• 简单构建了一个基于胜率的趋势交易策略。认为过去一段时间（N天）内胜率较高、信息比率较高的股票会在紧随其后的几天有较好的表现1）先根据胜率要求筛选出过去N天胜率高的股票作为预选股票（benchmark可以是定义的确定阈值，或者是某个指数相应的收益率），用aprior算法进行快速筛选。第i只股票胜率的计算方式如下:

  winRate(i) = sum([sign(ret(i,t)-ret(bm,t))==1]/N)|t~(t-N,t)
  ＊ret(i,t): i股票在第t天的收益率；
  ＊ret（bm,t）: benchmark在第t天的收益率；

  2）从筛选出的股票中选择过去N天信息比率（收益率／波动率）高的部分股票构建备选投资组合；
  3）依据被选投资组合做买入操作，使用可用资金的50%～70%；
  4）设定股票止损位在收益下跌至0.95，止损时将仓位调整至原仓位的40%～60%；
  5）调仓频率为5天，股票池为沪深300。

import lib.aprior as libAprimport numpy as npimport DataAPIfrom CAL.PyCAL import *#################################################################################    Back Test Functions################################################################################def initialize(account):                   # 初始化虚拟账户状态    pass####init the univese of the choosen stockdef universeInit():    stockComponent = DataAPI.MktTickRTSnapshotIndexGet(securityID=u"000300.XSHG",field=u"lastPrice,shortNM")    stockCount = len(stockComponent)    stockTicker = stockComponent['ticker']    stockExchgID = stockComponent['exchangeCD']    stockID = []    for index in range(stockCount):        stockID.append(stockTicker[index] + '.' + stockExchgID[index])    return stockID####deal with the trading signalsdef handle_data(account):                  # 每个交易日的买入卖出指令    ####Presettings    histLength = 10    stockDataThres = 0        ####Dictionary of the return Rate     closePrice = account.get_attribute_history('closePrice',histLength)    retRate = {}    for index in account.universe:        retRate[index] = ((closePrice[index][1:] - closePrice[index][:-1])/closePrice[index][:-1]).tolist()        ####ret list of the benchmark    # calendar = Calendar('China.SSE')    # startDate = calendar.advanceDate(account.current_date,'-'+str(histLength)+'B').toDateTime()    # benchmark = DataAPI.MktIdxdGet(ticker = "000300",    #             field = "closeIndex",    #             beginDate = startDate,    #             endDate = account.current_date,pandas = '1')    # bmClose = benchmark['closeIndex'].tolist()    # bmRet = []    # for index in range(len(bmClose)-1):    #     bmRet.append((bmClose[1:][index]-bmClose[:-1][index])/bmClose[:-1][index])        ####List of transactions    transactions = []    for index in range(histLength-1):        tmpt = []        for stock in account.universe:            if retRate[stock][index] > stockDataThres:            # if retRate[stock][index] > bmRet[index]:                tmpt.append(stock)        transactions.append(tmpt)            ####List of hot stocks    hotStock = []    hotStockDict,hotStockList = libApr.apriori(transactions,0.95)    for index in hotStockList:        for stock in index:            if stock not in hotStock:                hotStock.append(stock)        ####List of the portfolio    retRate = {}    fluctRate = {}    sharpRate = {}    for index in hotStock:        retRate[index] = ((closePrice[index][-1] - closePrice[index][0])/closePrice[index][0])        fluctRate[index] = np.std(closePrice[index])          sharpRate[index] = retRate[index]/fluctRate[index]        portfolio = [index[0] for index in sorted(sharpRate.items(),key = lambda sharpRate:sharpRate[1])[-len(sharpRate)/2:]]            ####Stop loss at -0.05    validSecHist = account.get_attribute_history('closePrice',2)    for index in account.valid_secpos:        if (validSecHist[index][-1] - validSecHist[index][0])/validSecHist[index][0] < -0.05:            order_to(index,0.45*account.valid_secpos[index])        ####Buy portfolio    for index in portfolio:        amount = 0.65*account.cash/len(hotStock)/account.referencePrice[index]        order(index,amount)    return#################################################################################    Back Test Presetting################################################################################start = '2011-01-01'                       # 回测起始时间end = '2015-11-01'                         # 回测结束时间benchmark = 'HS300'                        # 策略参考标准universe = set_universe('HS300')# universe = universeInit()                # 证券池，支持股票和基金capital_base = 100000                      # 起始资金freq = 'd'                                 # 策略类型，'d'表示日间策略使用日线回测，'m'表示日内策略使用分钟线回测refresh_rate = 5                           # 调仓频率，表示执行handle_data的时间间隔，若freq = 'd'时间间隔的单位为交易日，若freq = 'm'时间间隔为分钟

策略表现

＊ 策略能产生一定的alpha；＊ 策略表现与起点强相关，sharpRatio不稳定；＊ 策略表现会受到自身参数设定的影响，例如胜率选择周期、筛选阈值、调仓频率、建仓头寸、止损仓位等，需要依据表现对其进行优化；＊ 策略在2011年4月至12月、2015年6月到11月有相对好的表现，可见其相对较适用于趋势下跌的市场环境。

问题探讨

因子选股模型的流程应该是怎样的？    一般来说，认为构建因子选股的模型需要有如下过程：        ＊1 大类配置：根据宏观判断市场，进行市场判断（根据不同市场选择不同因子）、资产配置（不同风险性证券的配比选择➡️不同热度的行业配比选择）和策略选择（市场中性、单边做多等）；        ＊2 选股－alpha端：对选股因子进行有效性分析，包括单因子的预测性、因子间相关性，构建多因子模型使得选股有尽可能高的alpha；        ＊3 选股－风险端：对alpha端的多因子模型进行风险评估，根据风险因子优化模型，使模型尽可能达到有效边界；        ＊4 择时－买卖时点：对根据因子模型选出的股票进行择时分析，进一步筛选投资组合中的股票及判断作何操作。

本策略的注意点：对调仓频率很敏感，前面两年调仓都是月度的，大概筛选阈值再设低点儿比较好；换手率有些低，当时考虑的是策略中没设置清仓，止损也只是减仓，所以每次调仓的待选股要少，不然资产组合中成分股可能会一直增加至全部成分股都入池。