# 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](2.0-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-cn/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。 使用`built_in_doc`来查看这个内置交易策略的文档： ```python >>> import qteasy as qt >>> qt.built_in_doc('finance', print_out=True) ``` 输出如下： ```text 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 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API：`find_history_data()`来查看历史数据类型是否被`qteasy`支持，首先查找 `ebitda` ```python >>> qt.find_history_data('ebitda') ``` 输出如下： ```text matched following history data, use "qt.get_history_data()" to load these historical data by its data_id: ------------------------------------------------------------------------ freq asset table desc data_id ebitda q E financial 上市公司财务指标 - 息税折旧摊销前利润 ======================================================================== ['income_ebitda', 'ebitda'] ``` `qteasy`中的数据类型需要通过`qteasy.DataType`来创建，`DataType`代表了一种历史数据类型，它代表了`qteasy`可以直接从历史数据中提取出的一类信息，通过数据类型对象，`qteasy`提供了统一的数据接口，使得用户可以非常容易地获取到各种历史数据信息，而不需要关心数据类型的存储方式、存储位置；同时，`qteasy`完全封装了所有数据类型的类型处理、频率转换、股票代码匹配等等非常繁杂的底层数据逻辑，使得用户可以完全不用关心每一种数据的存储方式、直接使用即可。 关于`qteasy`数据类型的更详细介绍，请参见[QTEASY文档](https://qteasy.readthedocs.io/zh-cn/latest/data_types.html)。 `qteasy`的`DataType`包含三个属性： - name: 数据类型的名称，例如上面返回值中的`ebitda` - freq: 数据的频率，例如上面返回值中的`q`，代表季度数据 - asset_type: 数据的资产类型，例如上面返回值中的`E`，代表股票数据 以上三个属性共同定义了一种唯一的数据类型。`qteasy`内置了大量的历史数据类型，用户可以直接使用这些数据类型来获取历史数据，而不需要自己去计算或者处理原始数据来得到这些数据类型。 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，这个数据来自于上市公司财务指标表 `financial`， 数据频率为 `q`（季度）： 接下来查看EV： ```python >>> qt.find_history_data('ev') ``` 输出如下： ```text 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: [] ======================================================================== ``` 表明在 `qteasy` 的内置历史数据类型中，没有找到名字为EV的历史数据类型，此时可以使用参数`fuzzy=True`来确认。 ```python >>> qt.find_history_data('ev', fuzzy=True) ``` 输出如下： ```text matched following history data, use "qt.get_history_data()" to load these historical data by its data_id: ------------------------------------------------------------------------ name freq asset table column desc data_id sw_level sw_level None IDX sw_industry_basic level 申万行业分类 - 级别 sw_level|% sw_level|% None IDX sw_industry_basic level 申万行业分类筛选 - % managers_lev managers_lev d E stk_managers lev 公司高管信息 - 岗位类别 total_revenue total_revenue q E income total_revenue 上市公司利润表 - 营业总收入 revenue revenue q E income revenue 上市公司利润表 - 营业收入 withdra_biz_devfund withdra_biz_devfund q E income withdra_biz_devfund 上市公司利润表 - 提取企业发展基金 express_revenue express_revenue q E express revenue 上市公司业绩快报 - 营业收入(元) total_revenue_ps total_revenue_ps q E financial total_revenue_ps 上市公司财务指标 - 每股营业总收入 revenue_ps revenue_ps q E financial revenue_ps 上市公司财务指标 - 每股营业收入 ======================================================================== ``` 上面这张表格列出了`qteasy`中已经定义好且可以直接使用的数据类型，请注意 `name` / `freq` / `asset` 这三列，分别代表了数据类型的名称、数据频率以及数据的资产类型，这三列共同定义了一个唯一的数据类型，用户可以通过`qteasy.DataType(name, freq, asset)`来创建一个数据类型对象来获取这种数据类型的历史数据。 尽管EV并不在 `qteasy` 的内置历史数据类型中，但我们可以看到有一些与EV相关的历史数据类型，例如总收入、每股收入等等，这些数据类型虽然与EV相关，但并不是我们需要的EV。 