# 创建自定义因子选股交易策略 `qteasy`是一个完全本地化部署和运行的量化交易分析工具包，具备以下功能： - 金融数据的获取、清洗、存储以及处理、可视化、使用 - 量化交易策略的创建，并提供大量内置基本交易策略 - 向量化的高速交易策略回测及交易结果评价 - 交易策略参数的优化以及评价 - 交易策略的部署、实盘运行 通过本系列教程，您将会通过一系列的实际示例，充分了解`qteasy`的主要功能以及使用方法。 ## 开始前的准备工作 在开始本节教程前，请先确保您已经掌握了下面的内容： - **安装、配置`qteasy`** —— [QTEASY教程1](1-get-started.md) - **设置了一个本地数据源**，并已经将足够的历史数据下载到本地——[QTEASY教程2](2-get-data.md) - **学会创建交易员对象，使用内置交易策略**，——[QTEASY教程3](3-start-first-strategy.md) - **学会使用混合器，将多个简单策略混合成较为复杂的交易策略**——[QTEASY教程4](4-build-in-strategies.md) - **了解如何自定义交易策略**——[QTEASY教程5](5-first-self-defined-strategy.md) 在[QTEASY文档](https://qteasy.readthedocs.io/zh/latest/)中，还能找到更多关于使用内置交易策略、创建自定义策略等等相关内容。对`qteasy`的基本使用方法还不熟悉的同学，可以移步那里查看更多详细说明。 ## 本节的目标 在本节中，我们将承接上一节开始的内容，介绍`qteasy`的交易策略基类，在介绍过一个最简单的择时交易策略类以后，我们将介绍如何使用`qteasy`提供的另外两种策略基类，创建一个多因子选股策略。 为了提供足够的使用便利性，`qteasy`的提供的各种策略基类本质上并无区别，只是为了减少用户编码工作量而提供的预处理形式，甚至可以将不同的交易策略基类理解成，为了特定交易策略设计的“语法糖”，因此，同一交易策略往往可以用多种不同的交易策略基类实现，因此，在本节中，我们将用两种不同的策略基类来实现一个Alpha选股交易策略。 ## Alpha选股策略的选股思想 我们在这里讨论的Alpha选股策略是一个低频运行的选股策略，这个策略可以每周或者每月运行一次，每次选股时会遍历HS300指数的全部成分股，依照一定的标准将这300支股票进行优先级排序，从中选择出排位靠前的30支股票，等权持有，也就是说，每个月进行一次调仓换股，调仓时将排名靠后的股票卖掉，买入排名靠前的股票，并确保股票的持有份额相同。 Alpha选股策略的排名依据每一支股票的两个财务指标：EV（企业市场价值）以及EBITDA（息税折旧摊销前利润）来计算，对每一支股票计算EV与EBITDA的比值，当这个比值大于0的时候，说明该上市公司是盈利的（因为EBITDA为正）。这时，这个比值代表该公司每赚到一块钱利润，需要投入的企业总价值。自然，这个比值越低越好。例如，下面两家上市公司数据如下： - A公司的EBITDA为一千万，而企业市场价值为一百亿，EV/EBITDA=1000.。说明该公司每一千元的市场价值可以挣到一元钱利润 - B公司的EBITDA同样为一千万，企业市场价值为一千亿，EV/EBITDA=10000，说明该公司每一万元的市场价值可以挣到一元钱利润 从常理分析，我们自然会觉得A公司比较好，因为靠着较少的公司市场价值，就挣到了同样的利润，这时我们认为A公司的排名比较靠前。 按照上面的规则，我们在每个月的最后一天，将HS300成分股的所有上市公司全部进行一次从小到大排名，剔除掉EV/EBITDA小于0的公司（盈利为负的公司当然应该剔除）以后，选择排名最靠前的30个公司持有，就是Alpha选股交易策略。 其实，类似于这样的指标排序选股策略，`qteasy`提供了一个内置交易策略可以直接实现： ```python >>> import qteasy as qt >>> qt.built_ins('finance') 以股票过去一段时间内的财务指标的平均值作为选股因子选股 基础选股策略。以股票的历史指标的平均值作为选股因子，因子排序参数可以作为策略参数传入 改变策略数据类型，根据不同的历史数据选股，选股参数可以通过pars传入 策略参数: - sort_ascending: enum, 是否升序排列因子 - True: 优先选择因子最小的股票, - False, 优先选择因子最大的股票 - weighting: enum, 股票仓位分配比例权重 - 'even' :默认值, 所有被选中的股票都获得同样的权重 - 'linear' :权重根据因子排序线性分配 - 'distance' :股票的权重与他们的指标与最低之间的差值（距离）成比例 - 'proportion' :权重与股票的因子分值成正比 - condition: enum, 股票筛选条件 - 'any' :默认值，选择所有可用股票 - 'greater' :筛选出因子大于ubound的股票 - 'less' :筛选出因子小于lbound的股票 - 'between' :筛选出因子介于lbound与ubound之间的股票 - 'not_between':筛选出因子不在lbound与ubound之间的股票 - lbound: float, 股票筛选下限值, 默认值np.-inf - ubound: float, 股票筛选上限值, 默认值np.inf - max_sel_count: float, 抽取的股票的数量(p>=1)或比例(p<1), 默认值：0.5，表示选中50%的股票 信号类型: PT型：百分比持仓比例信号 信号规则: 使用data_types指定一种数据类型，将股票过去的datatypes数据取平均值，将该平均值作为选股因子进行选股 策略属性缺省值: 默认参数：(True, 'even', 'greater', 0, 0, 0.25) 数据类型：eps 每股收益，单数据输入 采样频率：年 窗口长度：270 参数范围：[(True, False), ('even', 'linear', 'proportion'), ('any', 'greater', 'less', 'between', 'not_between'), (-np.inf, np.inf), (-np.inf, np.inf), (0, 1.)] 