10. 創建自定義因子選股交易策略
qteasy是一個完全本地化部署和運行的量化交易分析工具包，具備以下功能：
金融數據的獲取、清洗、存儲以及處理、可視化、使用
量化交易策略的創建，並提供大量內置基本交易策略
向量化的高速交易策略回測及交易結果評價
交易策略參數的優化以及評價
交易策略的部署、實盤運行
通過本系列教程，您將會通過一系列的實際示例，充分了解qteasy的主要功能以及使用方法。
10.1. 開始前的準備工作
在開始本節教程前，請先確保您已經掌握了下面的內容：
安裝、配置
qteasy—— QTEASY教程1設置了一個本地數據源，並已經將足夠的歷史數據下載到本地——QTEASY教程2
學會創建交易員對象，使用內置交易策略，——QTEASY教程3
學會使用混合器，將多個簡單策略混合成較爲複雜的交易策略——QTEASY教程4
瞭解如何自定義交易策略——QTEASY教程5
在QTEASY文檔中，還能找到更多關於使用內置交易策略、創建自定義策略等等相關內容。對qteasy的基本使用方法還不熟悉的同學，可以移步那裏查看更多詳細說明。
10.2. 本節的目標
在本節中，我們將承接上一節開始的內容，介紹qteasy的交易策略基類，在介紹過一個最簡單的擇時交易策略類以後，我們將介紹如何使用qteasy提供的另外兩種策略基類，創建一個多因子選股策略。
爲了提供足夠的使用便利性，qteasy的提供的各種策略基類本質上並無區別，只是爲了減少用戶編碼工作量而提供的預處理形式，甚至可以將不同的交易策略基類理解成，爲了特定交易策略設計的“語法糖”，因此，同一交易策略往往可以用多種不同的交易策略基類實現，因此，在本節中，我們將用兩種不同的策略基類來實現一個Alpha選股交易策略。
10.3. Alpha選股策略的選股思想
我們在這裏討論的Alpha選股策略是一個低頻運行的選股策略，這個策略可以每週或者每月運行一次，每次選股時會遍歷HS300指數的全部成分股，依照一定的標準將這300支股票進行優先級排序，從中選擇出排位靠前的30支股票，等權持有，也就是說，每個月進行一次調倉換股，調倉時將排名靠後的股票賣掉，買入排名靠前的股票，並確保股票的持有份額相同。
Alpha選股策略的排名依據每一支股票的兩個財務指標：EV（企業市場價值）以及EBITDA（息稅折舊攤銷前利潤）來計算，對每一支股票計算EV與EBITDA的比值，當這個比值大於0的時候，說明該上市公司是盈利的（因爲EBITDA爲正）。這時，這個比值代表該公司每賺到一塊錢利潤，需要投入的企業總價值。自然，這個比值越低越好。例如，下面兩家上市公司數據如下：
A公司的
EBITDA爲一千萬，而企業市場價值爲一百億，EV/EBITDA=1000.。說明該公司每一千元的市場價值可以掙到一元錢利潤B公司的
EBITDA同樣爲一千萬，企業市場價值爲一千億，EV/EBITDA=10000，說明該公司每一萬元的市場價值可以掙到一元錢利潤
從常理分析，我們自然會覺得A公司比較好，因爲靠着較少的公司市場價值，就掙到了同樣的利潤，這時我們認爲A公司的排名比較靠前。
按照上面的規則，我們在每個月的最後一天，將HS300成分股的所有上市公司全部進行一次從小到大排名，剔除掉EV/EBITDA小於0的公司（盈利爲負的公司當然應該剔除）以後，選擇排名最靠前的30個公司持有，就是Alpha選股交易策略。
其實，類似於這樣的指標排序選股策略，qteasy提供了一個內置交易策略可以直接實現。
使用built_in_doc來查看這個內置交易策略的文檔：
>>> import qteasy as qt
>>> qt.built_in_doc('finance', print_out=True)
輸出如下：
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
不過這個內置交易策略僅支持以qteasy內置歷史數據類型爲選股因子，例如pe市盈率、profit利潤等數據是qteasy的內置歷史數據，可以直接引用。但如果是qteasy內置歷史數據中找不到的選股因子，就不能直接使用內置交易策略了。EV/EBITDA這個指標是一個計算指標，因此，我們必須使用自定義交易策略。並在自定義策略中計算該指標。
10.4. 計算選股指標
爲了計算EV/EBITDA，我們必須至少先確認qteasy中是否已經提供了EV和EBITDA這兩種歷史數據：
我們可以使用API：find_history_data()來查看歷史數據類型是否被qteasy支持，首先查找 ebitda
>>> qt.find_history_data('ebitda')
輸出如下：
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中的數據類型需要通過qteasy.DataType來創建，DataType代表了一種歷史數據類型，它代表了qteasy可以直接從歷史數據中提取出的一類資訊，通過數據類型對象，qteasy提供了統一的數據接口，使得用戶可以非常容易地獲取到各種歷史數據資訊，而不需要關心數據類型的存儲方式、存儲位置；同時，qteasy完全封裝了所有數據類型的類型處理、頻率轉換、股票代碼匹配等等非常繁雜的底層數據邏輯，使得用戶可以完全不用關心每一種數據的存儲方式、直接使用即可。
關於qteasy數據類型的更詳細介紹，請參見QTEASY文檔。
qteasy的DataType包含三個屬性：
name: 數據類型的名稱，例如上面返回值中的
ebitdafreq: 數據的頻率，例如上面返回值中的
q，代表季度數據asset_type: 數據的資產類型，例如上面返回值中的
E，代表股票數據
以上三個屬性共同定義了一種唯一的數據類型。qteasy內置了大量的歷史數據類型，用戶可以直接使用這些數據類型來獲取歷史數據，而不需要自己去計算或者處理原始數據來得到這些數據類型。
從上面的返回值可以看出，在qteasy的內置歷史數據類型中，EBITDA是一個標準的歷史數據類型，這個數據來自於上市公司財務指標表 financial， 數據頻率爲 q（季度）：
