Python量化交易——分享一个五年五倍收益，年化收益率44%的多因子选股交易策略！

Python量化交易，使用qteasy测试一个多因子选股交易策略

问题介绍

今天我们尝试利用qteasy来创建一个多因子选股交易策略，看看它能否给我们带来超额收益。

qteasy是本人正在开发的一个快速量化交易工具包，完全免费使用。利用这个工具包，可以快速灵活地生成各种量化交易策略，生成历史数据并回测策略的表现，有针对性地优化策略的性能；还能模拟实盘自动化交易；不仅如此，qteasy还内嵌了tushare，可以快速建立一个本地数据仓库，实现大量金融数据的快速下载、清洗、存储和快速调用。qteasy目前最新版本为v1.0.20，并且正在不断迭代中，最新版本可以通过pip安装。

python -m pip install qteasy

要获取更多信息，请访问Github项目地址或项目文档

策略思想

本策略每隔1个月定时触发,根据Fama-French三因子模型对每只股票进行回归，得到其alpha值。 假设Fama-French三因子模型可以完全解释市场，则alpha为负表明市场低估该股，因此应该买入。计算市场收益率、个股的账面市值比和市值,并对后两个进行了分类, 根据分类得到的组合分别计算其市值加权收益率、SMB和HML. 对各个股票进行回归(假设无风险收益率等于0)得到alpha值.

策略的实现

在另外两篇介绍交易策略的文章中，我们仅仅使用了qteasy的内置交易策略，但是，上面的交易策略属于复杂策略，无法通过简单的内置交易策略实现，也无法通过将多个内置策略复合起来实现，因此，我们必须用到qteasy的自定义交易策略功能，才能实现。

import qteasy as qt
qt.__version__

使用qteasy自定义交易策略

qteasy提供了三种不同的策略类，便于用户针对不同的情况创建自定义策略。

• GeneralStg: 通用交易策略类，适用于最普遍的情形
• FactorSorter: 因子选股类，用户只需要定义出选股因子，便可以通过对象属性实现多种选股动作
• RuleIterator: 循环规则类，用户只要针对一支股票定义选股或择时规则，则同样的规则会被循环作用于所有的股票，而且不同股票可以定义不同的参数

qteasy中的策略自定义非常简单，只需要重写两个方法即可：

• __init__() 在此方法中定义策略的运行参数，包括运行的频率、视窗长度、使用的数据类型、可调参数数量类型等
• realize() 在此方法中定义策略的运行逻辑：根据数据生成交易信号

在这个例子中，我们使用

import qteasy as qt
import numpy as np

def market_value_weighted(stock_return, mv, mv_cat, bp_cat, mv_target, bp_target):
    """ 根据mv_target和bp_target计算市值加权收益率，在策略中调用此函数计算加权收益率

    """
    sel = (mv_cat == mv_target) & (bp_cat == bp_target)
    mv_total = np.nansum(mv[sel])
    mv_weight = mv / mv_total
    return_total = np.nansum(stock_return[sel] * mv_weight[sel])
    return return_total


class MultiFactors(qt.FactorSorter):
    """ 开始定义交易策略
    """
    def __init__(self, pars: tuple = (0.5, 0.3, 0.7)):
    	"""交易策略的初始化参数"""
        super().__init__(
                pars=pars,  
                par_count=3,  # 策略的可调参数有三个
                par_types=['float', 'float', 'float'],  # 参数1:大小市值分类界限，参数2:小/中bp分界线，参数3，中/大bp分界线
                par_range=[(0.01, 0.99)