作者：麦克煎蛋 出处：https://www.cnblogs.com/mazhiyong/ 转载请保留这段声明，谢谢！
这一节主要是了解基于“动量因子”的选股策略。
动量因子指的是股票在一段周期内的涨跌幅度 ，其本质是追涨杀跌。而选股策略，指的是基于这个因子的表现进行股票筛选，以及买入、卖出的操作。
该文章的策略和方法非常简单。仅适用于入门了解。
一、筛选股票池
考虑到成交活跃以及买入卖出的顺畅，这里选择的是沪深300持有个股。
def get_index_list(index_symbol='000300.XSHG'):
"""
获取指数成分股，指数代码查询：https://www.joinquant.com/indexData
:param index_symbol: 指数的代码，默认沪深300
:return: list，成分股代码
"""
stocks = get_index_stocks(index_symbol, '2023-01-09')
return stocks
def get_data(start_date, end_date, use_cols, index_symbol='000300.XSHG'):
"""
获取股票收盘价数据，并拼接为一个df
:param start_date: str
:param end_date: str
:param use_cols: list
:param index_symbol: str
:return data_concat: df，拼接后的数据表
"""
# 获取股票列表代码：沪深300持有个股、创业板、上证
stocks = st.get_index_list(index_symbol)
# 拼接收盘价数据
data_concat = pd.DataFrame()
# 获取股票数据，这里为了测试方便取前10条
for code in stocks[0:10]:
data = st.get_csv_price(code, start_date, end_date, use_cols)
return data
二、计算动量因子
1、计算策略
① 确定交易对象:股票池、考虑流动性(沪深300、创业板) ② 选定业绩评价周期:过去1~12个月 ③ 计算形成期收益率:过去N个月的收益率 ---> 生成交易信号 ④ 对收益率进行排序:最佳~赢家组合、最差~输家组合 ⑤ 确定持仓/换仓周期: 1个月、可自定义测算 ⑥ 连续或间隔一-段时期 ,不断重复②- -⑤行为 ⑦ 计算动量/反向策略各持有期的回报率 ⑧ 计算t/p统计值,判断是否存在动量效应
2、数据源
拼接股票池的数据为一张大表：
def get_data(start_date, end_date, use_cols, index_symbol='000300.XSHG'):
"""
获取股票收盘价数据，并拼接为一个df
:param start_date: str
:param end_date: str
:param use_cols: list
:param index_symbol: str
:return data_concat: df，拼接后的数据表
"""
# 获取股票列表代码：沪深300持有个股、创业板、上证
stocks = st.get_index_list(index_symbol)
# 拼接收盘价数据
data_concat = pd.DataFrame()
# 获取股票数据，这里为了测试方便取前10条
for code in stocks[0:10]:
data = st.get_csv_price(code, start_date, end_date, use_cols)
# 拼接多个股票的收盘价：日期 股票A收盘价 股票B收盘价 ...
data.columns = [code]
data_concat = pd.concat([data_concat, data], axis=1)
# 预览股票数据
# print(data_concat.tail())
return data_concat
3、具体计算过程
- 按月计算收益率。
- 根据收益率生成交易信号(这里的策略简化为买入排名靠前的，卖出排名靠后的)。
- 根据交易信号计算投资组合收益率。
- 评估策略结果。
def momentum(data_concat, shift_n=1, top_n=4):
"""
:param data_concat: df
:param shift_n: int,表示业绩统计周期（单位：月）
:return:
"""
# 转换时间频率：日->月
data_concat.index = pd.to_datetime(data_concat.index)
data_month = data_concat.resample('ME').last()
# 计算过去N个月的收益率 = 期末值/期初值 - 1 =（期末-期初）/ 期初
shift_return = data_month / data_month.shift(shift_n) - 1
# print(shift_return.head())
# print(shift_return.shift(-1))
# 生成交易信号：收益率排前n的>赢家组合>买入1，排最后n个>输家>卖出-1
buy_signal = get_top_stocks(shift_return, top_n)
sell_signal = get_top_stocks(-1 * shift_return, top_n)
signal = buy_signal - sell_signal
# print(signal.head())
# 计算投资组合收益率
returns = base.caculate_portfolio_return(shift_return, signal, top_n * 2)
print(returns.head())
# 评估策略效果：总收益率、年化收益率、最大回撤、夏普比
returns = base.evaluate_strategy(returns)
# 数据预览
# print(data_month.head())
return returns
关键函数：
def caculate_portfolio_return(data, signal, n):
"""
计算组合收益率
:param data: dataframe
:param signal: dataframe
:param n: int
:return returns: dataframe
"""
returns = data.copy()
# 投组收益率（等权重）= 收益率之和 / 股票个数
# 信号发出的指令是针对的下一个月的指令，所以数据要后移
returns['profit_pct'] = (signal * returns.shift(-1)).T.sum() / n
returns = calculate_cum_prof(returns)
return returns.shift(1) # 匹配对应的交易月份
策略评估函数：
def evaluate_strategy(data):
"""
评估策略收益表现
:param data: dataframe, 包含单次收益率数据
:return results: dict, 评估指标数据
"""
# 评估策略效果：总收益率、年化收益率、最大回撤、夏普比
data = calculate_cum_prof(data)
# 获取总收益率
total_return = data['cum_profit'].iloc[-1]
# 计算年化收益率（每月开仓）
annual_return = data['profit_pct'].mean() * 12
# 计算近一年最大回撤
data = caculate_max_drawdown(data, window=12)
# print(data)
# 获取近一年最大回撤
max_drawdown = data['max_dd'].iloc[-1]
# 计算夏普比率
sharpe, annual_sharpe = calculate_sharpe(data)
# 放到dict中
results = {'总收益率': total_return, '年化收益率': annual_return,
'最大回撤': max_drawdown, '夏普比率': annual_sharpe}
# 打印评估指标
for key, value in results.items():
print(key, value)
return data
标签：index,return,Python,shift,param,--,选股,data,concat From： https://www.cnblogs.com/mazhiyong/p/18143255