策略不支持参考数据，不支持交易数据 ``` 不过这个内置交易策略仅支持以`qteasy`内置历史数据类型为选股因子，例如pe市盈率、profit利润等数据是`qteasy`的内置历史数据，可以直接引用。但如果是``qteasy``内置历史数据中找不到的选股因子，就不能直接使用内置交易策略了。EV/EBITDA这个指标是一个计算指标，因此，我们必须使用自定义交易策略。并在自定义策略中计算该指标。 ## 计算选股指标 为了计算EV/EBITDA，我们必须至少先确认`qteasy`中是否已经提供了EV和EBITDA这两种历史数据： 我们可以使用`find_history_data()`来查看历史数据是否被`qteasy`支持 ```python >>> import qteasy as qt >>> qt.find_history_data('ev') matched following history data, use "qt.get_history_data()" to load these historical data by its data_id: ------------------------------------------------------------------------ Empty DataFrame Columns: [freq, asset_type, table_name, description] Index: [] ======================================================================== [] >>> qt.find_history_data('ebitda') matched following history data, use "qt.get_history_data()" to load these historical data by its data_id: ------------------------------------------------------------------------ freq asset table desc data_id income_ebitda q E income 上市公司利润表 - 息税折旧摊销前利润 ebitda q E financial 上市公司财务指标 - 息税折旧摊销前利润 ======================================================================== ['income_ebitda', 'ebitda'] ``` 从上面的返回值可以看出，在`qteasy`的内置历史数据类型中，EBITDA是一个标准的历史数据类型，可以通过'ebitda‘ / income_ebitda 这两个ID来获取（我们将使用'ebitda'），但是EV企业现金价值并不在内置数据类型中，但我们知道EV可以通过下面的公式计算： $$ EV = 总市值 + 总负债 - 总现金 $$ 而上面几个财务指标都是`qteasy`直接支持的： - 总市值 - 数据类型： `total_mv` - 总负债 - 数据类型： `total_liab` - 总现金 - 数据类型： `c_cash_equ_end_period` 我们可以测试一下： ```python htypes = 'total_mv, total_liab, c_cash_equ_end_period, ebitda' # 获取沪深300指数成分股 shares = qt.filter_stock_codes(index='000300.SH', date='20220131') # 获取所有股票的总市值、总负债、总现金、EBITDA数据 dt = qt.get_history_data(htypes, shares=shares, asset_type='any', freq='m') # 随便选择一支股票，转化为DataFrame检查数据是否正确获取 one_share = shares[24] df = dt[one_share] # 计算EV/EBITDA选股因子 df['ev_to_ebitda'] = (df.total_mv + df.total_liab - df.c_cash_equ_end_period) / df.ebitda ``` 可以看到选股因子已经计算出来了，那么我们可以开始定义交易策略了。 ## 用`FactorSorter`定义Alpha选股策略 针对这种定时选股类型的交易策略，`qteasy`提供了`FactorSorter`交易策略类，顾名思义，这个交易策略基类允许用户在策略的实现方法中计算一组选股因子，这样策略就可以自动将所有的股票按照选股因子的值排序，并选出排名靠前的股票。至于排序方法、筛选规则、股票持仓权重等都可以通过策略参数设置。 如果符合上面定义的交易策略，使用`FactorSorter`策略基类将会非常方便。 下面我们就来一步步定义看看，首先继承`FactorSorter`并定义一个类，在上一个章节中，我们在自定义策略的`__init__()`方法中定义名称、描述以及默认参数等信息，然而我们也可以忽略`__init__()`方法，仅仅在创建策略对象时传入参数等信息，这也是可以的，我们在这里就这样做： ```python class AlphaFac(qt.FactorSorter): # 注意这里使用FactorSorter策略类 # 忽略__init__()方法，直接定义realize()方法 def realize(self, h, **kwargs): pass ``` 与上一节相同，在`realize()`中需要做的第一步是获取历史数据。