不过，我们知道EV可以通过下面的公式计算： $$ EV = MV 总市值 + TL 总负债 - Cash 总现金 $$ 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` 为此我们可以测试一下，查看这些数据类型的详细解释： ```python >>> qt.find_history_data('total_mv', fuzzy=True) ``` 得到如下输出： ```text matched following history data, use "qt.get_history_data()" to load these historical data by its data_id: ------------------------------------------------------------------------ name freq asset table column desc data_id ths_total_mv ths_total_mv d IDX ths_index_daily total_mv 同花顺指数日K线 - 总市值 （万元） sw_total_mv sw_total_mv d IDX sw_index_daily total_mv 申万指数日K线 - 总市值 （万元） total_mv total_mv d IDX index_indicator total_mv 指数技术指标 - 当日总市值（元） total_mv total_mv d E stock_indicator total_mv 股票技术指标 - 总市值 （万元） total_mv_2 total_mv_2 d E stock_indicator2 total_mv 股票技术指标 - 总市值(亿元) ======================================================================== ``` 这里需要注意的是`total_mv`这个数据类型有两个版本，一个是以万元为单位的，一个是以亿元为单位的，我们在计算EV/EBITDA的时候，严格说来单位并不重要，但是在其他情况下需要注意，我们这里将该数据乘以10000，以统一单位。 我们在这选择`DataType('total_mv', 'd', 'E')`，这个数据类型代表了上市公司每天的总市值，单位为万元。 ```python >>> qt.find_history_data('total_liab', fuzzy=True) ``` ```text matched following history data, use "qt.get_history_data()" to load these historical data by its data_id: ------------------------------------------------------------------------ name freq asset table column desc data_id total_liab total_liab q E balance total_liab 上市公司资产负债表 - 负债合计 total_liab_hldr_eqy total_liab_hldr_eqy q E balance total_liab_hldr_eqy 上市公司资产负债表 - 负债及股东权益总计 ======================================================================== ``` 在这里我们可以选择数据类型`DataType('total_liab', 'q', 'E')`，这个数据类型代表了上市公司每个季度末的总负债，单位为元。 ```python >>> qt.find_history_data('cash', fuzzy=True) ``` ```text matched following history data, use "qt.get_history_data()" to load these historical data by its data_id: ------------------------------------------------------------------------ name freq asset table column desc data_id cash_reser_cb cash_reser_cb q E balance cash_reser_cb 上市公司资产负债表 - 现金及存放中央银行款项 ifc_cash_incr ifc_cash_incr q E cashflow ifc_cash_incr 上市公司现金流量表 - 收取利息和手续费净增加额 oth_cash_pay_oper_act oth_cash_pay_oper_act q E cashflow oth_cash_pay_oper_act 上市公司现金流量表 - 支付其他与经营活动有关的现金 st_cash_out_act st_cash_out_act q E cashflow st_cash_out_act 上市公司现金流量表 - 经营活动现金流出小计 n_cashflow_act n_cashflow_act q E cashflow n_cashflow_act 上市公司现金流量表 - 经营活动产生的现金流量净额 n_cashflow_inv_act n_cashflow_inv_act q E cashflow n_cashflow_inv_act 上市公司现金流量表 - 投资活动产生的现金流量净额 oth_cash_recp_ral_fnc_act oth_cash_recp_ral_fnc_act q E cashflow oth_cash_recp_ral_fnc_act 上市公司现金流量表 - 收到其他与筹资活动有关的现金 stot_cash_in_fnc_act stot_cash_in_fnc_act q E cashflow stot_cash_in_fnc_act 上市公司现金流量表 - 筹资活动现金流入小计 free_cashflow free_cashflow q E cashflow free_cashflow 上市公司现金流量表 - 企业自由现金流量 oth_cashpay_ral_fnc_act oth_cashpay_ral_fnc_act q E cashflow oth_cashpay_ral_fnc_act 上市公司现金流量表 - 支付其他与筹资活动有关的现金 stot_cashout_fnc_act stot_cashout_fnc_act q E cashflow stot_cashout_fnc_act 上市公司现金流量表 - 筹资活动现金流出小计 n_cash_flows_fnc_act n_cash_flows_fnc_act q E cashflow n_cash_flows_fnc_act 上市公司现金流量表 - 筹资活动产生的现金流量净额 eff_fx_flu_cash eff_fx_flu_cash q E cashflow eff_fx_flu_cash 上市公司现金流量表 - 汇率变动对现金的影响 