单因子测试的流程

本文选择优矿平台介绍单因子测试流程，优矿是一个量化投资研究平台。大家可以免费注册使用。

1.市场中性策略

• 市场中性alpha策略是一类收益与市场涨跌无关，致力于获取绝对收益的低风险量化投资策略
• 其主要通过同时持有股票多头和期货空头，获取多头组合超越期货所对应基准指数的收益

2.单因子分析流程

• 策略的核心在于找到如上图一样能够稳健跑赢基准指数的多头组合
• 寻找组合的核心在于找到驱使股票获得超额收益的因子
• 本篇从单因子角度详细讲解研究步骤与细节

2.1 寻找单因子

• 符合经济、金融投资逻辑
• 数据来源：基本面、行情、分析师预期、大数据分析。。。
• 作为例子：以市盈率PE为例

2.2 构建因子

• 公式：PE = 每股价格/每股收益，将上式同时乘以总股本数就是，PE = 总市值/净利润
• 合理性：总市值是日度变化数据，净利润则是季度数据，为了对比的一致性以及结合企业经营的实际情况，一般采用TTM值（Trailing twelve months）TTM算法说明 – 对一般公司而言，每年会发布四次财务报表（一季报、半年报、三季报、年报） – 假设现在公布了该年的半年报，报表显示半年的净利润为A，那么首先要将半年报数据折算成年报数据，是否直接用2*A作为全年的净利润呢？ – TTM（Trailing Twelve Months）采用过去12个月的完整数据来计算年度财报数据 – 假设我们同时知道去年的年报和半年报，净利润分别为B和C，那么最新的净利润（TTM）= A + B – C
• 投资理念：由于我们假定是低估值会获得超额收益，所以将因子调整为 EP = 净利润/总市值，这样因子值越大就代表越高的持仓权重

# 优矿里提供了400多个因子数据，将诸如TTM类似的标准化算法工程化，可利用DataAPI直接获取

pe = DataAPI.MktStockFactorsOneDayGet(secID=set_universe(‘HS300’),tradeDate=u”20160922″,field=u”secID,tradeDate,PE”,pandas=”1″).set_index(‘secID’)

pe.head()

# pe.plot(figsize=(14,5))

• 构建好EP因子之后并非直接可用，还需要将其转化为实际可用的信号（signal）
• 常见的因子处理：去极值winsorize、中性化neutralize、标准化standardize去极值winsorize：调整明显不合理的极值中性化neutralize：调整不同行业之间的差异，季节调整标准化standardize：去量纲、多因子可加性
• 通过上述处理过的因子，得到的信号分布更平滑、更合理

2.3 回测分析

• 回测区间：2010年1月1日~2016年9月1日，基准为沪深300，中证800成分股，策略每20天换仓一次
• 因子选取：市盈率PE
• 因子处理：用到了去极值（winsorize）、标准化（standardize）处理
• 组合构建：整体分位+风格中性权重

import pandas as pd

import numpy as np

start = ‘2019-01-01’

end = ‘2021-09-01’

benchmark = ‘HS300’ # 策略参考标准

universe = DynamicUniverse(‘HS300’) + DynamicUniverse(‘ZZ500’)

capital_base = 10000000 # 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 = Monthly(1) # 调仓频率

accounts = {

‘fantasy_account’: AccountConfig(account_type=’security’, capital_base=10000000)

}

def initialize(context): # 初始化虚拟账户状态

pass

def handle_data(context): # 每个交易日的买入卖出指令

universe = context.get_universe()

yesterday =
context.previous_date.strftime(‘%Y-%m-%d’) # 向前移动一个工作日

data = context.history(universe, [‘PE’], time_range=1, style=’tas’)

data = data[yesterday]

factor = data[‘PE’].dropna()

factor = pd.Series(winsorize(factor, win_type=’QuantileDraw’, pvalue=0.05)) # 去极值

factor = 1.0 / factor

factor = factor.replace([np.inf, -np.inf], 0.0)

signal = standardize(dict(factor)) # 标准化

# 组合构建

wts = simple_long_only(signal, yesterday)

# 交易部分

account = context.get_account(‘fantasy_account’)

current_position = account.get_positions(exclude_halt=True)

target_position = wts.keys()

# 卖出当前持有，但目标持仓没有的部分

for stock in set(current_position).difference(target_position):

account.order_to(stock, 0)

# 根据目标持仓权重，逐一委托下单

for stock in target_position:

account.order_pct_to(stock, wts[stock])

回测结果