Tutorial 07: 多因子选股¶
本篇导览
| 项目 | 说明 |
|---|---|
| 目标 | 掌握多因子打分、标准化与组合,理解机构常用选股流程 |
| 预计用时 | 约 90~120 分钟 |
| 前置 | Tutorial 06;链式选股见 选股 API 参考 第 3.14 节 |
多因子选股是机构量化基金最常用的方法之一。它不依赖单一指标,而是从价格、财务、情绪等多个维度综合评分,系统性地找出"性价比最高"的股票。
选股 API: 选股 API 参考 第 3.14 节(链式选股)、第 11 章(MultiFactorSelector)
目录¶
1. 什么是因子选股¶
因子(Factor) 是可以用来预测股票未来收益的数量化特征。
举例: - "过去一个月涨得最多的股票,下个月大概率继续涨"——这是动量因子 - "PE 最低的股票,长期来看更容易上涨"——这是价值因子 - "ROE 最高的公司,盈利能力强,适合长期持有"——这是质量因子
多因子选股的核心是:不依赖单一因子,而是综合多个因子打分,选出综合得分最高的股票组合。
股票池(100只)
↓
动量因子打分 → Z-Score 标准化
成交量因子打分 → Z-Score 标准化
价值因子打分 → Z-Score 标准化
↓
合成总分 = 因子1×权重1 + 因子2×权重2 + 因子3×权重3
↓
按总分排名,选前 N 名买入
2. 常见因子类型¶
2.1 技术类因子¶
| 因子名称 | 定义 | 特点 |
|---|---|---|
| 动量因子 | 过去 N 日收益率 | 短期趋势延续 |
| 反转因子 | 过去 5 日收益率的负值 | 短期超涨超跌修复 |
| 波动率因子 | 过去 N 日收益率的标准差 | 低波动溢价 |
| 成交量因子 | 近期成交量 / 历史均量 | 资金关注度 |
| 均线排列 | 价格 / MA 的比值 | 趋势强度 |
2.2 财务类因子¶
| 因子名称 | 定义 | 特点 |
|---|---|---|
| 价值因子 | 1 / PE(市盈率倒数) | 低估股票更安全 |
| 市净率 | 1 / PB | 资产价值修复 |
| 质量因子 | ROE(净资产收益率) | 盈利能力 |
| 成长因子 | 营收增速 / 利润增速 | 未来潜力 |
2.3 因子的使用原则¶
- 因子要有经济学逻辑:不能只是因为历史数据好就用,要能解释为什么有效
- 因子不能太相关:用 PE 和 PB 同时打分,意义不大(高度相关)
- 不同市场环境,因子有效性不同:动量在牛市有效,价值在熊市有效
3. A 股特色因子¶
A 股市场有一些独特的市场特征,可以构建特有的因子来捕捉超额收益。本节介绍两个典型的 A 股特色因子:北向资金流因子(情绪因子)和限售解禁因子(风险因子)。
3.1 北向资金流因子(情绪因子)¶
北向资金指通过沪股通和深股通进入 A 股市场的外资。由于北向资金通常被视为"聪明钱",其流向对市场情绪有较强的预测能力。
经济含义: 北向资金通常被视为"聪明钱"。持续净流入说明外资在加仓 A 股,情绪偏乐观;持续净流出说明外资在撤离,情绪偏悲观。
因子构建示例:
from datetime import datetime, timedelta
from eqlib import get_north_money_flow
def compute_north_money_factor(lookback_days=5):
"""
北向资金流因子:近 N 个交易日净买入占成交总额的比例。
返回:
float: 净流入占比,正值表示净流入;数据不足返回 None
"""
end_date = datetime.now().date()
# 多取一倍天数,覆盖周末和节假日
start_date = end_date - timedelta(days=lookback_days * 2 + 10)
df = get_north_money_flow(start_date=start_date, end_date=end_date)
if df is None or df.empty:
return None
# 取最近 N 个交易日(列为 date / net_buy / total_buy / total_sell,单位:亿元)
recent = df.tail(lookback_days)
total_net = recent['net_buy'].sum()
total_turnover = (recent['total_buy'] + recent['total_sell']).sum()
if total_turnover == 0:
return None
return total_net / total_turnover
def compute_north_momentum_factor(lookback_days=10):
"""
北向资金动量因子:近 N 个交易日净买入序列的趋势斜率(亿元/日)。
通过线性回归计算净流入趋势斜率。
"""
import numpy as np
end_date = datetime.now().date()
start_date = end_date - timedelta(days=lookback_days * 2 + 10)
df = get_north_money_flow(start_date=start_date, end_date=end_date)
if df is None or len(df) < lookback_days:
return None
# 净买入序列(亿元)
net_flows = df['net_buy'].tail(lookback_days).values
x = np.arange(len(net_flows))
cov_xy = np.cov(x, net_flows, ddof=0)[0, 1]
var_x = np.var(x, ddof=0)
if var_x == 0:
return None
return cov_xy / var_x
回测内行为:
get_north_money_flow()有 point-in-time 防护——回测会话内请求的日期范围会被截断到模拟时钟(before_trading_start、定时任务、handle_data等决策时回调内为 T-1),完全超出截断点的请求返回空 DataFrame,不会泄露未来数据。回测中的标准写法是把end_date固定为context.current_dt.date(),参照examples/20_all_weather_alpha/combined_strategy.py。
