本文主要是介绍【python量化交易】—— Alpha选股策略 - Qteasy自定义交易策略【附源码】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
使用qteasy创建并回测Alpha选股交易策略
- 使用`qteasy`创建并回测Alpha选股交易策略
- 策略思想
- 第一种自定义策略设置方法，使用持仓数据和选股数据直接生成比例交易信号PS信号：
- 第二种自定义策略设置方法，使用`PT`交易信号设置持仓目标：
- 第三种自定义策略设置方法：
使用qteasy创建并回测Alpha选股交易策略
我们今天使用qteasy来回测一个alpha选股交易策略，qteasy是一个功能全面且易用的量化交易策略框架，Github地址在这里。使用它，能轻松地获取历史数据，创建交易策略并完成回测和优化，还能实盘运行。项目文档在这里。
为了继续本章的内容，您需要安装qteasy【教程1】，并下载历史数据到本地【教程2、），详情可以参考更多教程【教程3】。
建议您先按照前面教程的内容了解qteasy的使用方法，然后再参考这里的例子创建自己的交易策略。
策略思想
本策略每隔1个月定时触发计算SHSE.000300成份股的过去的EV/EBITDA并选取EV/EBITDA大于0的股票，随后平掉排名EV/EBITDA不在最小的30的股票持仓并等权购买EV/EBITDA最小排名在前30的股票
回测数据为:SHSE.000300沪深300指数成份股
回测时间为:2016-04-05 到 2021-02-01
import qteasy as qt
import pandas as pdd
import numpy as np
在选股之前，需要检查需要的历史数据
EV/EBITDA数据并不直接存在于qteasy定义的数据类型中，需要通过几个数据组合计算出来
EV/EBITDA = (Market Capitalization + Total Debt - Total Cash) / EBITDA
上面几个数据分别代表总市值、总负债、总现金及现金等价物，这些数据需要从qteasy内置的数据类型中分别提取，并使用上面的公式计算后，作为选股因子。排除掉小于0的因子后，将所有选股因子从小到大排列，选出因子排在最前的30支股票，将手中的全部资金平均分配投入到所有选中的股票中持有一个月，直到下一次选股为止。
我们可以通过下面的方法检查数据检查结果。
htypes = 'total_mv, total_liab, c_cash_equ_end_period, ebitda'
shares = qt.filter_stock_codes(index='000300.SH', date='20220131')
print(shares[0:10])
dt = qt.get_history_data(htypes, shares=shares, asset_type='any', freq='m')one_share = shares[24]df = dt[one_share]df['ev_to_ebitda'] = (df.total_mv + df.total_liab - df.c_cash_equ_end_period) / df.ebitda输出结果如下
['000001.SZ', '000002.SZ', '000063.SZ', '000066.SZ', '000069.SZ', '000100.SZ', '000157.SZ', '000166.SZ', '000301.SZ', '000333.SZ']
有了上面的数据定义，我们就可以创建这样的选股策略了。
实际上，我们可以使用好几种不同的方法实现同样的选股策略：
第一种自定义策略设置方法，使用持仓数据和选股数据直接生成比例交易信号PS信号：
使用GeneralStrategy策略类，计算选股因子后，去掉所有小于零的因子，排序后提取排名前三十的股票
按以下逻辑生成交易信号：
1，检查当前持仓，如果持仓的股票不在选中的30个中间，则全数卖出
2，检查当前持仓，如果新选中的股票没有持仓，则等权买入新增选中的股票
设置交易信号类型为PS，生成交易信号
由于生成交易信号需要用到持仓数据，因此不能使用批量生成模式，只能使用stepwise模式
策略的定义如下
class AlphaPS(qt.GeneralStg):def realize(self, h, r=None, t=None, pars=None):# 从历史数据编码中读取四种历史数据的最新数值total_mv = h[:, -1, 0] # 总市值total_liab = h[:, -1, 1] # 总负债cash_equ = h[:, -1, 2] # 现金及现金等价物总额ebitda = h[:, -1, 3] # ebitda，息税折旧摊销前利润# 从持仓数据中读取当前的持仓数量，并找到持仓股序号own_amounts = t[:, 0]owned = np.where(own_amounts > 0)[0] # 所有持仓股的序号not_owned = np.where(own_amounts == 0)[0] # 所有未持仓的股票序号# 选股因子为EV/EBIDTA，使用下面公式计算factors = (total_mv + total_liab - cash_equ) / ebitda# 处理交易信号，将所有小于0的因子变为NaNfactors = np.where(factors < 0, np.nan, factors)# 选出数值最小的30个股票的序号arg_partitioned = factors.argpartition(30)selected = arg_partitioned[:30] # 被选中的30个股票的序号not_selected = arg_partitioned[30:] # 未被选中的其他股票的序号（包括因子为NaN的股票）# 开始生成交易信号signal = np.zeros_like(factors)# 如果持仓为正，且未被选中，生成全仓卖出交易信号own_but_not_selected = np.intersect1d(owned, not_selected)signal[own_but_not_selected] = -1 # 在PS信号模式下 -1 代表全仓卖出# 如果持仓为零，且被选中，生成全仓买入交易信号selected_but_not_own = np.intersect1d(not_owned, selected)signal[selected_but_not_own] = 0.0333 # 在PS信号模式下，+1 代表全仓买进 （如果多只股票均同时全仓买进，则会根据资金总量平均分配资金）return signal
