大师系列之价值投资选股策略

国外证券市场比较悠久，曾出现过本杰明·格雷厄姆、彼得·林奇、詹姆斯·奥肖内西、查尔斯·布兰德斯等多位投资大师，这些投资大师有一个共同点，他们在证券市场上保持了常年的稳定持续盈利，他们的投资法则及选股标准在一些著作中有详细的描述。值得欣慰的是，申万宏源证券研究所发布了<申万宏源-申万大师系列价值投资篇>系列第一季共20篇研究报告。学习这些报告主要有两个目的：

一是我们自身想去认真的学习经典，复制这些策略本身就是自我学习过程，我们深信向这些被市场证明长期优秀，被后世尊为经典的投资大师学习，必然值得，必有所得；

二是复制和验证大师策略的过程，会自然的驱使我们更多的从投资逻辑和投资思维上思考收益之源，而不再是不停的数据挖掘和数理分析。大师系列的尝试，于我们是一个求道，而非求术的旅程。

本贴主要是帮助用户怎样开发大师系列的策略，让大家更了解我们的平台，同时帮助大家在我们的平台上开发更丰富的策略。因此我们介绍一种简单的价值投资法来选取股票，规则如下：

策略逻辑：当股票处于价值洼地时，具备投资价值

策略内容：每月月初买入市盈率小于15倍、市净率小于1.5倍的30只股票，持有至下个月月初再调仓

资金管理：等权重买入

风险控制：无单只股票仓位上限控制、无止盈止损

第一步：获取数据，整理换仓时的买入股票列表

BigQuant平台具有丰富的金融数据，包括行情数据和财报数据，并且具有便捷、简单的API调用接口。

def prepare(context):
    start_date = context.start_date # 开始日期
    end_date = context.end_date # 结束日期
    context.instruments = D.instruments(context.start_date, context.end_date, market='CN_STOCK_A')
    # 获取市盈率、市净率、成交额数据。history_data是我们平台获取数据的一个重要API。fields参数为列表形式，传入的列表即为我们想要获取的数据。
    history_data = D.history_data(instruments, context.start_date, context.end_date, ['pb_lf', 'pe_ttm','amount'])
    context.daily_buy_stock = history_data.groupby('date').apply(seek_symbol)  #  按交易日groupby，获取每个交易日选出的股票列表
    
def seek_symbol(df):
    selected = df[(df['pb_lf'] < 1.5)
        & (df['pe_ttm'] < 15) 
        & (df['amount'] > 0) 
        & (df['pb_lf'] > 0)
        & (df['pe_ttm'] > 0)]
                                    
    # 按pe_ttm和pb_lf 升序排列
    selected = selected.sort_values(['pe_ttm', 'pb_lf'])
    return list(selected.instrument)[:30] # 记得转化成list

第二步：回测主体函数
我们平台策略回测有丰富的文档介绍，请参考：帮助文档

def initialize(context):
    # 设置交易费用，买入是万三，卖出是千分之1.3，如果不足5元按5元算
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    # 设置换仓规则，即每个月月初换仓，持有至下个月，再换仓
    context.schedule_function(rebalance, date_rule=date_rules.month_start(days_offset=0)) 
   
def handle_data(context,data):
    pass

# 换仓
def rebalance(context, data):
    # 日期
    date = data.current_dt.strftime('%Y-%m-%d')
    
    # 买入股票列表
    stock_to_buy = context.daily_buy_stock.ix[date]
    # 目前持仓列表    
    stock_hold_now = [equity.symbol for equity in context.portfolio.positions]
    # 继续持有股票列表
    no_need_to_sell = [i for i in stock_hold_now  if i in stock_to_buy]
    # 卖出股票列表 
    stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell]
    # 执行卖出
    for stock in stock_to_sell:
        if data.can_trade(context.symbol(stock)):
            context.order_target_percent(context.symbol(stock), 0)
            
    # 如果当天没有买入就返回
    if len(stock_to_buy) == 0:
        return
    
    # 等权重
    weight = 1 / len(stock_to_buy)
    # 执行买入
    for  cp in stock_to_buy:
        if data.can_trade(context.symbol(cp)):
            context.order_target_percent(context.symbol(cp), weight)

第三步：回测接口

# 使用该回测接口，需要传入多个策略参数
m = M.trade.v3( 
    instruments=None,
    start_date='2013-01-01', 
    end_date='2018-02-02',
    prepare=prepare,
    # 必须传入initialize，只在第一天运行
    initialize=initialize,
    # 必须传入handle_data,每个交易日都会运行
    handle_data=handle_data,
    # 买入以开盘价成交
    order_price_field_buy='open',
    # 卖出也以开盘价成交
    order_price_field_sell='open',
    # 策略本金
    capital_base=1000000,
    # 比较基准：沪深300
    benchmark='000300.INDX',
)

好嘞，策略就完全写好了。我们运行完曲线如下：

在这里插入图片描述

整体来看，该策略是正收益系统策略，长期坚持该策略收益是不错的。

是不是发现我们平台很方便开发策略？之前朋友问我，为什么Python运行速度不是最快但会成为量化的主流语言。其实对于量化研究人员来说，虽然速度是一方面考虑，但更多的是为了验证策略思想，Python语言的优势就是在此，有一个思想就可以很快的将思想验证，然而C++虽然速度快，但要验证一个简单的思想却要编写大量的代码。好比为什么飞机速度快，但市里面上班开汽车就足够了（不考虑其他因素），因为汽车足够灵活。所以，还在犹豫选择什么语言从事量化投资的小伙伴们，Python就是你比较好的选择。本文到此就要结束了，策略的完整代码分享在文末，感兴趣的朋友可以直接前往人工智能量化投资平台直接 克隆策略进一步研究。

实现平台：BigQuant—人工智能量化投资平台
源码地址：《大师系列之价值投资选股策略》

本文由BigQuant人工智能量化投资平台原创推出，版权归BigQuant所有，转载请注明出处。

大师系列之价值投资选股策略

猜你喜欢