使用场景:
- 作为大盘择时信号:当北向资金连续 3 日净流出且金额较大时,降低仓位
- 作为情绪因子:与其他因子组合,给北向资金净流入股票加分
因子权重建议: 5%-10%(情绪因子波动较大,不宜过高)
3.2 限售解禁因子(风险因子)¶
限售股解禁是指原本不能在二级市场流通的股票变为可流通,通常会带来抛售压力。解禁因子主要用于风险规避。
经济含义: 大量限售股解禁意味着潜在抛售压力,解禁市值占流通市值的比例越高,股价承压越明显。
因子构建示例:
from eqlib import get_restriction_release, log
def compute_restriction_risk_factor(code, lookforward_days=30):
"""
限售解禁风险因子:未来 N 日内该股票的解禁压力评分。
返回:
float: 0~1 的风险评分,0 表示未来 N 日无解禁
"""
# 接口返回全市场未来 N 天的解禁列表,按 code 列自行过滤
df = get_restriction_release(days=lookforward_days)
if df is None or df.empty:
return 0.0
rows = df[df['code'] == code]
if rows.empty:
return 0.0
# release_pct:解禁市值占解禁前流通市值的比例(小数,0.05 表示 5%)
# release_value(亿元)、release_amount(万股)也可直接使用
release_pct = float(rows['release_pct'].max())
# 解禁比例达到 10%(0.10)视为高风险
return min(release_pct / 0.10, 1.0)
def filter_stocks_by_restriction(stock_pool, lookforward_days=30, threshold=0.05):
"""
过滤即将大比例解禁的股票。
参数:
stock_pool: 股票代码列表
lookforward_days: 前瞻天数
threshold: release_pct 阈值(小数,0.05 表示 5%),超过则过滤
返回:
list: 过滤后的股票列表
"""
df = get_restriction_release(days=lookforward_days)
if df is None or df.empty:
return list(stock_pool)
risky = set(df.loc[df['release_pct'] > threshold, 'code'])
filtered = []
for code in stock_pool:
if code in risky:
log.info('%s 未来 %d 日内解禁比例过高,已过滤' % (code, lookforward_days))
else:
filtered.append(code)
return filtered
回测内行为:
get_restriction_release()是快照接口——解禁名单按真实今天已公告的信息计算,数据提供商没有公告日历史。回测会话内调用会发出FutureWarning;set_option('avoid_future_data', True)下抛ValueError。解禁过滤适合研究与实盘环境;回测中建议用它离线生成固定股票池后再跑。
使用场景:
- 股票池过滤:在选股前排除即将有大比例解禁的股票
- 风险因子:作为负向因子,解禁风险高的股票得分低
- 持仓监控:对已持仓股票监控解禁计划,提前减仓
注意事项:
- 解禁因子应在选股前使用,而非与其他因子标准化后合成
- 解禁市值数据可能存在延迟,建议结合公告信息交叉验证
3.3 A 股特色因子组合示例¶
将北向资金因子与限售解禁因子结合,可以构建 A 股特有的"聪明钱+风险过滤"策略:
def a_share_stock_selection(base_scores, stock_pool):
"""
A 股特色选股:基础因子 + 北向资金加成 + 解禁风险过滤。
参数:
base_scores: 基础多因子得分字典 {code: score}
stock_pool: 股票池
返回:
dict: 调整后的最终得分
"""
# Step 1: 解禁风险过滤
filtered_stocks = filter_stocks_by_restriction(
stock_pool,
lookforward_days=30,
threshold=0.05
)
# Step 2: 北向资金情绪因子
north_factor = compute_north_money_factor(lookback_days=5)
# Step 3: 调整得分
final_scores = {}
for code in filtered_stocks:
if code not in base_scores:
continue
# 基础得分
score = base_scores[code]
# 根据北向资金流向调整仓位权重(不做个股区分)
# 北向资金净流入时,整体提高得分
if north_factor and north_factor > 0:
score *= (1 + north_factor * 0.5) # 弱调整
final_scores[code] = score
return final_scores
4. 因子构建基础¶
在 EasyQuant 中,因子通常用 attribute_history 获取历史数据,然后计算得出:
from eqlib import attribute_history, get_valuation
from eqlib import utils
def compute_momentum(code, period=20):
"""动量因子:过去 N 日收益率。"""
hist = attribute_history(code, period + 5, '1d', ['close'])
if hist.empty or len(hist) < period:
return None
return (hist['close'].iloc[-1] / hist['close'].iloc[-period]) - 1
