量化交易工具QMT试用（市值平衡策略回测）

myqijin

已于 2025-02-25 17:17:14 修改

阅读量543

点赞数 4

分类专栏：股票文章标签： python 金融

于 2025-02-25 17:14:57 首次发布

本文链接：https://blog.youkuaiyun.com/myqijin/article/details/145854039

版权

股票专栏收录该内容

26 篇文章

订阅专栏

1 背景

最近申请开通了QMT量化工具，正在学习相关操作技能，参考样例写了一个ETF场内基金的市值平衡策略，并对其进行了回测。初学乍到，还很懵懂，望有经验的大佬可以指点迷津。

2 市值平衡策略

市值平衡策略是一种基于格雷厄姆股债平衡理论的量化投资方法，其核心思想是通过动态调整股票和债券的配置比例，实现风险与收益的平衡。该策略的基本原理是：市场具有均值回归的特性，当股票市场上涨过多（估值偏高）时，后续可能出现回调；而当股票市场下跌过多（估值偏低）时，则有望迎来反弹。

具体操作流程如下：假设投资者在年初（1月1日）构建投资组合时，将资金平均分配于股票和债券两类资产，初始配置比例为50:50。随后，每隔一个固定周期（如3个月或6个月）对组合进行一次再平衡操作。当检查日（如3月31日）发现股票资产上涨导致股债比例偏离至60:40时，系统会自动卖出部分股票资产，并将所得资金用于买入债券资产，使股债比例重新回归50:50的目标配置。反之，若债券资产占比过高，则执行相反操作。通过这种定期再平衡的机制，策略能够在市场波动中保持相对稳定的风险敞口，同时实现"低买高卖"的效果。

这种策略的优势在于：1）通过纪律性的再平衡操作，避免投资者受情绪影响而追涨杀跌；2）利用资产间的负相关性，平滑组合波动；3）在长期投资中，能够有效控制下行风险，同时不错失市场上涨机会。对于普通投资者而言，市值平衡策略提供了一种简单有效的资产配置方法，适合追求稳健收益的投资者参考使用。

3 策略配置

这里选取了5至ETF基金，分别为：

159934 黄金ETF

513500 标普500ETF

513300 纳斯达克ETF

510300 沪深300ETF

159985 豆粕ETF

初始比例统一为20%，平均分配，通过每3个月调整一次持仓。

回测时间：2021年1月1日-2024年12月31日

比较基准：000300沪深300指数

4 部分代码

#encoding:gbk
'''
市值平衡策略
本策略事先设定好交易的股票篮子，按一定的交易交易对股票篮子中的持仓进行市值平衡
'''
import pandas as pd
import math

# 定义一个空类G，用于存储全局变量
class G:
    pass

# 创建G类的实例g，用于存储全局数据
g = G()

def init(ContextInfo):
    """
    初始化函数，在策略开始时执行，用于初始化全局变量和设置初始参数。

    参数:
    ContextInfo: 上下文信息对象，包含策略运行所需的各种信息
    """
    # 定义股票池，包含要交易的ETF代码
    g.code_list = ['159934.SZ', '513500.SH', '513300.SH', '510300.SH', '159985.SZ']
    # 设置账户ID
    ContextInfo.accID = 'test'
    # 初始化可用资金，从上下文信息中获取初始资金
    g.money = ContextInfo.capital
    # 初始化持仓字典，记录每只股票的初始持仓为0
    g.po = {}
    for code in g.code_list:
        g.po[code] = 0
    # 将持仓字典转换为DataFrame，方便后续处理
    g.position = pd.DataFrame.from_dict(g.po, orient="index").rename(columns={0: "position"}).reset_index()
    # 重命名DataFrame的列名
    g.position = g.position.rename(columns={'index': 'code'})
    # 计算股票池中股票的数量
    g.etf_num = len(g.code_list)
    # 计算每只股票的目标市值，将总资金平均分配到每只股票
    g.target_mark = g.money / g.etf_num
    # 定义调仓日期，格式为月份和日期
    g.tradedate = ['0331', '0630', '0930', '1231']

    print('------------------Init finished------------------')