创建一个Operator对象，并运行这个策略。
由于策略使用了当前持仓数据，因此只能使用stepwise模式回测
alpha = AlphaPS(pars=(),par_count=0,par_types=[],par_range=[],name='AlphaPS',description='本策略每隔1个月定时触发计算SHSE.000300成份股的过去的EV/EBITDA并选取EV/EBITDA大于0的股票',data_types='total_mv, total_liab, c_cash_equ_end_period, ebitda',strategy_run_freq='m',data_freq='d',window_length=100)
op = qt.Operator(alpha, signal_type='PS')
op.op_type = 'stepwise'
op.run(mode=1,asset_type='E',asset_pool=shares,trade_batch_size=100,sell_batch_size=1,trade_log=True)输出结果如下：
====================================| || BACK TESTING RESULT || |====================================qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 0.0ms
time consumption for operation back looping: 6s 192.6msinvestment starts on 2016-04-05 00:00:00
ends on 2021-02-01 00:00:00
Total looped periods: 4.8 years.-------------operation summary:------------
Only non-empty shares are displayed, call
"loop_result["oper_count"]" for complete operation summarySell Cnt Buy Cnt Total Long pct Short pct Empty pct
000301.SZ 1 1 2 10.3% 0.0% 89.7%
000786.SZ 2 2 4 27.5% 0.0% 72.5%
000895.SZ 1 2 3 66.4% 0.0% 33.6%
002001.SZ 2 2 4 56.9% 0.0% 43.1%
002007.SZ 0 1 1 68.3% 0.0% 31.7%
002027.SZ 2 2 4 41.3% 0.0% 58.7%
002032.SZ 2 2 4 6.9% 0.0% 93.1%
002044.SZ 1 1 2 1.8% 0.0% 98.2%
002049.SZ 1 1 2 5.1% 0.0% 94.9%
002050.SZ 4 4 8 13.8% 0.0% 86.2%
... ... ... ... ... ... ...
603806.SH 3 3 6 62.1% 0.0% 37.9%
603899.SH 3 3 6 38.1% 0.0% 61.9%
000408.SZ 2 3 5 35.5% 0.0% 64.5%
002648.SZ 1 1 2 5.2% 0.0% 94.8%
002920.SZ 1 1 2 5.1% 0.0% 94.9%
300223.SZ 1 1 2 5.2% 0.0% 94.8%
300496.SZ 1 1 2 10.5% 0.0% 89.5%
600219.SH 0 1 1 6.1% 0.0% 93.9%
603185.SH 1 1 2 5.2% 0.0% 94.8%
688005.SH 1 1 2 3.5% 0.0% 96.5% Total operation fee: ¥ 750.28
total investment amount: ¥ 100,000.00
final value: ¥ 182,142.87
Total return: 82.14%
Avg Yearly return: 13.22%
Skewness: -0.36
Kurtosis: 2.40
Benchmark return: 65.96%
Benchmark Yearly return: 11.06%------strategy loop_results indicators------
alpha: 0.035
Beta: 1.175
Sharp ratio: 1.244
Info ratio: 0.005
250 day volatility: 0.113
Max drawdown: 19.03% peak / valley: 2018-05-22 / 2019-01-03recovered on: 2019-04-01===========END OF REPORT=============
第二种自定义策略设置方法，使用PT交易信号设置持仓目标：
在完成选股因子的计算之后，直接设置每个股票的持仓目标，这样就不需要使用知道持仓数据，直接输出持仓目标信号
，在回测过程中根据实际持仓量生成交易信号。
class AlphaPT(qt.GeneralStg):def realize(self, h, r=None, t=None, pars=None):# 从历史数据编码中读取四种历史数据的最新数值total_mv = h[:, -1, 0] # 总市值total_liab = h[:, -1, 1] # 总负债cash_equ = h[:, -1, 2] # 现金及现金等价物总额ebitda = h[:, -1, 3] # ebitda，息税折旧摊销前利润# 选股因子为EV/EBIDTA，使用下面公式计算factors = (total_mv + total_liab - cash_equ) / ebitda# 处理交易信号，将所有小于0的因子变为NaNfactors = np.where(factors < 0, np.nan, factors)# 选出数值最小的30个股票的序号arg_partitioned = factors.argpartition(30)selected = arg_partitioned[:30] # 被选中的30个股票的序号not_selected = arg_partitioned[30:] # 未被选中的其他股票的序号（包括因子为NaN的股票）# 开始生成PT交易信号signal = np.zeros_like(factors)# 所有被选中的股票的持仓目标被设置为0.03，表示持有3.3%signal[selected] = 0.0333# 其余未选中的所有股票持仓目标在PT信号模式下被设置为0，代表目标仓位为0signal[not_selected] = 0 return signal生成一个Operator对象，运行回测