接下來查看EV：
>>> qt.find_history_data('ev')
輸出如下：
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 的內置歷史數據類型中，沒有找到名字爲EV的歷史數據類型，此時可以使用參數fuzzy=True來確認。
>>> qt.find_history_data('ev', fuzzy=True)
輸出如下：
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
========================================================================
上面這張表格列出了qteasy中已經定義好且可以直接使用的數據類型，請注意 name / freq / asset 這三列，分別代表了數據類型的名稱、數據頻率以及數據的資產類型，這三列共同定義了一個唯一的數據類型，用戶可以通過qteasy.DataType(name, freq, asset)來創建一個數據類型對象來獲取這種數據類型的歷史數據。
儘管EV並不在 qteasy 的內置歷史數據類型中，但我們可以看到有一些與EV相關的歷史數據類型，例如總收入、每股收入等等，這些數據類型雖然與EV相關，但並不是我們需要的EV。
不過，我們知道EV可以通過下面的公式計算：
而上面幾個財務指標都是qteasy直接支持的：
總市值 - 數據類型：
total_mv總負債 - 數據類型：
total_liab總現金 - 數據類型：
c_cash_equ_end_period
爲此我們可以測試一下，查看這些數據類型的詳細解釋：
>>> qt.find_history_data('total_mv', fuzzy=True)
得到如下輸出：
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)
========================================================================
這裏需要注意的是total_mv這個數據類型有兩個版本，一個是以萬元爲單位的，一個是以億元爲單位的，我們在計算EV/EBITDA的時候，嚴格說來單位並不重要，但是在其他情況下需要注意，我們這裏將該數據乘以10000，以統一單位。
我們在這選擇DataType('total_mv', 'd', 'E')，這個數據類型代表了上市公司每天的總市值，單位爲萬元。
>>> qt.find_history_data('total_liab', fuzzy=True)
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
========================================================================
在這裏我們可以選擇數據類型DataType('total_liab', 'q', 'E')，這個數據類型代表了上市公司每個季度末的總負債，單位爲元。
>>> qt.find_history_data('cash', fuzzy=True)
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）
========================================================================
與cash相關的數據類型有很多，但我們需要的現金及現金等價物總額是DataType(c_cash_equ_end_period, 'q', 'E')，這個數據類型代表了上市公司每個季度末的現金及現金等價物總額。
根據上面的資訊，我們可以選擇下面四種數據類型來計算EV：
DataType('total_mv', 'd', 'E')，這個數據類型代表了上市公司每天的總市值，單位爲萬元。DataType('total_liab', 'q', 'E')，這個數據類型代表了上市公司每個季度末的總負債，單位爲元。DataType('c_cash_equ_end_period', 'q', 'E')，這個數據類型代表了上市公司每個季度末的現金及現金等價物總額，單位爲元。
我們可以測試一下，qteasy提供了一個非常方便的API：get_history_data()，可以直接獲取到這些數據類型的歷史數據：
# 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)
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]
可以看到選股因子已經計算出來了，那麼我們可以開始定義交易策略了。
10.5. 用FactorSorter定義Alpha選股策略
針對這種定時選股類型的交易策略，qteasy提供了FactorSorter交易策略類，顧名思義，這個交易策略基類允許用戶在策略的實現方法中計算一組選股因子，這樣策略就可以自動將所有的股票按照選股因子的值排序，並選出排名靠前的股票。至於排序方法、篩選規則、股票持倉權重等都可以通過策略參數設置。
如果符合上面定義的交易策略，使用FactorSorter策略基類將會非常方便。
下面我們就來一步步定義看看，首先繼承FactorSorter並定義一個類，在上一個章節中，我們在自定義策略的__init__()方法中定義名稱、描述以及默認參數等資訊，然而我們也可以忽略__init__()方法，僅僅在創建策略對象時傳入參數等資訊，這也是可以的，我們在這裏就這樣做：
>>> 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
