全A股小市值与动量因子策略

由polll创建，最终由polll更新于2024-06-25 09:47 被浏览 30 用户

策略介绍

全A股市场的量化投资策略在近年来受到越来越多投资者的关注。此次我们介绍的策略主要依赖小市值因子和动量因子进行股票选择，以期在不进行风险控制的情况下最大化年化收益率。小市值因子（Small Size Factor）和动量因子（Momentum Factor）是量化投资中常用的两个因子。

小市值因子基于“规模效应假说”，认为小市值股票往往具有更高的收益潜力，因为它们的增长空间较大且往往被市场低估。动量因子则基于“惯性效应假说”，认为过去表现好的股票在未来一段时间内仍有可能继续表现优异。这两个因子的结合可以在一定程度上兼顾成长性与市场趋势，形成一个较为稳健的投资组合。

然而，这种策略也有其局限性。首先，策略不进行风险控制，这意味着在市场波动较大时，可能会遭受较大的回撤。此外，小市值股票的流动性较差，在大规模资金进出时可能会面临较高的交易成本。为了改进该策略，可以考虑加入风险控制模块，如设置止损线或采用动态仓位管理。

策略流程

股票池：全A股市场。
排序条件：使用小市值因子和动量因子进行排序。
筛选条件：无额外筛选。
仓位设置：等权重持仓，持仓数量设置为50只股票。
交易逻辑：每月初进行调仓。
风险管理：不进行风险管理。

策略实现

模块说明

input_features_dai：输入特征模块，提取小市值因子和动量因子，并计算综合评分因子。

参数：
- expr：表达式，计算市值、动量和综合评分因子。
- expr_tables：数据表，使用A股市场数据。
- extra_fields：额外字段，包含日期和股票代码。
- order_by：排序条件，按日期和股票代码排序。
- expr_drop_na：是否去除NA值。
- extract_data：是否提取数据。

score_to_position：仓位分配模块，根据综合评分因子进行排序，选择前50只股票进行等权重持仓。

参数：
- score_field：评分字段，按综合评分因子降序排序。
- hold_count：持仓数量，50只股票。
- position_expr：仓位表达式，等权重持仓。
- total_position：总持仓比例，1表示全仓。

bigtrader：高性能回测模块，执行回测逻辑。

参数：
- rebalance_period_type：调仓周期，月度调仓。
- initialize：初始化函数。
- handle_data：交易逻辑函数。
- capital_base：初始资金，100万元。
- frequency：交易频率，日线。
- product_type：产品类型，股票。
- rebalance_period_days：调仓日，1表示每月1日调仓。
- backtest_engine_mode：回测引擎模式，标准模式。
- volume_limit：交易量限制，1表示不限制。
- order_price_field_buy：买入价，开盘价。
- order_price_field_sell：卖出价，开盘价。
- benchmark：基准，沪深300指数。

因子表达式

小市值因子：c_rank(float_market_cap) AS market_cap_rank
动量因子：m_avg(change_ratio, 20) AS momentum_20
综合评分因子：-(market_cap_rank + momentum_20) AS score

策略实现

from bigmodule import M

# <aistudiograph>

# @param(id="m5", name="initialize")
def m5_initialize_bigquant_run(context):  # type: ignore
    from bigtrader.finance.commission import PerOrder

    # 系统已经设置了默认的交易手续费和滑点，要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))

# @param(id="m5", name="handle_data")
def m5_handle_data_bigquant_run(context, data):  # type: ignore
    import pandas as pd

    # 下一个交易日不是调仓日，则不生成信号
    if not context.rebalance_period.is_signal_date(data.current_dt.date()):
        return

    # 从传入的数据 context.data 中读取今天的信号数据
    today_df = context.data[context.data["date"] == data.current_dt.strftime("%Y-%m-%d")]
    target_instruments = set(today_df["instrument"])

    # 获取当前已持有股票
    holding_instruments = set(context.get_account_positions().keys())

    # 卖出不在目标持有列表中的股票
    for instrument in holding_instruments - target_instruments:
        context.order_target_percent(instrument, 0)
    # 买入目标持有列表中的股票
    for i, x in today_df.iterrows():
        position = 0.0 if pd.isnull(x.position) else float(x.position)
        context.order_target_percent(x.instrument, position)

# @module(position="-315,-727", comment=""""因子特征""", comment_collapsed=False)
m2 = M.input_features_dai.v29(  # type: ignore
    mode="表达式",
    expr="""
c_rank(float_market_cap) AS market_cap_rank
m_avg(change_ratio, 20) AS momentum_20
-(market_cap_rank + momentum_20) AS score
""",
    expr_tables="cn_stock_prefactors",
    extra_fields="date, instrument",
    order_by="date, instrument",
    expr_drop_na=True,
    extract_data=False,
    m_name="m2"
)

# @module(position="-207,-592", comment=""""持股数量、打分到仓位""", comment_collapsed=False)
m3 = M.score_to_position.v3(  # type: ignore
    input_1=m2.data,
    score_field="score DESC",
    hold_count=50,
    position_expr="1 AS position",
    total_position=1,
    extract_data=False,
    m_name="m3"
)

# @module(position="-98,-463", comment=""""抽取预测数据""", comment_collapsed=False)
m4 = M.extract_data_dai.v17(  # type: ignore
    sql=m3.data,
    start_date="2020-01-01",
    start_date_bound_to_trading_date=True,
    end_date="2024-04-29",
    end_date_bound_to_trading_date=True,
    before_start_days=90,
    debug=False,
    m_name="m4"
)

# @module(position="43,-350", comment=""""交易，日线，设置初始化函数和K线处理函数，以及初始资金、基准等""", comment_collapsed=False)
m5 = M.bigtrader.v20(  # type: ignore
    data=m4.data,
    start_date="",
    end_date="",
    initialize=m5_initialize_bigquant_run,
    handle_data=m5_handle_data_bigquant_run,
    capital_base=1000000,
    frequency="daily",
    product_type="股票",
    rebalance_period_type="月度交易日",
    rebalance_period_days="1",
    rebalance_period_roll_forward=True,
    backtest_engine_mode="标准模式",
    before_start_days=0,
    volume_limit=1,
    order_price_field_buy="open",
    order_price_field_sell="open",
    benchmark="沪深300指数",
    plot_charts=True,
    debug=False,
    backtest_only=False,
    m_name="m5"
)
# </aistudiograph>

全A股小市值与动量因子策略

策略介绍

策略流程

策略实现

模块说明

因子表达式

策略实现

标签