def compute_volatility(code, period=20):
"""波动率因子:过去 N 日日收益率的标准差(低波动为好,取负值)。"""
hist = attribute_history(code, period + 5, '1d', ['close'])
if hist.empty or len(hist) < period:
return None
daily_returns = hist['close'].pct_change().dropna()
return -daily_returns.tail(period).std() # 取负,越小越好 → 负号后越大越好
def compute_volume_ratio(code, short=5, long=20):
"""成交量因子:近期均量 / 长期均量,反映资金关注度。"""
hist = attribute_history(code, long + 5, '1d', ['volume'])
if hist.empty or len(hist) < long:
return None
short_avg = hist['volume'].tail(short).mean()
long_avg = hist['volume'].tail(long).mean()
return short_avg / long_avg if long_avg > 0 else None
def compute_value(code):
"""价值因子:1 / PE(PE 越低,因子值越高)。"""
val = get_valuation(code)
if val is None or val.get('pe') is None or val['pe'] <= 0:
return None
return 1.0 / val['pe']
5. 三因子模型:动量 + 成交量 + 价格¶
我们先用三个纯技术因子构建一个基础版本,避免依赖实时财务数据:
5.1 因子定义¶
| 因子 | 含义 | 权重 |
|---|---|---|
| 动量 | 近 20 日收益率 | 40% |
| 成交量放大 | 近 5 日均量 / 近 20 日均量 | 30% |
| 短期反转修正 | 近 5 日收益率的负值(避免短期追高) | 30% |
5.2 因子计算示例¶
from eqlib import attribute_history
def score_stock_three_factor(code):
"""
三因子打分:动量 + 成交量 + 短期反转修正。
返回: dict 包含各因子值和总分,或 None(数据不足)
"""
hist = attribute_history(code, 35, '1d', ['close', 'volume'])
if hist.empty or len(hist) < 25:
return None
close = hist['close']
vol = hist['volume']
# 因子 1:近 20 日动量
momentum = (close.iloc[-1] / close.iloc[-20]) - 1
# 因子 2:成交量放大比
vol_ratio = vol.tail(5).mean() / vol.tail(20).mean()
# 因子 3:短期反转(近 5 日收益率为正时得分低,避免追高)
reversal = -((close.iloc[-1] / close.iloc[-5]) - 1)
return {
'momentum': momentum,
'vol_ratio': vol_ratio,
'reversal': reversal,
}
6. 加入财务因子¶
财务因子通常在策略中通过 get_valuation 获取,适合低频调仓(如每月一次):
from eqlib import get_valuation, get_financial_abstract
def score_stock_with_financials(code):
"""
加入财务因子:价值 + 质量。
适合低频(每月)更新。
"""
# 价值因子
val = get_valuation(code)
pe_factor = 0.0
pb_factor = 0.0
if val:
pe = val.get('pe')
pb = val.get('pb')
if pe and 0 < pe < 100: # 过滤负 PE(亏损企业)和极端高 PE(> 100 通常是泡沫)
pe_factor = 1.0 / pe
if pb and 0 < pb < 20:
pb_factor = 1.0 / pb
# 质量因子(ROE,从财务摘要中获取)
roe_factor = 0.0
try:
fin = get_financial_abstract(code)
if fin is not None and not fin.empty and '指标' in fin.columns:
# 行索引是指标分类("选项"列);指标中文名在"指标"列,报告期列按时间倒序
roe_rows = fin[fin['指标'].astype(str).str.contains('净资产收益率')]
if not roe_rows.empty:
# 取最新报告期("指标"列之后的第一列),单位是百分数(4.31 表示 4.31%)
roe = float(roe_rows.iloc[0, 1])
if 0 < roe < 100:
roe_factor = roe / 100.0
except Exception:
pass
return {
'pe_factor': pe_factor,
'pb_factor': pb_factor,
'roe_factor': roe_factor,
}
7. 因子标准化与合成¶
不同因子的量纲不同(动量是百分比,成交量比是倍数),直接加权会出现某个因子主导的问题。需要先标准化再合成。
7.1 Z-Score 标准化¶
def zscore_normalize(values_dict):
"""
对多只股票的因子值进行 Z-Score 标准化。
输入: {'code1': value1, 'code2': value2, ...}
输出: {'code1': z_score1, 'code2': z_score2, ...}
"""
import statistics