我们知道历史数据包括`total_mv, total_liab, c_cash_equ_end_period, ebitda`等四种，这些历史数据同样是打包后存储在历史数据属性h中的。与上一章节不同的是，h是一个三维`ndarray`，形状（`shape`）为(L, M, N)，包含L层，M行、N列，分别代表每个股票、每个日期以及每种数据类型。 因此，要获取四种数据类型最后一个周期的所有股票的数据，应该使用如下方法切片： ```python class AlphaFac(qt.FactorSorter): # 注意这里使用FactorSorter策略类 def realize(self, h, **kwargs): # 从历史数据编码中读取四种历史数据的最新数值 total_mv = h[:, -1, 0] # 总市值 total_liab = h[:, -1, 1] # 总负债 cash_equ = h[:, -1, 2] # 现金及现金等价物总额 ebitda = h[:, -1, 3] # ebitda，息税折旧摊销前利润 ... ``` 这样我们获取到的每一种数据类型都是一个一维数组，这个数组的长度与我们传入的备选股票池中的股票数量相同，每一个元素代表该股票的数据。加入我们的投资股票池中有三支股票，那么total_mv中就会有三个数字，分别代表三支股票的总市值，以此类推。 做好上述准备后，计算选股因子就非常方便了，而且，由于我们使用了`FactorSorter`策略基类，计算好选股因子后，直接返回选股因子就可以了，`qteasy`会处理剩下的选股操作： ```python class AlphaFac(qt.FactorSorter): # 注意这里使用FactorSorter策略类 def realize(self, h, **kwargs): ... # 略 # 选股因子为EV/EBIDTA，使用下面公式计算 factor = (total_mv + total_liab - cash_equ) / ebitda return factor # 直接返回选股因子，策略就定义完了 ``` 至此，仅仅用六行代码，一个自定义Alpha选股交易策略就定义好了。是不是非常简单？ 好了，我们来看看回测的结果如何？ ## 交易策略的回测结果 由于我们忽略了策略类的`__init__()`方法，因此在实例化策略对象时，必须输入完整的策略参数： ```python alpha = AlphaFac(pars=(), par_count=0, par_types=[], par_range=[], name='AlphaSel', description='本策略每隔1个月定时触发计算SHSE.000300成份股的过去的EV/EBITDA并选取EV/EBITDA大于0的股票', data_types='total_mv, total_liab, c_cash_equ_end_period, ebitda', strategy_run_freq='m', data_freq='d', window_length=100, max_sel_count=30, # 设置选股数量，最多选出30个股票 condition='greater', # 设置筛选条件，仅筛选因子大于ubound的股票 ubound=0.0, # 设置筛选条件，仅筛选因子大于0的股票 weighting='even', # 设置股票权重，所有选中的股票平均分配权重 sort_ascending=True) # 设置排序方式，因子从小到大排序选择头30名 ``` 然后创建一个`Operator`对象，因为我们希望控制持仓比例，因此最好使用“PT”信号类型： ```python op = qt.Operator(alpha, signal_type='PT') res = op.run(mode=1, asset_type='E', asset_pool=shares, PT_buy_threshold=0.0, PT_sell_threshold=0.0, trade_batch_size=100, sell_batch_size=1) ``` 回测结果如下： ==================================== | | | BACK TESTING RESULT | | | ==================================== qteasy running mode: 1 - History back testing time consumption for operate signal creation: 9.4ms time consumption for operation back looping: 5s 831.0ms investment starts on 2016-04-05 00:00:00 ends on 2021-02-01 00:00:00 Total looped periods: 4.8 years. -------------operation summary:------------ Only non-empty shares are displayed, call "loop_result["oper_count"]" for complete operation summary Sell Cnt Buy Cnt Total Long pct Short pct Empty pct 000301.SZ 1 2 3 10.3% 0.0% 89.7% 000786.SZ 2 3 5 27.5% 0.0% 72.5% 000895.SZ 1 0 1 62.6% 0.0% 37.4% 002001.SZ 2 2 4 55.8% 0.0% 44.2% 002007.SZ 3 1 4 68.3% 0.0% 31.7% 002027.SZ 2 9 11 41.3% 0.0% 58.7% 002032.SZ 2 0 2 5.9% 0.0% 94.1% 002044.SZ 1 1 2 1.8% 0.0% 98.2% 002049.SZ 1 1 2 5.1% 0.0% 94.9% 002050.SZ 4 5 9 13.8% 0.0% 86.2% ... ... ... ... ... ... ... 