选股策略框架¶
本篇导览
| 项目 | 说明 |
|---|---|
| 目标 | 用选择器定期更新股票池,驱动组合调仓 |
| 前置 | 运行回测 |
1. 选股策略框架¶
选股由两部分组成:
- 选择器:
filter()剔除不合格股票,rank()排序并取前 N 只。 - 调度:
run_strategy(..., selection_func=..., selection_rebalance=...)决定选股函数多久跑一次。跑出的名单写入context.universe,策略按新名单调仓。
1.1 TopNSelector:单因子排名¶
按单个因子列排序,取前 N 只。factor 是 fetch_factor_data 返回的列名(字符串),不是函数。
from eqlib import TopNSelector
# PE 最低的 5 只(ascending=True = 升序,越小越好)
sel = TopNSelector(factor="pe", top_n=5, ascending=True)
selected = sel.rank(context.universe, context)
# 当日涨幅最高的 3 只(降序,越大越好)
sel = TopNSelector(factor="pct_change", top_n=3, ascending=False)
selected = sel.rank(context.universe, context)
签名:TopNSelector(factor: str = "pe", top_n: int = 5, ascending: bool = True)。
可用的 factor 列名:
| 列名 | 含义 | 回测中可用 |
|---|---|---|
pct_change |
当日涨跌幅 | 是 |
turnover |
换手率 | 是 |
ma5 / ma10 / ma20 |
均线值 | 是 |
rsi14 |
RSI(14) | 是 |
price / open / high / low / close / volume / money |
行情字段 | 是 |
pe / pb / total_value |
估值字段 | 否,回测中恒为 NaN(见 §1.6) |
1.2 MultiFactorSelector:多因子加权¶
对每列因子做 z-score 标准化,按权重加总成综合得分,取前 N 只。权重为负表示"越小越好"。
from eqlib import MultiFactorSelector
selector = MultiFactorSelector(
factors={"pe": -0.4, "pb": -0.2, "pct_change": 0.4}, # 不传时的默认值
top_n=5,
)
selected = selector.rank(context.universe, context)
签名:MultiFactorSelector(factors: Optional[dict] = None, top_n: int = 5)。
factors 只接受 {内置因子列名: 权重} 的映射,不接受自定义因子函数。要算自己的因子,见 §1.5。
1.3 调仓调度¶
两种注册方式,二选一:
# 方式一:run_strategy 参数
result = run_strategy(
initialize,
start_date="2024-01-01",
end_date="2024-12-31",
selection_func=my_selection,
selection_rebalance="monthly:1",
)
# 方式二:在 initialize 里声明
def initialize(context):
run_selection(my_selection, rebalance="weekly:0")
selection_rebalance 格式:
| 格式 | 含义 |
|---|---|
"monthly:N" |
每月首个 日期 >= N 的交易日(N 取 1-31) |
"weekly:N" |
每周第 N 个工作日(0=周一,4=周五) |
"daily" |
每个交易日 |
选股函数签名固定为 def my_selection(context) -> list[str],返回股票代码列表。引擎在调仓日的盘前调用它,用返回名单替换 context.universe,当天后续回调看到的就是新名单。返回空列表时引擎静默跳过(名单不变);抛异常时名单不变并记一条警告,回测继续。
1.4 过滤器¶
from eqlib import (
filter_st_stocks, filter_paused_stocks,
filter_low_price_stocks, filter_high_pe_stocks,
)
candidates = filter_st_stocks(context.universe) # 剔除 ST/*ST
candidates = filter_paused_stocks(candidates, context) # 剔除停牌
candidates = filter_low_price_stocks(candidates, 2.0, context) # 剔除 2 元以下
各过滤器在回测中的行为不同,用之前看清楚:
filter_paused_stocks、filter_low_price_stocks用预加载数据按context.current_dt过滤,无前视偏差。filter_st_stocks用的是真实当前日期的 ST 名单(akshare 快照),不是历史时点。回测中调用会发UserWarning,有幸存者偏差:当年是 ST、如今摘帽的票会被错误保留,反之被错误剔除。filter_high_pe_stocks在回测中拿不到历史 PE,原样返回全部候选并记一条警告——等于不过滤。
1.5 自定义因子:子类化 StockSelector¶
内置选择器只能用 fetch_factor_data 的现成列。要算自己的因子(比如 20 日动量),继承 StockSelector 并实现 rank():
from eqlib import StockSelector, attribute_history
class MomentumSelector(StockSelector):
"""20 日动量:区间涨幅最高的前 N 只。"""
def __init__(self, top_n: int = 3, lookback: int = 20):
self.top_n = top_n
self.lookback = lookback
def rank(self, securities, context):
momentum = {}
for sec in securities:
hist = attribute_history(sec, self.lookback + 1, "1d", ["close"])
if hist is None or len(hist) < self.lookback + 1:
continue
close = hist["close"]
momentum[sec] = close.iloc[-1] / close.iloc[0] - 1
ranked = sorted(momentum, key=momentum.get, reverse=True)
return ranked[: self.top_n]
filter() 默认原样返回候选,rank() 默认原样返回输入顺序,按需覆盖。
1.6 回测中估值因子不可用¶
fetch_factor_data 在回测模式下把 pe、pb、total_value 返回为 NaN——历史估值快照没有 PIT 数据源,给 NaN 是为了避免未来函数。连锁后果:
TopNSelector(factor="pe")在回测中会把所有行 dropna 掉,rank()返回空列表,context.universe保持不变。get_valuation(code)返回键是pe(另有pb、total_value、float_value、turnover、pct_change),但回测中它给的是真实当前快照,触发FutureWarning;set_option('avoid_future_data', True)时直接抛ValueError。
回测里做估值选股没有干净的数据源。务实的选择:用行情派生因子(pct_change、turnover、均线、RSI),或按 §1.5 自己写 rank() 并用历史行情算因子。
1.7 完整示例¶
每月首个交易日从股票池选出当日涨幅前 3 名,等权持有到下个月:
from eqlib import (
run_strategy, set_benchmark, set_order_cost, set_slippage,
run_daily, order_target, order_target_value,
TopNSelector, filter_paused_stocks, g,
)
from examples._defaults import DEFAULT_ORDER_COST, DEFAULT_SLIPPAGE
STOCK_POOL = ["601398", "601318", "600519", "002594", "000725", "600276"]
def initialize(context):
set_benchmark("000300.XSHG")
set_order_cost(DEFAULT_ORDER_COST)
set_slippage(DEFAULT_SLIPPAGE)
context.universe = STOCK_POOL
g.held_universe = None
run_daily(rebalance, time="every_bar")
def my_selection(context):
active = filter_paused_stocks(context.universe, context)
sel = TopNSelector(factor="pct_change", top_n=3, ascending=False)
return sel.rank(active, context)
def rebalance(context):
# 名单没变就不动
if context.universe == g.held_universe:
return
g.held_universe = list(context.universe)
for sec in list(context.portfolio.positions):
if sec.split(".")[0] not in {s.split(".")[0] for s in context.universe}:
order_target(sec, 0)
if not context.universe:
return
target = context.portfolio.total_value / len(context.universe)
for sec in context.universe:
order_target_value(sec, target)
result = run_strategy(
initialize,
start_date="2024-01-01",
end_date="2024-12-31",
securities=STOCK_POOL,
selection_func=my_selection,
selection_rebalance="monthly:1",
)
注意订单在次日开盘价成交(T→T+1),调仓日看到的名单次日才变成持仓。
完整参数说明见 选股策略 API 参考。