量化交易 米筐 案例：市值因子选股策略

获得超额收益 年化 49%

• 选定财务数据筛选
• 进行每日调仓(多因子选股调仓 周期频率会小一些)

估值有关指标

# 在沪深300股票中，选出市值比较小的10只股票

# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    # 沪深300组合
    stocks = index_components('000300.XSHG') # 沪深300
    context.stocks = stocks

# before_trading此函数会在每天策略交易开始前被调用，当天只会被调用一次
def before_trading(context):
    # 获取因子
    fund = get_factor(context.stocks, ['market_cap', 'pe_ratio'])

    # 过滤
    # fund = fund[(fund['pe_ratio'] > 50) & (fund['pe_ratio'] < 65)]

    # 排序
    fund = fund.sort_values(by='market_cap', ascending=True).head(20)

    fund = fund.reset_index(1, drop=True)

    # print(fund)

    # 获得10只股票的代码
    context.stock_list = fund.index.values
    update_universe(context.stock_list)

    print(context.stock_list)


# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):

    # 获取仓位
    position_keys = context.portfolio.positions.keys()
    if len(position_keys) != 0:
        for stock in position_keys:
            # 如果旧的股票池，不在新的股票池中
            if stock not in context.stock_list:
                order_target_percent(stock, 0)

    # 买入最新的更新的股票
    # 等比率资金买入 投资组合总价值的百分比平分 20份
    weight = 1.0 / len(context.stock_list)
    for stock in context.stock_list:
        order_target_percent(stock, weight)

# after_trading函数会在每天交易结束后被调用，当天只会被调用一次
def after_trading(context):
    pass