valid_items = [(k, v) for k, v in values_dict.items() if v is not None]
if len(valid_items) < 2:
return {k: 0.0 for k in values_dict}
codes, vals = zip(*valid_items)
mean_val = statistics.mean(vals)
std_val = statistics.stdev(vals)
if std_val == 0:
return {k: 0.0 for k in values_dict}
return {
code: (val - mean_val) / std_val
for code, val in valid_items
}
def merge_factor_scores(factor_dicts, weights):
"""
合并多个标准化后的因子字典。
factor_dicts: [{'code': z_score}, ...] 每个因子的 Z-Score 字典
weights: [w1, w2, ...] 对应权重,和为 1
返回: {'code': combined_score}
"""
combined = {}
for fdict, weight in zip(factor_dicts, weights):
for code, zscore in fdict.items():
combined[code] = combined.get(code, 0.0) + zscore * weight
return combined
7.2 使用示例¶
stock_pool = ['601390', '600519', '000858', '600036', '601318',
'000333', '600887', '000651', '600276', '000001']
# 计算每只股票的各因子原始值
raw_momentum = {}
raw_vol_ratio = {}
raw_reversal = {}
for code in stock_pool:
result = score_stock_three_factor(code)
if result is None:
continue
raw_momentum[code] = result['momentum']
raw_vol_ratio[code] = result['vol_ratio']
raw_reversal[code] = result['reversal']
# Z-Score 标准化
z_momentum = zscore_normalize(raw_momentum)
z_vol_ratio = zscore_normalize(raw_vol_ratio)
z_reversal = zscore_normalize(raw_reversal)
# 合成总分
combined = merge_factor_scores(
[z_momentum, z_vol_ratio, z_reversal],
weights=[0.4, 0.3, 0.3],
)
# 排名
ranked = sorted(combined.items(), key=lambda x: x[1], reverse=True)
print("排名 代码 综合得分")
for i, (code, score) in enumerate(ranked[:5]):
print('%2d. %s %.3f' % (i + 1, code, score))
8. 完整的多因子策略¶
from eqlib import *
from eqlib import utils
import statistics
# ========== 策略参数(模块级常量,引擎不会清除) ==========
STOCK_POOL = [
'601390', '600519', '000858', '600036', '000001',
'601318', '000333', '600887', '000651', '600276',
]
TOP_N = 3 # 每次持有排名前 3 的股票
LOOKBACK_LONG = 20 # 中期动量回看期
LOOKBACK_SHORT = 5 # 短期反转回看期
POSITION_PCT = 0.33 # 每只股票最多 33% 仓位
# ========== 因子函数 ==========
def compute_factors(code):
"""计算单只股票的三因子原始值,失败返回 None。"""
hist = attribute_history(code, LOOKBACK_LONG + 10, '1d', ['close', 'volume'])
if hist.empty or len(hist) < LOOKBACK_LONG:
return None
close = hist['close']
vol = hist['volume']
price = close.iloc[-1]
# 价格范围过滤:排除低价股(< 3 元)和极高价股(> 500 元)
if price < 3.0 or price > 500.0:
return None
momentum = (close.iloc[-1] / close.iloc[-LOOKBACK_LONG]) - 1
vol_ratio = vol.tail(5).mean() / vol.tail(20).mean()
reversal = -((close.iloc[-1] / close.iloc[-LOOKBACK_SHORT]) - 1)
return (momentum, vol_ratio, reversal)
def zscore_dict(values_dict):
"""Z-Score 标准化。"""
vals = list(values_dict.values())
if len(vals) < 2:
return {k: 0.0 for k in values_dict}
mean_v = statistics.mean(vals)
std_v = statistics.stdev(vals) or 1e-9
return {k: (v - mean_v) / std_v for k, v in values_dict.items()}