與上一節相同，在realize()中需要做的第一步是獲取歷史數據。我們知道歷史數據包括total_mv, total_liab, c_cash_equ_end_period, ebitda等四種，這四種歷史數據將會被定義爲四種DataType傳入策略中。在策略中要使用這些歷史數據，可以直接使用self.get_data()方法：
# 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()方法通過每一種數據的數據ID來獲取相應的歷史數據。而每一種數據的ID默認ID就是它的名稱、資產類型和頻率的組合，例如：
DataType('total_mv', 'd', 'E')，這個數據類型的ID爲total_mv_E_d。DataType('total_liab', 'q', 'E')，這個數據類型的ID爲：total_liab_E_d。
qteasy會在交易策略開始運行之前準備好相應的交易數據，所有的交易數據都是一個numpy數組，這個數組的行數與投資池中的股票數量相同，的每一列對應着股票池中的一支股票；而行數與時間窗口的長度相同，每一行對應着時間窗口中的一個時間點，且以升序排列，最後一列代表交易當時能看到的最新的歷史數據。
按照這個規則，如果要獲取第I支股票在交易日當天能看到的最近的歷史數據，只要訪問array(-1， i)即可，通過下面的循環即可訪問同一時間內的所有股票的數據：
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]}')
不過，使用for-loop來訪問數據的效率比較低，您最好在策略中儘量使用向量化的操作以節省時間。
做好上述準備後，計算選股因子就非常方便了，而且，由於我們使用了FactorSorter策略基類，計算好選股因子後，直接返回選股因子就可以了，qteasy會處理剩下的選股操作：
# 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，僅僅用六行代碼，一個自定義Alpha選股交易策略就定義好了。是不是非常簡單？
好了，我們來看看回測的結果如何？
10.6. 交易策略的回測結果
由於我們忽略了策略類的__init__()方法，因此在實例化策略對象時，必須輸入完整的策略參數：
>>> 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
... )
然後創建一個Operator對象，因爲我們希望控制持倉比例，因此最好使用“PT”信號類型：
>>> 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)
回測結果如下：
====================================
| |
| 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=============
回測結果顯示這個策略並不能非常有效地跑贏滬深300指數，不過總體來說回撤較小一些，風險較低，是一個不錯的保底策略。
但策略的表現並不是我們討論的重點，下面我們再來看一看，如果不用FactorSorter基類，如何定義同樣的Alpha選股策略。
10.7. 用GeneralStg定義一個Alpha選股策略
前面已經提過了兩種策略基類：
RuleIterator： 用戶只需要針對一支股票定義選股規則，qteasy便能將同樣的規則應用到股票池中所有的惡股票上，而且還能針對不同股票設置不同的可調參數FactorSorter：用戶只需要定義一個選股因子，qteasy便能根據選股因子自動排序後選擇最優的股票持有，並賣掉不夠格的股票。
而GeneralStg是qteasy提供的一個最基本的策略基類，它沒有提供任何“語法糖”功能，幫助用戶降低編碼工作量，但是正是因爲沒有語法糖，它纔是一個真正的“萬能”策略類，可以用來更加自由地創建交易策略。
上面的Alpha選股交易策略可以很容易用FactorSorter實現，但爲了瞭解GeneralStg，我們來看看如何使用它來創建相同的策略：
直接把完整的代碼貼出來：
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
將上面的代碼與FactorSorter的代碼對比，可以發現，GeneralStg的代碼在計算出選股因子以後，還多出了因子處理的工作：
剔除小於零的因子
排序並選出剩餘因子中最小的30個
選出股票後將他們的持倉比例設置爲3.3%
事實上，上面的這些工作都是FactorSorter提供的“語法糖”，在這裏我們必須手動實現而已。值得注意的是，我在上面例子中使用的排序等代碼都是從FactorSorter中直接提取出來的高度優化的numpy代碼，它們的運行速度是很快的，比一般用戶能寫出的代碼快很多，因此，只要條件允許，用戶都應該儘量利用這些語法糖，只有在不得已的情況下才自己編寫排序代碼。
大家可以研究一下上面的代碼，但是請注意，如果使用GeneralStg策略類，策略的輸出應該是股票的目標倉位，而不是選股因子。
下面看看回測結果：
10.8. 回測結果：
使用同樣的數據進行回測：
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
)
回測結果如下：
====================================
| |
| 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=============
兩種交易策略的輸出結果基本相同
10.9. 本節回顧
通過本節的學習，我們瞭解了qteasy提供的另外兩種交易策略基類FactorSorter和GeneralStg的使用方法，實際創建了兩個交易策略，雖然使用不同的基類，但是創建出了基本相同的Alpha選股交易策略。
在下一個章節中，我們仍然將繼續介紹自定義交易策略，但是會用一個更加複雜的例子來演示自定義交易策略的使用方法。敬請期待！