603517.SH 1 1 2 1.8% 0.0% 98.2% 603806.SH 6 3 9 39.8% 0.0% 60.2% 603899.SH 1 1 2 31.0% 0.0% 69.0% 000408.SZ 3 6 9 35.5% 0.0% 64.5% 002648.SZ 1 1 2 5.2% 0.0% 94.8% 002920.SZ 1 1 2 1.7% 0.0% 98.3% 300223.SZ 1 1 2 5.2% 0.0% 94.8% 600219.SH 1 1 2 6.1% 0.0% 93.9% 603185.SH 1 1 2 5.2% 0.0% 94.8% 688005.SH 1 1 2 5.2% 0.0% 94.8% Total operation fee: ¥ 928.22 total investment amount: ¥ 100,000.00 final value: ¥ 159,072.14 Total return: 59.07% Avg Yearly return: 10.09% Skewness: -0.28 Kurtosis: 3.29 Benchmark return: 65.96% Benchmark Yearly return: 11.06% ------strategy loop_results indicators------ alpha: -0.012 Beta: 1.310 Sharp ratio: 1.191 Info ratio: -0.010 250 day volatility: 0.105 Max drawdown: 20.49% peak / valley: 2018-05-22 / 2019-01-03 recovered on: 2019-12-26 ===========END OF REPORT============= ![在这里插入图片描述](../examples/img/output_5_1_2.png) 回测结果显示这个策略并不能非常有效地跑赢沪深300指数，不过总体来说回撤较小一些，风险较低，是一个不错的保底策略。 但策略的表现并不是我们讨论的重点，下面我们再来看一看，如果不用`FactorSorter`基类，如何定义同样的Alpha选股策略。 ## 用`GeneralStg`定义一个Alpha选股策略 前面已经提过了两种策略基类： - **`RuleIterator`**： 用户只需要针对一支股票定义选股规则，`qteasy`便能将同样的规则应用到股票池中所有的恶股票上，而且还能针对不同股票设置不同的可调参数 - **`FactorSorter`**：用户只需要定义一个选股因子，`qteasy`便能根据选股因子自动排序后选择最优的股票持有，并卖掉不够格的股票。 而`GeneralStg`是`qteasy`提供的一个最基本的策略基类，它没有提供任何“语法糖”功能，帮助用户降低编码工作量，但是正是因为没有语法糖，它才是一个真正的“万能”策略类，可以用来更加自由地创建交易策略。 上面的Alpha选股交易策略可以很容易用`FactorSorter`实现，但为了了解`GeneralStg`，我们来看看如何使用它来创建相同的策略： 直接把完整的代码贴出来： ```python class AlphaPT(qt.GeneralStg): def realize(self, h, r=None, t=None, pars=None): # 从历史数据编码中读取四种历史数据的最新数值 total_mv = h[:, -1, 0] # 总市值 total_liab = h[:, -1, 1] # 总负债 cash_equ = h[:, -1, 2] # 现金及现金等价物总额 ebitda = h[:, -1, 3] # ebitda，息税折旧摊销前利润 # 选股因子为EV/EBIDTA，使用下面公式计算 factors = (total_mv + total_liab - cash_equ) / ebitda # 处理交易信号，将所有小于0的因子变为NaN factors = np.where(factors < 0, np.nan, factors) # 选出数值最小的30个股票的序号 arg_partitioned = factors.argpartition(30) selected = arg_partitioned[:30] # 被选中的30个股票的序号 not_selected = arg_partitioned[30:] # 未被选中的其他股票的序号（包括因子为NaN的股票） # 开始生成PT交易信号 signal = np.zeros_like(factors) # 所有被选中的股票的持仓目标被设置为0.03，表示持有3.3% signal[selected] = 0.0333 # 其余未选中的所有股票持仓目标在PT信号模式下被设置为0，代表目标仓位为0 signal[not_selected] = 0 return signal ``` 将上面的代码与`FactorSorter`的代码对比，可以发现，`GeneralStg`的代码在计算出选股因子以后，还多出了因子处理的工作： - 剔除小于零的因子 - 排序并选出剩余因子中最小的30个 - 选出股票后将他们的持仓比例设置为3.3% 事实上，上面的这些工作都是`FactorSorter`提供的“语法糖”，在这里我们必须手动实现而已。值得注意的是，我在上面例子中使用的排序等代码都是从`FactorSorter`中直接提取出来的高度优化的`numpy`代码，它们的运行速度是很快的，比一般用户能写出的代码快很多，因此，只要条件允许，用户都应该尽量利用这些语法糖，只有在不得已的情况下才自己编写排序代码。 