写于2022年一月，临近春节，祝大家新年快乐！写这篇文章的时候，刚经历了1.25号4000+只股票下跌，虽然入市不久，仓位也仅控制在3层，但是仍然缺乏安全感。于是提笔把入市半年的诸多策略以及成长记录下来。
首先，投资就是一场战争。所有人入市的初心都是为了赚钱，但是市场是一个不可预知的混沌模型，小到几百块的资金，大到国家资本，无数个资金相互交织组成一个金融战场。既然是战场就会有厮杀，就会有胜负，有的人凯旋而归，有的人战死沙场。尽管金融市场不是真正的打仗，不会直接性的造成死亡，但是本质亦不远矣。试想有的人辛辛苦苦积攒下来的积蓄，跑不过通货膨胀，购买力甚至还在下降，只能维持温饱而已；试想有的城市通过政策补贴吸引人才，完成转型升级，然后实现飞跃发展；试想有的国家肆意的开放金融市场，经济的飞速发展到盛极而衰。小到个体，大到城市，甚至是国家，投资皆是一场战争。
其次，投资需要好策略和好心态。兵者，国之大事，死生之地，存亡之道，不可不察也。战争，是国家的大事，它关系到军民的生死，国家的存亡，不能不慎重考察研究。
投资需要好策略。举个例子，就像是战场时期，1000士兵对上10倍于己的平民肯定是屠杀。为什么呢？显而易见，士兵之于平民，胜在训练组织能力，进退有度，指挥统一，反之，平民虽然人数众多，但是杂乱无序，只能四散而逃，之所以士兵能有较高水平的训练组织能力，依赖于平时的针对训练，我认为对士兵所做的训练，在投资中类似于根据历史数据来进行训练学习，找出特征因子，最终形成一个好的交易策略，应用于市场中。
投资需要好心态。举个例子，刚训练好的新兵第一次上战场的伤亡概率最高，而老兵损伤往往要小得多。显而易见，不能适应战场的新兵都已经阵亡了，活下来的老兵或多或少都有领悟。尽管新兵老兵在平时训练时是一样的，但是战场上为什么会有如此巨大的差别呢？我认为取决于是否有好的心态，市场瞬息万变，没有人能肯定未来会发生什么，每逢大事当有静气。在做足准备的情况下，需要坚定不移的相信自己的判断，同时要具有底线思维。
最后，好策略和好心态是相辅相成的。如果没有好的交易策略，长期无逻辑的交易，是不可能有好心态的；如果有好的交易策略，没有良好的心态，也难以执行。
好的策略需要自身不断地迭代更新，需要不断的学习知识，提升认知；而好的心态需要市场不断地锤炼打磨，需要进行体会总结。
一个完整的交易策略一般包括如下几点构成：
1.买什么？ 选股
2.买卖多少？仓位控制
3.何时买卖？入场时机
4.止损条件。何时退出亏损的仓位
5.止赢条件。何时退出盈利的仓位
废话完毕，正文开始！
---------------分割线---------------
1. 原理说明小市值效应，本质上说就是市值小的股票，在将来上涨的概率越大。在全球各大市场上都有验证，在A股市场也存在此效应。
至于为什么有小市值效应？笔者推测有如下3点：
1.可能是投资者普遍不愿意持有小公司股票，使得这些小公司价格普遍偏低，甚至低于成本价，因此会有较高的预期收益率；
2.A股市场存在上市公司的壳价值，可能被溢价收购，导致小市值公司股票大幅度增值；
3.小市值公司成长空间更大，方便炒作；
2. 策略逻辑第一步：确定调仓频率，每天更新调仓
第二步：确定股票池股票数量，这里假设有5支
第三步：调仓日当天获取前一天的历史数据，并按照市值由小到大排序
第四步：买入前5支股票
回测期：2011-12-30 到 2021-12-31
股票池：中小板股票
回测初始资金：10万
回测时间为近10年，收益高达442倍，最大回测仅32%。
设定初始资金10万，手续费率为0.03%，滑点比率为0.1%。回测结果如下图所示：
笔者自身券商的费率是万1的，开户早还能免5，万3的手续费长期来看其实吃了不少收益。
4. 策略代码# 导入函数库
from jqdata import *
# 初始化函数，设定基准等等
def initialize(context):
# 设定沪深300作为基准
set_benchmark('000300.XSHG')
# 开启动态复权模式(真实价格)
set_option('use_real_price', True)
#防止未来函数
set_option("avoid_future_data", True)
#滑点设置为0.001
set_slippage(FixedSlippage(0.001))
# 输出内容到日志 log.info()
log.info('初始函数开始运行且全局只运行一次')
# 过滤掉order系列API产生的比error级别低的log
log.set_level('order', 'error')
# 股票池
g.security_universe_index = "399101.XSHE" # 中小板
g.buy_stock_count = 5
### 股票相关设定 ###
# 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱
set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5),
type='stock')
## 运行函数（reference_security为运行时间的参考标的；传入的标的只做种类区分，因此传入'000300.XSHG'或'510300.XSHG'是一样的）
# 定时运行
run_daily(my_trade, time='9:30', reference_security='000300.XSHG')
# 收盘后运行
run_daily(after_market_close, time='after_close', reference_security='000300.XSHG')
## 开盘时运行函数
def my_trade(context):
# 选取中小板中市值最小的若干只
check_out_lists = get_index_stocks(g.security_universe_index)
q = query(valuation.code).filter(
valuation.code.in_(check_out_lists)
).order_by(
valuation.circulating_market_cap.asc()
).limit(
g.buy_stock_count * 3
)
check_out_lists = list(get_fundamentals(q).code)
# 过滤: 三停（停牌、涨停、跌停）及st,*st,退市
check_out_lists = filter_st_stock(check_out_lists)
check_out_lists = filter_limitup_stock(context, check_out_lists)
check_out_lists = filter_limitdown_stock(context, check_out_lists)
check_out_lists = filter_paused_stock(check_out_lists)
# 取需要的只数
check_out_lists = check_out_lists[:g.buy_stock_count]
# 买卖
adjust_position(context, check_out_lists)
## 收盘后运行函数
def after_market_close(context):
log.info(str('函数运行时间(after_market_close):' + str(context.current_dt.time())))
# 得到当天所有成交记录
trades = get_trades()