n_incr_cash_cash_equ n_incr_cash_cash_equ q E cashflow n_incr_cash_cash_equ 上市公司现金流量表 - 现金及现金等价物净增加额 c_cash_equ_beg_period c_cash_equ_beg_period q E cashflow c_cash_equ_beg_period 上市公司现金流量表 - 期初现金及现金等价物余额 c_cash_equ_end_period c_cash_equ_end_period q E cashflow c_cash_equ_end_period 上市公司现金流量表 - 期末现金及现金等价物余额 incl_cash_rec_saims incl_cash_rec_saims q E cashflow incl_cash_rec_saims 上市公司现金流量表 - 其中:子公司吸收少数股东投资收到的现金 im_net_cashflow_oper_act im_net_cashflow_oper_act q E cashflow im_net_cashflow_oper_act 上市公司现金流量表 - 经营活动产生的现金流量净额(间接法) im_n_incr_cash_equ im_n_incr_cash_equ q E cashflow im_n_incr_cash_equ 上市公司现金流量表 - 现金及现金等价物净增加额(间接法) net_cash_rece_sec net_cash_rece_sec q E cashflow net_cash_rece_sec 上市公司现金流量表 - 代理买卖证券收到的现金净额(元) cashflow_credit_impa_loss cashflow_credit_impa_loss q E cashflow credit_impa_loss 上市公司现金流量表 - 信用减值损失 end_bal_cash end_bal_cash q E cashflow end_bal_cash 上市公司现金流量表 - 现金的期末余额 beg_bal_cash beg_bal_cash q E cashflow beg_bal_cash 上市公司现金流量表 - 减:现金的期初余额 end_bal_cash_equ end_bal_cash_equ q E cashflow end_bal_cash_equ 上市公司现金流量表 - 加:现金等价物的期末余额 beg_bal_cash_equ beg_bal_cash_equ q E cashflow beg_bal_cash_equ 上市公司现金流量表 - 减:现金等价物的期初余额 cash_ratio cash_ratio q E financial cash_ratio 上市公司财务指标 - 保守速动比率 salescash_to_or salescash_to_or q E financial salescash_to_or 上市公司财务指标 - 销售商品提供劳务收到的现金/营业收入 cash_to_liqdebt cash_to_liqdebt q E financial cash_to_liqdebt 上市公司财务指标 - 货币资金／流动负债 cash_to_liqdebt_withinterest cash_to_liqdebt_withinterest q E financial cash_to_liqdebt_withinterest 上市公司财务指标 - 货币资金／带息流动负债 q_salescash_to_or q_salescash_to_or q E financial q_salescash_to_or 上市公司财务指标 - 销售商品提供劳务收到的现金／营业收入(单季度) cash_div_planned cash_div_planned d E dividend cash_div 预案-每股分红（税后） cash_div_tax_planned cash_div_tax_planned d E dividend cash_div_tax 预案-每股分红（税前） cash_div_approved cash_div_approved d E dividend cash_div 股东大会批准-每股分红（税后） cash_div_tax_approved cash_div_tax_approved d E dividend cash_div_tax 股东大会批准-每股分红（税前） cash_div cash_div d E dividend cash_div 实施-每股分红（税后） cash_div_tax cash_div_tax d E dividend cash_div_tax 实施-每股分红（税前） ======================================================================== ``` 与cash相关的数据类型有很多，但我们需要的现金及现金等价物总额是`DataType(c_cash_equ_end_period, 'q', 'E')`，这个数据类型代表了上市公司每个季度末的现金及现金等价物总额。 根据上面的信息，我们可以选择下面四种数据类型来计算EV： - **`DataType('total_mv', 'd', 'E')`**，这个数据类型代表了上市公司每天的总市值，单位为万元。 - **`DataType('total_liab', 'q', 'E')`**，这个数据类型代表了上市公司每个季度末的总负债，单位为元。 - **`DataType('c_cash_equ_end_period', 'q', 'E')`**，这个数据类型代表了上市公司每个季度末的现金及现金等价物总额，单位为元。 我们可以测试一下，`qteasy`提供了一个非常方便的API：`get_history_data()`，可以直接获取到这些数据类型的历史数据： ```python # 创建数据类型对象 dtypes = [DataType('total_mv', freq='d', asset_type='E'), DataType('total_liab', freq='q', asset_type='E'), DataType('c_cash_equ_end_period', freq='q', asset_type='E'), DataType('ebitda', freq='q', asset_type='E')] # 获取沪深300指数成分股(这里只获取前20支股票） shares = qt.filter_stock_codes(index='000300.SH', date='20220131')[:20] # 获取所有股票的总市值、总负债、总现金、EBITDA数据 dt = qt.get_history_data(data_types=dtypes, 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[1] 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 print(df) ``` ```text total_mv total_liab c_cash_equ_end_period ebitda \ 2022-01-04 2.382041e+07 NaN NaN NaN 2022-01-05 2.461094e+07 NaN NaN NaN 2022-01-06 2.447143e+07 NaN NaN NaN 2022-01-07 2.544796e+07 NaN NaN NaN 2022-01-10 2.576185e+07 NaN NaN NaN ... ... ... ... ... 