def rank_stocks(context):
"""
对股票池内所有股票打分排名,返回 [(code, score)] 从高到低排序。
"""
raw = {code: compute_factors(code) for code in STOCK_POOL}
raw = {k: v for k, v in raw.items() if v is not None}
if not raw:
return []
momentum_raw = {code: v[0] for code, v in raw.items()}
vol_ratio_raw = {code: v[1] for code, v in raw.items()}
reversal_raw = {code: v[2] for code, v in raw.items()}
z_m = zscore_dict(momentum_raw)
z_v = zscore_dict(vol_ratio_raw)
z_r = zscore_dict(reversal_raw)
scores = {
code: z_m.get(code, 0) * 0.4 +
z_v.get(code, 0) * 0.3 +
z_r.get(code, 0) * 0.3
for code in raw
}
return sorted(scores.items(), key=lambda x: x[1], reverse=True)
# ========== 策略主体 ==========
def initialize(context):
set_benchmark('000300.XSHG')
set_order_cost(OrderCost(
open_tax=0, close_tax=0.0005,
open_commission=0.00025, close_commission=0.00025,
min_commission=5,
))
context.universe = STOCK_POOL
run_weekly(rebalance, day_of_week=0, time='every_bar')
log.info('多因子策略初始化: 股票池=%d, 持仓Top%d' % (
len(STOCK_POOL), TOP_N))
def rebalance(context):
"""每周一重新打分并调仓。"""
ranked = rank_stocks(context)
if not ranked:
log.warn('无有效评分,跳过调仓')
return
top_stocks = [code for code, _ in ranked[:TOP_N]]
# 打印当前评分
log.info('本周评分排名:')
for i, (code, score) in enumerate(ranked[:TOP_N]):
log.info(' %d. %s score=%.3f' % (i + 1, code, score))
# 卖出不在 Top N 的持仓
for sec in list(context.portfolio.positions.keys()):
if sec not in top_stocks:
order_target(sec, 0)
log.info('卖出 %s(未入选本周 Top%d)' % (sec, TOP_N))
# 等权买入 Top N
weight = 1.0 / TOP_N
for sec in top_stocks:
target_value = context.portfolio.total_value * weight
order_target_value(sec, target_value)
log.info('调仓 %s,目标持仓=%.0f 元' % (sec, target_value))
if __name__ == '__main__':
result = run_strategy(
initialize,
start_date='2022-01-01',
end_date='2024-12-31',
starting_cash=300000,
benchmark='000300.XSHG',
securities=STOCK_POOL,
report_dir='reports',
)
9. 因子有效性检验¶
在投入使用前,需要检验因子是否真的有预测能力。
9.1 IC(信息系数)检验¶
IC 是 T 日因子值与 T 之后 N 日收益率的相关系数。IC 绝对值越大,预测能力越强。注意二者不能共用同一个时间窗口——拿"过去 5 日收益"当因子、再拿同一段 5 日收益当"未来收益",算出来的是伪前向 IC,没有预测含义。下面的实现把历史数据切成两段:因子只用截至 T 日的数据,收益取 T → T+N:
def compute_ic(stock_pool, factor_func, forward_period=5, factor_window=40):
"""
计算因子 IC(T 日因子值与 T→T+N 日收益率的 Pearson 相关)。
参数:
factor_func: function(hist) -> float | None
输入截至 T 日的历史数据,返回因子值
forward_period: 前瞻期 N(交易日)
factor_window: 因子计算所需的历史 bar 数
"""
import statistics
factor_values = []
forward_returns = []
for code in stock_pool:
# 一次取够:factor_window 根算因子,forward_period 根算前向收益
hist = attribute_history(
code, factor_window + forward_period + 5, '1d', ['close'])
if hist.empty or len(hist) < factor_window + forward_period:
continue
hist_t = hist.iloc[:-forward_period] # 截至 T 日的数据
f = factor_func(hist_t)
if f is None:
continue
# T → T+N 的真实前向收益
fwd_ret = hist['close'].iloc[-1] / hist_t['close'].iloc[-1] - 1
