字数 1334，阅读大约需 7 分钟
几乎每隔一段时间，微信里都会刷到一个策略： “菜场大妈”小市值策略 。
策略逻辑非常朴素，但历史表现却很亮眼。因此，该策略成了各大量化公众号反复提及的“流量担当”。
最近几天又看到几篇相关推文，感兴趣的朋友可以阅读：
https://mp.weixin.qq.com/s/Z6qnKZl1VJ5UMCdRUnh2fg
https://mp.weixin.qq.com/s/PXt4_7w3UybKvnNbkhRx5w
❌ 一个常被忽略的问题
这些推文写的都非常好，对策略分析极度到位。但是，对于一个对本地Python量化有强迫症的人来说，总觉得有点不足：
这些推文的策略大多是在聚宽上实现的。有的做得多一点，在QMT上也实现了该策略。
因此，策略的运行和回测，得依赖这些第三方平台。
我们是否可以在本地Python环境下实现该策略？这样， 我们就可以在自己的电脑上自由运行和修改策略.
答案是肯定的。
📌 策略核心逻辑
这个策略最早来自聚宽社区，本质并不复杂，可以概括为七个字： 质好价低市值小 。
-
•
质好
：
通常用 股息率较高 作为基本面筛选条件 -
•
价低
：
只选择股价在一定区间内的股票，比如 1–9 元
（1 元以下容易触发退市风险，需剔除） -
•
市值小
：
在满足上述条件的股票中，优先选择小市值标的
此外，还需要一系列常规过滤条件：
- • 剔除科创板、北交所、新三板股票
- • 剔除 ST / *ST
- • 剔除停牌、退市股票
- • 剔除当日涨停、跌停股票
听起来条件不少，但好消息是： 这些数据在 Tushare 里基本都能拿到 ，我们完全可以在本地Python环境下实现这个策略。
# 根据股息率和市值选取今天该买的股票
# 传入前一天的基本面数据，因为今天的选股是根据昨天的基本面数据来的
def stk_select(day, pre_day, bnd_frac = 0.25):
df = pro.daily_basic(ts_code = '', trade_date = pre_day)
stock_list = df['ts_code'].tolist()
# 剔除一些不需要板块的股票： 创业板、科创板、北交所、三板
stock_list = filter_stocks(stock_list)
df = df.set_index(['ts_code'])
df = df.reindex(index=stock_list)
# 将股票列表按照股息率由高到低的顺序排列
df = df.sort_values(by='dv_ratio', ascending = False)
# 取股息率最高的一部分股票用于选股
df = df[:int(bnd_frac*len(df))]
# 将股票列表按照市值由低到高的顺序排列
df = df.sort_values(by='total_mv', ascending = True)
stock_list = df.index.tolist()
# 过滤ST、停牌、退市的股票
stock_list = filter_st_suspend_delist_stocks(stock_list, day)
# 过滤今天涨停、跌停的股票
stock_list = filter_limitup_limitdown_stock(stock_list, day)
# 过滤高股价股票
stock_list = filter_highprice_stock(stock_list, day)
assert len(stock_list) != 0, print('stock list length is 0')
# 保存今日选股结果文件
file_name_stk = 'data/每日选股/' + day + '_stks.pkl'
with open(file_name_stk, 'wb') as file:
pickle.dump(stock_list, file)
return stock_list📊 主要模块
1️⃣ 股息率 & 市值
可直接通过 Tushare 的
pro.daily_basic()
接口获取：
df = pro.daily_basic(ts_code = "", trade_date = day)2️⃣ 剔除科创 / 北交 / 三板 / 创业板
可以通过股票代码规则进行过滤：
# 过滤科创、北交、三板、创业板等板块股票
# [1] 三板：4开头
# [2] 北交：8开头
# [3] 科创：688开头
# [4] 创业板：300 / 301 开头
def filter_stocks(stock_list):
for stock in stock_list[:]:
if stock[0] == '4' or stock[0] == '8' or stock[:3] == '688' or \
stock[:3] == '300' or stock[:3] == '301':
stock_list.remove(stock)
return stock_list3️⃣ 剔除停牌股票
Tushare 可通过
pro.suspend_d()
获取某日停牌信息：
stk_suspend = pro.suspend_d(suspend_type='S',trade_date=day)4️⃣ 剔除 ST / *ST 股票
Tushare 没有直接给ST状态，但可以通过
股票名称变更记录
来反推，主要用到的是
pro.namechange()
接口：
# 获取每日的ST、*ST股票列表
def get_st(trade_date):
# 获取三年前日期，因为ST最多3年
start_date = (datetime.datetime.strptime(trade_date,'%Y%m%d') - \
datetime.timedelta(days=365*3)).strftime('%Y%m%d')
# 获取三年内所有更名记录
df = pro.namechange(start_date=start_date,end_date=trade_date, \
fields='ts_code,name,start_date,end_date,ann_date,change_reason')
# 筛选更名原因为ST或*ST的记录，去掉结束日期重复为None的
df = df[(df['change_reason']=='ST') | (df['change_reason']=='*ST')] \
.sort_values(by='end_date',ascending=True).drop_duplicates(subset=['ts_code','start_date'],keep='first')
# 筛选目标日期在ST时间段的记录
result = df[(df.start_date<=trade_date)&((df.end_date>=trade_date)|(df.end_date.isna()))]
return result5️⃣ 剔除退市股票
这里有两种实现思路。
方式一：股票名称中是否包含“退”字
def filter_delist(stock_list, day):
stock_names = get_stock_chinese_name(stock_list, day)
stock_list = [
code for code, name in zip(stock_list, stock_names)
if '退' not in name
]
return stock_list方式二：成交量为 0（简单粗暴，但不一定是退市导致）
def filter_delist(stock_list, day):
temp = pro.daily(trade_date=day)
temp = temp.set_index('ts_code').reindex(stock_list)
temp = temp[temp['vol'] == 0]
return [stk for stk in stock_list if stk not in temp.index]6️⃣ 剔除涨停 / 跌停股票
通过
pro.stk_limit()
获取涨跌停价，对比当日收盘价即可：
def filter_limitup_limitdown_stock(stock_list, trade_date):
df_price = pro.daily(trade_date=trade_date).set_index('ts_code')
df_limit = pro.stk_limit(trade_date=trade_date).set_index('ts_code')
df_limit = df_limit.reindex(df_price.index)
limit_stocks = [
stk for stk in df_price.index
if df_price.loc[stk, 'close'] == df_limit.loc[stk, 'up_limit']
or df_price.loc[stk, 'close'] == df_limit.loc[stk, 'down_limit']
]
return [stk for stk in stock_list if stk not in limit_stocks]🚀 本地回测
到这里， 选股逻辑已经完整闭环 。接下来要做的，就是：
- • 将上述筛选流程模块化
- • 生成每日选股结果
- • 基于本地数据
- • 使用 Backtrader 对策略进行回测
这样，我们就可以：完全脱离第三方平台，自由修改策略逻辑，任意组合因子，构建属于自己的本地量化体系。
没有评论:
发表评论