研报复现 | 优加换手率策略

本策略根据东吴证券研报《“技术分析拥抱选股因子”系列研究（八）：优加换手率：解决1+1＜2的难题》提出一种“优加法”，构建了“优加换手率 UTR 因子” ，表现明显优于传统的组合方式。

量稳与量小换手率因子的相互碰撞，产生了与单因子逻辑相矛盾之处：同时满足“量最稳”、“量最小” 的股票，未来表现并非最强；在量较稳的样本中，反而是量越大的股票， 未来表现越好。其中，量小换手率因子为传统的换手率因子。

通过“优加法”对量小换手率因子和量稳换手率因子进行计算组合，得到优加换手率因子，根据因子值进行交易。

本策略运行所基于的环境：python3.8 掘金终端IDE

一、策略思路

1、计算量小换手率因子 Turn20 ：以 20 日换手率为例，即每月月底计算每只股票过去 20 个交易日的日均换手率，做市值中性化处理；

2、计算量稳换手率因子 STR：每月月底，回溯每只股票过去 20 个交易日，计算 20 日换手率的标准差，做市值中性化处理；

3、计算优加换手率因子 UTR：

a.每月月底，计算所有股票的量小因子 Turn20 和量稳因子 STR；

b.先将所有样本按照量稳因子从小到大排序，打分 1,2,……,N-1,N，N 为当期样本数量，记为“得分 1”；为了方便表述，暂且假定 N 为偶数；

c.取量稳因子排名靠前的 50%样本，再将它们按照量小因子从大到小排序，打分1,2,……,N/2，记为“得分 2”；“得分 1”+“得分 2”，即为这些股票的最终得分；

d.对于量稳因子排名靠后的 50%样本，则将它们按照量小因子从小到大排序， 打分1,2,……,N/2，记为“得分 3”；这些股票的最终得分为“得分 1”+“得分 3”；

所有样本的上述最终得分，即为优加换手率因子的因子值。

4、按照因子值对所有样本排序，做 10 分组回测。

5、对每组中最终得分最小的10%的股票进行买入。

二、策略逻辑

· 第一步：设置参数

· 第二步：每月第一个交易日定时执行algo任务，按策略思路筛选股票

· 第三步：不在股票池的股票全部卖出，对股票池中的股票进行买入

· 回测期：2019-01-01 08:00:00 到 2020-12-31 16:00:00

· 回测初始资金：1000万

· 手续费：0.0001

· 滑点：0.0001

三、回测结果与稳健性分析

我们进行了10分组回测，下图为每组的回测结果。

可见，其中第一组的回测结果是较好的，回测期策略累计收益率为94.26%，年化收益率为47.06%，最大回撤为8.05%，夏普比率为2.28，胜率为56.72%。

（本次回测报告由掘金量化提供）

四、策略代码

# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from sklearn.linear_model import LinearRegression
import multiprocessing
import numpy as np
import pandas as pd
from gm.api import *'''
本策略计算优加换手率因子，通过10分组回测筛选有效因子；
10分组回测基本思想：设定所需优化的参数数值范围及步长，将参数数值循环输入进策略，进行遍历回测，记录每次回测结果和参数，根据某种规则将回测结果排序，找到最好的参数。
1、定义策略函数
2、多进程循环输入参数数值
3、获取回测报告，生成DataFrame格式
4、排序
'''# 原策略中的参数定义语句需要删除！
def init(context):# 每月的第一个交易日的09:40:00执行策略algoschedule(schedule_func=algo, date_rule='1m', time_rule='9:40:00')# 设置交易标的context.symbol = None# 设置买入股票资金比例context.ratio = 0.5def MAD(data, N):"""---N倍中位数去极值---1 求所有因子的中位数 median2 求每个因子与中位数的绝对偏差值，求得到绝对偏差值的中位数 new_median3 根据参数 N 确定合理的范围为 [median−N*new_median,median+N*new_median]，并针对超出合理范围的因子值做调整"""median = data.quantile(0.5)new_median = abs(data - median).quantile(0.5)# 定义N倍的中位数上下限high = median + N * new_medianlow = median - N * new_median# 替换上下限data = np.where(data > high, high, data)data = np.where(data < low, low, data)return data

如需获取完整源码，请点击下方链接查看：

研报复现 | 优加换手率策略 - 掘金量化社区 - 量化交易者的交流社区

声明：本内容首发至掘金量化公众号与掘金量化社区，仅供学习、交流、演示之用，不构成任何投资建议！如需转载原创文章请联系掘金小Q（myquant2018）。 

掘金量化-集数据、投研、实盘交易的一站式专业量化平台