factor_values.append(f)
forward_returns.append(fwd_ret)
if len(factor_values) < 5:
return None
# 计算 Pearson 相关系数
n = len(factor_values)
mean_f = statistics.mean(factor_values)
mean_r = statistics.mean(forward_returns)
cov = sum((f - mean_f) * (r - mean_r)
for f, r in zip(factor_values, forward_returns)) / n
std_f = statistics.stdev(factor_values) or 1e-9
std_r = statistics.stdev(forward_returns) or 1e-9
ic = cov / (std_f * std_r)
return ic
# 示例:检验 20 日动量因子的 IC(股票池沿用 §8 的 STOCK_POOL)
ic_value = compute_ic(
STOCK_POOL,
lambda hist: (hist['close'].iloc[-1] / hist['close'].iloc[-20] - 1)
if len(hist) >= 20 else None,
forward_period=5,
)
if ic_value is not None:
print('动量因子 IC = %.4f' % ic_value)
# IC > 0.03 通常被认为有统计意义
# IC > 0.10 属于较强的预测信号
9.2 多空分组收益分析¶
将股票按 T 日因子值从高到低分成 5 组(Q1~Q5),比较各组 T→T+N 的收益。如果因子有效,Q1 组(最高分)应明显跑赢 Q5 组(最低分):
def factor_quintile_analysis(stock_pool, factor_func, forward_period=5, factor_window=40):
"""因子分组收益分析:按 T 日因子值分 5 组,比较各组 T→T+N 收益。"""
data = []
for code in stock_pool:
hist = attribute_history(
code, factor_window + forward_period + 5, '1d', ['close'])
if hist.empty or len(hist) < factor_window + forward_period:
continue
hist_t = hist.iloc[:-forward_period]
f = factor_func(hist_t)
if f is None:
continue
fwd = hist['close'].iloc[-1] / hist_t['close'].iloc[-1] - 1
data.append((code, f, fwd))
if len(data) < 5:
return
data.sort(key=lambda x: x[1], reverse=True)
n = len(data)
group_size = max(n // 5, 1)
print('因子分组收益分析(共 %d 只股票):' % n)
for q in range(5):
start = q * group_size
end = min((q + 1) * group_size, n) if q < 4 else n
group = data[start:end]
avg_ret = sum(r for _, _, r in group) / len(group)
print(' Q%d (Top %d%%): 平均收益 %.2f%%' % (
q + 1, (q + 1) * 20, avg_ret * 100))
10. 多因子选股的局限性¶
10.1 A 股散户市场的特殊性¶
| 因子 | 在美股 | 在 A 股 |
|---|---|---|
| 价值因子 | 长期有效 | 有效但周期较长,短期常被忽视 |
| 动量因子 | 中期(3-12 个月)有效 | 短期动量明显,但需警惕过热题材 |
| 质量因子(高 ROE) | 稳定有效 | 有效,但绩优股有时被冷落 |
| 成长因子 | 有效 | 在牛市中效果更强 |
10.2 因子衰减与轮换¶
没有一个因子永远有效,因子会"过时": - 当太多资金追逐同一因子时,预测能力下降 - 建议定期(每季度)检验 IC,判断因子是否仍有效
10.3 数据偏差¶
回测时使用的是当前的财务数据(get_valuation / get_financial_abstract),而非历史上该时点公布的数据,这会引入财务数据前瞻偏差(Look-ahead Bias)。2026-10 起,引擎在回测会话内调用这些快照接口时发出 FutureWarning,set_option('avoid_future_data', True) 下直接抛 ValueError——严格的多因子回测应当只使用历史时点可得的数据。
实用建议: 在回测中主要使用价格和成交量类因子(无前瞻偏差),把财务因子留作辅助参考或实盘筛选条件。北向资金(get_north_money_flow)例外:它在回测内按模拟时钟做 T-1 截断,可安全使用。
11. 下一步¶
掌握了多因子选股的基础,可以进一步:
- Tutorial 03: 策略优化与改进 — 参数调优、归因分析,检验多因子策略的稳健性
- Tutorial 06: 行业轮动 — 将多因子选股与行业轮动结合,先选行业再选股
- Example 17: 多因子选股策略 — 完整可运行的多因子示例代码
- Example 09: 绩效归因分析 — 对策略收益进行深度归因,了解选股效应和配置效应
- 工具库参考 —
utils.zscore、utils.rolling_sharpe、utils.max_drawdown等工具的详细说明
练习¶
- 修改因子权重(如动量权重从 40% 改为 60%),观察策略变化
- 加入第四个因子:近 60 日收益率(长期动量),权重 20%,其他因子各降 5%
- 将调仓频率从每周改为每月,分析换手率和净收益的变化
- 使用
analyze_returns对比多因子策略与双均线策略的风险调整收益 - 扩大股票池(加入你关注的股票),重新回测对比结果