全A股小市值和动量因子策略：最大化年化收益

由polll创建，最终由polll更新于2024-06-25 09:38 被浏览 130 用户

策略介绍

量化投资领域中，因子模型是非常重要的一类策略。因子投资策略通过提取市场中的某些特征（如价值、动量、规模等），并以此来构建投资组合。本文介绍的策略主要采用了小市值因子和动量因子，目的是在全A股市场中最大化年化收益率。

小市值因子（Size Factor）指的是选取市值较小的股票进行投资。根据“规模效应”理论，市值较小的股票往往能够获得较高的收益率。动量因子（Momentum Factor）则是选取价格上升趋势明显的股票进行投资。动量策略的理论基础是“惯性效应”，即股票价格在一段时间内的走势会继续保持。

这两个因子的结合可以捕捉到市场中的不同特征，从而提高策略的收益。需要注意的是，该策略不做风险控制，适合风险承受能力较高的投资者。

策略流程

股票池：全A股市场，不需要额外的股票池过滤。
排序条件：基于小市值因子和动量因子，按综合得分进行排序。
筛选条件：无特别指定的筛选条件。
持仓配置：持有数量和仓位分配。
交易逻辑：每月调仓一次。
风险管理：不做风险控制。

策略实现

模块说明

input_features_dai：输入特征模块，用于构建因子表达式。该模块输入小市值因子和动量因子的表达式，并计算综合得分。
score_to_position：仓位分配模块，根据综合得分对股票进行排序，并设置持仓数量和分配。
bigtrader：高性能回测模块，实现回测逻辑，设置调仓周期、初始资金等参数。

因子表达式

因子表达式的构建如下：

小市值因子：使用流通市值因子 float_market_cap
动量因子：使用5日动量因子 momentum_5

综合得分表达式：

c_rank(float_market_cap) AS size_score,
c_rank(momentum_5) AS momentum_score,
size_score + momentum_score 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

    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

    if not context.rebalance_period.is_signal_date(data.current_dt.date()):
        return

    today_df = context.data[context.data["date"] == data.current_dt.strftime("%Y-%m-%d")]
    target_instruments = set(today_df["instrument"])

    holding_instruments = set(context.get_account_positions().keys())

    for instrument in holding_instruments - target_instruments:
        context.order_target_percent(instrument, 0)
    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 size_score
c_rank(momentum_5) AS momentum_score
size_score + momentum_score AS score
""",
    expr_filters="",
    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="2016-06-01",
    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股小市值和动量因子策略：最大化年化收益

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