alpha = AlphaPT(pars=(),par_count=0,par_types=[],par_range=[],name='AlphaSel',description='本策略每隔1个月定时触发计算SHSE.000300成份股的过去的EV/EBITDA并选取EV/EBITDA大于0的股票',data_types='total_mv, total_liab, c_cash_equ_end_period, ebitda',strategy_run_freq='m',data_freq='d',window_length=100)
op = qt.Operator(alpha, signal_type='PT')
res = op.run(mode=1,asset_type='E',asset_pool=shares,PT_buy_threshold=0.00, # 如果设置PBT=0.00，PST=0.03，最终收益会达到30万元PT_sell_threshold=0.00,trade_batch_size=100,sell_batch_size=1,maximize_cash_usage=True,trade_log=True)
回测结果如下：
====================================| || BACK TESTING RESULT || |====================================qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 7.2ms
time consumption for operation back looping: 6s 308.5msinvestment starts on 2016-04-05 00:00:00
ends on 2021-02-01 00:00:00
Total looped periods: 4.8 years.-------------operation summary:------------
Only non-empty shares are displayed, call
"loop_result["oper_count"]" for complete operation summarySell Cnt Buy Cnt Total Long pct Short pct Empty pct
000301.SZ 1 1 2 10.3% 0.0% 89.7%
000786.SZ 2 3 5 27.5% 0.0% 72.5%
000895.SZ 1 1 2 68.7% 0.0% 31.3%
002001.SZ 2 2 4 57.5% 0.0% 42.5%
002007.SZ 0 1 1 68.3% 0.0% 31.7%
002027.SZ 6 7 13 41.3% 0.0% 58.7%
002032.SZ 3 1 4 7.5% 0.0% 92.5%
002044.SZ 1 1 2 1.8% 0.0% 98.2%
002049.SZ 1 1 2 5.1% 0.0% 94.9%
002050.SZ 4 4 8 13.8% 0.0% 86.2%
... ... ... ... ... ... ...
603806.SH 5 3 8 62.1% 0.0% 37.9%
603899.SH 2 3 5 36.3% 0.0% 63.7%
000408.SZ 3 5 8 35.5% 0.0% 64.5%
002648.SZ 1 1 2 5.2% 0.0% 94.8%
002920.SZ 1 1 2 5.1% 0.0% 94.9%
300223.SZ 1 2 3 5.2% 0.0% 94.8%
300496.SZ 1 1 2 10.5% 0.0% 89.5%
600219.SH 1 1 2 6.1% 0.0% 93.9%
603185.SH 1 1 2 5.2% 0.0% 94.8%
688005.SH 1 2 3 5.2% 0.0% 94.8% Total operation fee: ¥ 985.25
total investment amount: ¥ 100,000.00
final value: ¥ 189,723.44
Total return: 89.72%
Avg Yearly return: 14.18%
Skewness: -0.41
Kurtosis: 2.87
Benchmark return: 65.96%
Benchmark Yearly return: 11.06%------strategy loop_results indicators------
alpha: 0.044
Beta: 1.134
Sharp ratio: 1.284
Info ratio: 0.011
250 day volatility: 0.120
Max drawdown: 20.95% peak / valley: 2018-05-22 / 2019-01-03recovered on: 2019-09-09===========END OF REPORT=============
第三种自定义策略设置方法：
使用FactorSorter策略类，直接生成交易策略的选股因子，再根据
FactorSorter策略的选股参数实现选股，本质上与第二种方式相同，但是
可以大大减少代码量
设置交易信号类型为PT，生成持仓目标，自动生成交易信号
class AlphaFac(qt.FactorSorter): # 注意这里使用FactorSorter策略类def realize(self, h, r=None, t=None, pars=None):# 从历史数据编码中读取四种历史数据的最新数值total_mv = h[:, -1, 0] # 总市值total_liab = h[:, -1, 1] # 总负债cash_equ = h[:, -1, 2] # 现金及现金等价物总额ebitda = h[:, -1, 3] # ebitda，息税折旧摊销前利润# 选股因子为EV/EBIDTA，使用下面公式计算factor = (total_mv + total_liab - cash_equ) / ebitda# 对比第二种策略定义方法，使用FactorSorter策略类可以直接处理选股因子# 从而大大降低代码量# 由于使用因子排序选股策略，因此直接返回选股因子即可，策略会自动根据设置条件选股return factor同样创建一个Operator对象，回测交易策略