2022-12-26 2.136561e+07 1.426656e+12 1.158051e+11 2.969171e+10 2022-12-27 2.152844e+07 1.426656e+12 1.158051e+11 2.969171e+10 2022-12-28 2.160986e+07 1.426656e+12 1.158051e+11 2.969171e+10 2022-12-29 2.112137e+07 1.426656e+12 1.158051e+11 2.969171e+10 2022-12-30 2.116789e+07 1.426656e+12 1.158051e+11 2.969171e+10 ev_to_ebitda 2022-01-04 NaN 2022-01-05 NaN 2022-01-06 NaN 2022-01-07 NaN 2022-01-10 NaN ... ... 2022-12-26 51.344518 2022-12-27 51.399358 2022-12-28 51.426778 2022-12-29 51.262258 2022-12-30 51.277926 [242 rows x 5 columns] ``` 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 ... ... def realize(self): ... # 从历史数据编码中读取四种历史数据的最新数值 ... total_mv = self.get_data('total_mv_E_d')[-1] # 总市值 ... total_liab = self.get_data('total_liab_E_q')[-1] # 总负债 ... cash_equ = self.get_data('c_cash_equ_end_period_E_q')[-1] # 现金及现金等价物总额 ... ebitda = self.get_data('ebitda_E_q')[-1] # 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 ... factor = (total_mv * 10000 + total_liab - cash_equ) / ebitda ... return factor # 直接返回选股因子，策略就定义好了 ``` 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，这四种历史数据将会被定义为四种`DataType`传入策略中。在策略中要使用这些历史数据，可以直接使用`self.get_data()`方法： ```python # 从历史数据编码中读取四种历史数据的最新数值 total_mv = self.get_data('total_mv_E_d')[-1] # 总市值 total_liab = self.get_data('total_liab_E_q'))[-1] # 总负债 cash_equ = self.get_data('c_cash_equ_end_period_E_q'))[-1] # 现金及现金等价物总额 ebitda = self.get_data('ebitda_E_q'))[-1] # ebitda，息税折旧摊销前利润 ... ``` `self.get_data()`方法通过每一种数据的数据ID来获取相应的历史数据。而每一种数据的ID默认ID就是它的名称、资产类型和频率的组合，例如： - **`DataType('total_mv', 'd', 'E')`**，这个数据类型的ID为 `total_mv_E_d`。 - **`DataType('total_liab', 'q', 'E')`**，这个数据类型的ID为：`total_liab_E_d`。 qteasy会在交易策略开始运行之前准备好相应的交易数据，所有的交易数据都是一个numpy数组，这个数组的行数与投资池中的股票数量相同，的每一列对应着股票池中的一支股票；而行数与时间窗口的长度相同，每一行对应着时间窗口中的一个时间点，且以升序排列，最后一列代表交易当时能看到的最新的历史数据。 按照这个规则，如果要获取第I支股票在交易日当天能看到的最近的历史数据，只要访问array(-1， i)即可，通过下面的循环即可访问同一时间内的所有股票的数据： ```python total_mv = self.get_data('total_mv_E_d') # 循环访问每一支股票的total_mv for i in len(total_mv[-1]): print(f'total mv of share {i}: {total_mv[-1, i]}') ``` 不过，使用for-loop来访问数据的效率比较低，您最好在策略中尽量使用向量化的操作以节省时间。 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 # 选股因子为EV/EBIDTA，使用下面公式计算 factor = (total_mv * 10000 + total_liab - cash_equ) / ebitda return factor # 直接返回选股因子，策略就定义好了 ``` 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 >>> from qteasy import Parameter, StgData >>> alpha = AlphaFac( ... pars=[], ... 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=[DataType('total_mv', freq='d', asset_type='E'), ... DataType('total_liab', freq='q', asset_type='E'), ... DataType('c_cash_equ_end_period', freq='q', asset_type='E'), ... DataType('ebitda', freq='q', asset_type='E')], ... window_length=[20, 20, 10, 10], # 现在可以为每一种数据类型设置不同的窗口长度 ... 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', 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, 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！