大家可以研究一下上面的代码，但是请注意，如果使用`GeneralStg`策略类，策略的输出应该是股票的目标仓位，而不是选股因子。 下面看看回测结果： ## 回测结果： 使用同样的数据进行回测： ```python alpha = AlphaPT(pars=(), par_count=0, par_types=[], par_range=[], name='AlphaSel', description='本策略每隔1个月定时触发计算SHSE.000300成份股的过去的EV/EBITDA并选取EV/EBITDA大于0的股票', data_types='total_mv, total_liab, c_cash_equ_end_period, ebitda', strategy_run_freq='m', data_freq='d', window_length=100) op = qt.Operator(alpha, signal_type='PT') res = op.run(mode=1, asset_type='E', asset_pool=shares, PT_buy_threshold=0.00, # 如果设置PBT=0.00，PST=0.03，最终收益会达到30万元 PT_sell_threshold=0.00, trade_batch_size=100, sell_batch_size=1, maximize_cash_usage=True, trade_log=True ) ``` 回测结果如下： ==================================== | | | BACK TESTING RESULT | | | ==================================== qteasy running mode: 1 - History back testing time consumption for operate signal creation: 7.2ms time consumption for operation back looping: 6s 308.5ms investment starts on 2016-04-05 00:00:00 ends on 2021-02-01 00:00:00 Total looped periods: 4.8 years. -------------operation summary:------------ Only non-empty shares are displayed, call "loop_result["oper_count"]" for complete operation summary Sell Cnt Buy Cnt Total Long pct Short pct Empty pct 000301.SZ 1 1 2 10.3% 0.0% 89.7% 000786.SZ 2 3 5 27.5% 0.0% 72.5% 000895.SZ 1 1 2 68.7% 0.0% 31.3% 002001.SZ 2 2 4 57.5% 0.0% 42.5% 002007.SZ 0 1 1 68.3% 0.0% 31.7% 002027.SZ 6 7 13 41.3% 0.0% 58.7% 002032.SZ 3 1 4 7.5% 0.0% 92.5% 002044.SZ 1 1 2 1.8% 0.0% 98.2% 002049.SZ 1 1 2 5.1% 0.0% 94.9% 002050.SZ 4 4 8 13.8% 0.0% 86.2% ... ... ... ... ... ... ... 603806.SH 5 3 8 62.1% 0.0% 37.9% 603899.SH 2 3 5 36.3% 0.0% 63.7% 000408.SZ 3 5 8 35.5% 0.0% 64.5% 002648.SZ 1 1 2 5.2% 0.0% 94.8% 002920.SZ 1 1 2 5.1% 0.0% 94.9% 300223.SZ 1 2 3 5.2% 0.0% 94.8% 300496.SZ 1 1 2 10.5% 0.0% 89.5% 600219.SH 1 1 2 6.1% 0.0% 93.9% 603185.SH 1 1 2 5.2% 0.0% 94.8% 688005.SH 1 2 3 5.2% 0.0% 94.8% Total operation fee: ¥ 985.25 total investment amount: ¥ 100,000.00 final value: ¥ 189,723.44 Total return: 89.72% Avg Yearly return: 14.18% Skewness: -0.41 Kurtosis: 2.87 Benchmark return: 65.96% Benchmark Yearly return: 11.06% ------strategy loop_results indicators------ alpha: 0.044 Beta: 1.134 Sharp ratio: 1.284 Info ratio: 0.011 250 day volatility: 0.120 Max drawdown: 20.95% peak / valley: 2018-05-22 / 2019-01-03 recovered on: 2019-09-09 ===========END OF REPORT============= ![在这里插入图片描述](../examples/img/output_7_1.png) 两种交易策略的输出结果基本相同 ## 本节回顾 通过本节的学习，我们了解了`qteasy`提供的另外两种交易策略基类`FactorSorter`和`GeneralStg`的使用方法，实际创建了两个交易策略，虽然使用不同的基类，但是创建出了基本相同的Alpha选股交易策略。 在下一个章节中，我们仍然将继续介绍自定义交易策略，但是会用一个更加复杂的例子来演示自定义交易策略的使用方法。敬请期待！