注意这个交易策略需要更多的参数用于因子选股：
max_sel_count=30设置选股数量，最多选出30个股票condition='greater'设置筛选条件，仅筛选因子大于ubound的股票ubound=0.0设置筛选条件，仅筛选因子大于0的股票weighting='even'设置股票权重，所有选中的股票平均分配权重sort_ascending=True设置排序方式，因子从小到大排序选择头30名
alpha = AlphaFac(pars=(),par_count=0,par_types=[],par_range=[],name='AlphaSel',description='本策略每隔1个月定时触发计算SHSE.000300成份股的过去的EV/EBITDA并选取EV/EBITDA大于0的股票',data_types='total_mv, total_liab, c_cash_equ_end_period, ebitda',strategy_run_freq='m',data_freq='d',window_length=100,max_sel_count=30, # 设置选股数量，最多选出30个股票condition='greater', # 设置筛选条件，仅筛选因子大于ubound的股票ubound=0.0, # 设置筛选条件，仅筛选因子大于0的股票weighting='even', # 设置股票权重，所有选中的股票平均分配权重sort_ascending=True) # 设置排序方式，因子从小到大排序选择头30名
op = qt.Operator(alpha, signal_type='PT')
res = op.run(mode=1,asset_type='E',asset_pool=shares,PT_buy_threshold=0.0,PT_sell_threshold=0.0,trade_batch_size=100,sell_batch_size=1)
回测结果如下：
====================================| || BACK TESTING RESULT || |====================================qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 9.4ms
time consumption for operation back looping: 5s 831.0msinvestment starts on 2016-04-05 00:00:00
ends on 2021-02-01 00:00:00
Total looped periods: 4.8 years.-------------operation summary:------------
Only non-empty shares are displayed, call
"loop_result["oper_count"]" for complete operation summarySell Cnt Buy Cnt Total Long pct Short pct Empty pct
000301.SZ 1 2 3 10.3% 0.0% 89.7%
000786.SZ 2 3 5 27.5% 0.0% 72.5%
000895.SZ 1 0 1 62.6% 0.0% 37.4%
002001.SZ 2 2 4 55.8% 0.0% 44.2%
002007.SZ 3 1 4 68.3% 0.0% 31.7%
002027.SZ 2 9 11 41.3% 0.0% 58.7%
002032.SZ 2 0 2 5.9% 0.0% 94.1%
002044.SZ 1 1 2 1.8% 0.0% 98.2%
002049.SZ 1 1 2 5.1% 0.0% 94.9%
002050.SZ 4 5 9 13.8% 0.0% 86.2%
... ... ... ... ... ... ...
603517.SH 1 1 2 1.8% 0.0% 98.2%
603806.SH 6 3 9 39.8% 0.0% 60.2%
603899.SH 1 1 2 31.0% 0.0% 69.0%
000408.SZ 3 6 9 35.5% 0.0% 64.5%
002648.SZ 1 1 2 5.2% 0.0% 94.8%
002920.SZ 1 1 2 1.7% 0.0% 98.3%
300223.SZ 1 1 2 5.2% 0.0% 94.8%
600219.SH 1 1 2 6.1% 0.0% 93.9%
603185.SH 1 1 2 5.2% 0.0% 94.8%
688005.SH 1 1 2 5.2% 0.0% 94.8% Total operation fee: ¥ 928.22
total investment amount: ¥ 100,000.00
final value: ¥ 159,072.14
Total return: 59.07%
Avg Yearly return: 10.09%
Skewness: -0.28
Kurtosis: 3.29
Benchmark return: 65.96%
Benchmark Yearly return: 11.06%------strategy loop_results indicators------
alpha: -0.012
Beta: 1.310
Sharp ratio: 1.191
Info ratio: -0.010
250 day volatility: 0.105
Max drawdown: 20.49% peak / valley: 2018-05-22 / 2019-01-03recovered on: 2019-12-26===========END OF REPORT=============
这篇关于【python量化交易】—— Alpha选股策略 - Qteasy自定义交易策略【附源码】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
