跳转至

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。