for _trade in trades.values():
log.info('成交记录：' + str(_trade))
log.info('一天结束')
log.info('##############################################################')
# 自定义下单
# 根据Joinquant文档，当前报单函数都是阻塞执行，报单函数（如order_target_value）返回即表示报单完成
# 报单成功返回报单（不代表一定会成交），否则返回None
def order_target_value_(security, value):
if value == 0:
log.debug("Selling out %s" % (security))
else:
log.debug("Order %s to value %f" % (security, value))
# 如果股票停牌，创建报单会失败，order_target_value 返回None
# 如果股票涨跌停，创建报单会成功，order_target_value 返回Order，但是报单会取消
# 部成部撤的报单，聚宽状态是已撤，此时成交量>0，可通过成交量判断是否有成交
return order_target_value(security, value)
# 开仓，买入指定价值的证券
# 报单成功并成交（包括全部成交或部分成交，此时成交量大于0），返回True
# 报单失败或者报单成功但被取消（此时成交量等于0），返回False
def open_position(security, value):
order = order_target_value_(security, value)
if order != None and order.filled > 0:
return True
return False
# 平仓，卖出指定持仓
# 平仓成功并全部成交，返回True
# 报单失败或者报单成功但被取消（此时成交量等于0），或者报单非全部成交，返回False
def close_position(position):
security = position.security
order = order_target_value_(security, 0) # 可能会因停牌失败
if order != None:
if order.status == OrderStatus.held and order.filled == order.amount:
return True
return False
# 交易
def adjust_position(context, buy_stocks):
for stock in context.portfolio.positions:
if stock not in buy_stocks:
log.info("stock [%s] in position is not buyable" % (stock))
position = context.portfolio.positions[stock]
close_position(position)
else:
log.info("stock [%s] is already in position" % (stock))
# 根据股票数量分仓
# 此处只根据可用金额平均分配购买，不能保证每个仓位平均分配
position_count = len(context.portfolio.positions)
if g.buy_stock_count > position_count:
value = context.portfolio.cash / (g.buy_stock_count - position_count)
for stock in buy_stocks:
if context.portfolio.positions[stock].total_amount == 0:
if open_position(stock, value):
if len(context.portfolio.positions) == g.buy_stock_count:
break
# 过滤停牌股票
def filter_paused_stock(stock_list):
current_data = get_current_data()
return [stock for stock in stock_list if not current_data[stock].paused]
# 过滤ST及其他具有退市标签的股票
def filter_st_stock(stock_list):
current_data = get_current_data()
return [stock for stock in stock_list
if not current_data[stock].is_st
and 'ST' not in current_data[stock].name
and '*' not in current_data[stock].name
and '退' not in current_data[stock].name]
# 过滤涨停的股票
def filter_limitup_stock(context, stock_list):
last_prices = history(1, unit='1m', field='close', security_list=stock_list)
current_data = get_current_data()
# 已存在于持仓的股票即使涨停也不过滤，避免此股票再次可买，但因被过滤而导致选择别的股票
return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
or last_prices[stock][-1] < current_data[stock].high_limit]
# return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
# or last_prices[stock][-1] < current_data[stock].high_limit * 0.995]
# 过滤跌停的股票
def filter_limitdown_stock(context, stock_list):
last_prices = history(1, unit='1m', field='close', security_list=stock_list)
current_data = get_current_data()
return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
or last_prices[stock][-1] > current_data[stock].low_limit]
5. 策略思考以及改进
策略优势：收益高，持续有效；
策略不足：高波动性，收益曲线不平滑；
众所周知，高波动极其考验投资者的执行力，往往大家都会高估自己的承受能力。
6. 后续其他策略源码如上，喜欢的朋友可以自己运行一下程序。
后续有时间我也会陆续更新其他策略，持续学习，持续分享。
注：此策略只用于学习、交流、演示，不构成任何投资建议。
作者公众号：小z定投录，可以关注一下，后面将不定期出新策略。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）