def handlebar(ContextInfo):
    """
    处理每个bar的函数，在每个bar到达时执行，用于判断是否调仓并进行交易操作。

    参数:
    ContextInfo: 上下文信息对象，包含策略运行所需的各种信息
    """
    # 获取当前bar的位置
    index = ContextInfo.barpos
    # 获取当前bar的时间标签、上一bar的时间标签和上两bar的时间标签
    realtimetag = ContextInfo.get_bar_timetag(index)
    last1timetag = ContextInfo.get_bar_timetag(index - 1)
    last2timetag = ContextInfo.get_bar_timetag(index - 2)
    # 将时间标签转换为日期时间格式
    realtime = timetag_to_datetime(realtimetag, '%Y%m%d%H%M%S')
    last1time = timetag_to_datetime(last1timetag, '%Y%m%d%H%M%S')
    last2time = timetag_to_datetime(last2timetag, '%Y%m%d%H%M%S')
    # 提取当前时间的月份和日期
    realtimeym = timetag_to_datetime(realtimetag, '%m%d')
    # 判断是否为调仓日，如果不是调仓日且当前有持仓，则直接返回
    if (realtimeym not in g.tradedate) & (g.position['position'].sum() != 0):
        return
    print(f"调仓日：{realtime}")
    # 获取上一日bar的收盘价格
    close_df = get_price(realtime, ContextInfo, 'open')
    # 获取当日bar的开盘价格
    open_df = get_price(realtime, ContextInfo, 'open')
    # 处理价格数据，合并持仓信息并计算目标持仓等
    merge_df = data_process(open_df, close_df)
    # 根据处理后的数据进行交易操作，调整持仓至目标持仓
    trade(merge_df, ContextInfo, last1time)

def get_price(select_time, ContextInfo, field):
    """
    获取指定时间的市场价格数据。

    参数:
    select_time: 要获取数据的时间
    ContextInfo: 上下文信息对象，包含策略运行所需的各种信息
    field: 要获取的价格字段，如'open'表示开盘价

    返回:
    包含价格数据的DataFrame
    """
    # 从上下文信息中获取市场数据
    close_dict = ContextInfo.get_market_data_ex(
        [field],
        stock_code=g.code_list,
        end_time=select_time,
        count=1,
        period=ContextInfo.period,
        dividend_type="front",
    )
    # 初始化一个空的DataFrame用于存储价格数据
    close_df = pd.DataFrame()
    # 遍历每个股票的价格数据，添加股票代码列并合并到DataFrame中
    for k in close_dict.keys():
        close_dict[k]['code'] = k
        close_df = pd.concat([close_df, close_dict[k]])
    return close_df

def data_process(open_df, close_df):
    """
    处理价格数据，合并持仓信息并计算目标持仓、目标市值等。

    参数:
    open_df: 包含开盘价的DataFrame
    close_df: 包含收盘价的DataFrame

    返回:
    处理后的DataFrame，包含持仓、价格、目标市值、目标持仓等信息
    """
    # 合并持仓信息和开盘价数据
    merge_df = pd.merge(g.position[['code', 'position']], open_df, on='code')
    # 计算当前市值
    merge_df['market_value'] = merge_df['position'] * merge_df['open']
    # 如果当前持仓为0，则将目标市值设置为初始分配的目标市值
    if merge_df['position'].sum() == 0:
        merge_df['target_mark'] = g.target_mark
    # 否则，将目标市值设置为当前市值的平均值
    else:
        merge_df['target_mark'] = merge_df['market_value'].mean()
    # 计算目标持仓，向下取整到100的整数倍
    merge_df['target_volume'] = merge_df.apply(lambda x: math.floor(x['target_mark'] / x['open'] / 100) * 100, axis=1)
    # 计算需要调整的持仓数量
    merge_df['volume'] = merge_df['target_volume'] - merge_df['position']
    print(merge_df)
    return merge_df

def trade(merge_df, ContextInfo, last1time):
    """
    根据处理后的数据进行交易操作，调整持仓至目标持仓。

    参数:
    merge_df: 处理后的DataFrame，包含持仓、价格、目标市值、目标持仓等信息
    ContextInfo: 上下文信息对象，包含策略运行所需的各种信息
    last1time: 上一bar的时间
    """
    # 遍历每只股票，判断是否需要卖出
    for r, d in merge_df.iterrows():
        if d['volume'] <= -100:
            # 计算可卖出的最大数量
            volume = min(-d['volume'], d['position'])
            # 执行卖出订单，这里的passorder函数应该是自定义的下单函数
            passorder(24, 1101, 'testS', d['code'], 5, d['open'], volume, ContextInfo)
            # 更新持仓信息
            merge_df.at[r, 'position'] = d['target_volume']
            # 更新可用资金
            g.money += volume * d['open']
            print(last1time, '卖出', d['code'], ':', volume, '@', d['open'], 'money:', g.money)
    # 遍历每只股票，判断是否需要买入
    for r, d in merge_df.iterrows():
        if d['volume'] >= 100:
            # 计算可买入的最大数量
            volume = min(d['volume'], math.floor(g.money / d['open'] / 100) * 100)
            # 执行买入订单，这里的passorder函数应该是自定义的下单函数
            passorder(23, 1101, 'testS', d['code'], 5, d['open'], volume, ContextInfo)
            # 更新持仓信息
            merge_df.at[r, 'position'] = d['target_volume']
            # 更新可用资金
            g.money -= volume * d['open']
            print(last1time, '买入', d['code'], ':', volume, '@', d['open'], 'money:', g.money)
    # 更新全局持仓信息
    g.position = merge_df[['code', 'position']]