #方式一：
    # g.days = -1
    # def handle_data(context,data):
    # g.days += 1
    # if g.days % 30 == 0:
    # pass
    #方式二：
    # 定時執行函數，每一個月第1個交易日執行handle函數
    run_monthly(handle, 1) def handle(context): df = get_fundamentals(g.q)[['code','market_cap']] df = df.sort_values('market_cap').iloc[:g.N,:]  #選出20支
    print(df) to_hold = df['code'].values for stock in context.portfolio.positions: if stock not in to_hold: order_target(stock, 0) to_buy = [stock for stock in to_hold if stock not in context.portfolio.positions] if len(to_buy) > 0: cash_per_stock = context.portfolio.available_cash / len(to_buy) for stock in to_buy: order_value(stock, cash_per_stock)

小市值策略代碼

 

2、多因子選股策略--市值+ROE（淨資產收益率）選股策略 

多因子選股策略

如何同時綜合多個因子來選股？

評分模型：

　　每一個股票針對每一個因子進行評分，將評分相加

　　選出總評分最大的N只股票持倉

　　如何計算股票在某個因子下的評分：歸一化（標準化），下面是兩種標準化的方式

好比選擇兩個因子：市值和ROE（淨資產收益率）做爲選股評價標準

 

from jqdata import *

def initialize(context): set_benchmark('000300.XSHG') set_option('use_real_price', True) set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock') g.security = get_index_stocks('000300.XSHG') # 選市值做爲因子，要從表valuation中market_cap字段獲取sqlachmy的query對象
    g.q = query(valuation, indicator).filter(valuation.code.in_(g.security)) g.N = 20      #20支股票
 run_monthly(handle, 1) def handle(context): df = get_fundamentals(g.q)[['code','market_cap','roe']] df['market_cap'] = (df['market_cap']-df['market_cap'].min())/(df['market_cap'].max()-df['market_cap'].min()) df['roe'] = (df['roe']-df['roe'].min())/(df['roe'].max()-df['roe'].min()) # 雙因子評分：市盈率越大越好，市值越小越好
    df['score'] = df['roe'] - df['market_cap'] # 對評分排序，選最大的20支股票
    df = df.sort_values('score').iloc[-g.N:,:] to_hold = df['code'].values for stock in context.portfolio.positions: if stock not in to_hold: order_target(stock, 0) to_buy = [stock for stock in to_hold if stock not in context.portfolio.positions] if len(to_buy) > 0: cash_per_stock = context.portfolio.available_cash / len(to_buy) for stock in to_buy: order_value(stock, cash_per_stock)

市值+ROE選股策略