聚宽红利增强策略：如何用排名缓冲降低换手并保留赢家？

在量化多因子选股策略（如红利增强策略）中，高换手率往往会因为印花税和佣金（滑点）吞噬掉大部分超额收益。为了解决这一痛点，我们可以引入排名缓冲机制（Rank Buffer）。其核心逻辑是：买入时要求极高（必须进入前N名），卖出时要求宽松（跌出M名才卖，M > N）。同时，在调仓时，我们优先保留已在持仓中的赢家，仅对新纳入的股票进行增量资金配置。

以下是在聚宽（JoinQuant）平台实现该机制的完整方案与 Python 策略源码。

一、 核心设计逻辑

1. 红利因子构建：使用聚宽因子库或财务数据（如股息率 dividend_payable / market_cap 或 book_to_price_ratio）对股票池进行打分排名。
2. 买入缓冲区（严格）：只有红利排名进入前 $N$（例如前10名）的股票，才具备买入资格。
3. 卖出缓冲区（宽松）：已持仓的股票，只要其红利排名没有跌出 $M$（例如前20名，且 $M > N$），就继续持有，不进行卖出。只有跌出前 $M$ 名时才强制平仓。
4. 增量调仓：
   • 卖出跌出缓冲区的股票，释放现金。
   • 计算当前保留持仓的价值，剩余可用资金均分给新买入的、排名进入前 $N$ 的股票。

二、 聚宽策略源码实现

请在聚宽回测环境中运行以下代码（按天回测，建议开启真实价格模式 set_option('use_real_price', True)）：

import pandas as pd
import numpy as np
from jqdata import *

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)
    
    # 股票类交易手续费：买入万三，卖出万三加千一印花税，最低5元
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 策略参数设置
    g.N = 10  # 严格买入线：前10名
    g.M = 20  # 宽松卖出线：前20名（缓冲区间为 11-20 名）
    
    # 定时运行：每月第一个交易日开盘调仓
    run_monthly(my_rebalance, monthday=1, time='09:30')

def get_dividend_rank(context):
    # 获取沪深300成分股
    stocks = get_index_stocks('000300.XSHG')
    
    # 查询财务数据：获取最新一季度的账面价值与市值比（作为红利/价值增强因子）
    # 也可以使用聚宽因子库中的 book_to_price_ratio
    q = query(
        valuation.code,
        valuation.pb_ratio
    ).filter(
        valuation.code.in_(stocks)
    )
    df = get_fundamentals(q)
    
    # 账面市值比 = 1 / 市净率 (PB)
    df['bp_ratio'] = 1.0 / df['pb_ratio']
    df = df.dropna().sort_values(by='bp_ratio', ascending=False) # 降序排列，值越大红利属性越强
    
    # 返回股票代码的排名列表
    return list(df['code'])

def my_rebalance(context):
    # 1. 获取最新的红利因子排名
    ranked_stocks = get_dividend_rank(context)
    if not ranked_stocks:
        return
        
    # 2. 获取当前持仓列表
    current_positions = list(context.portfolio.positions.keys())
    
    # 3. 确定卖出决策（宽松：跌出前 M 名的卖出）
    to_sell = []
    keep_holding = []
    for stock in current_positions:
        if stock in ranked_stocks:
            rank = ranked_stocks.index(stock) + 1  # 索引从0开始，排名从1开始
            if rank > g.M:
                to_sell.append(stock)
            else:
                keep_holding.append(stock)  # 保留赢家持仓
        else:
            to_sell.append(stock)  # 不在成分股内的强制卖出
            
    # 执行卖出操作
    for stock in to_sell:
        order_target(stock, 0)
        log.info("股票 %s 跌出前 %d 名(卖出线)，执行平仓" % (stock, g.M))
        
    # 4. 确定买入决策（严格：只有前 N 名且不在当前持仓中的才买入）
    candidate_buys = ranked_stocks[:g.N]
    to_buy = [stock for stock in candidate_buys if stock not in keep_holding]
    
    # 5. 增量资金分配与调仓
    # 计算当前保留持仓的股票数量和新买入的股票数量
    total_target_count = len(keep_holding) + len(to_buy)
    if total_target_count == 0:
        return
        
    # 获取当前总资产
    total_value = context.portfolio.total_value
    # 每只股票的目标分配价值（等权重分配）
    target_value_per_stock = total_value / total_target_count
    
    # 对保留的赢家持仓进行价值微调（增量调仓，防止过度交易）
    for stock in keep_holding:
        # 只有当当前持仓价值与目标价值偏差大于20%时才调整，进一步降低换手率
        current_stock_value = context.portfolio.positions[stock].value
        if abs(current_stock_value - target_value_per_stock) / target_value_per_stock > 0.20:
            order_target_value(stock, target_value_per_stock)
            
    # 对新纳入的股票进行买入
    for stock in to_buy:
        # 确保有足够可用资金
        if context.portfolio.available_cash > target_value_per_stock * 0.8:
            order_target_value(stock, target_value_per_stock)
            log.info("新赢家股票 %s 进入前 %d 名(买入线)，执行建仓" % (stock, g.N))

三、 排名缓冲机制的优势分析

1. 显著降低换手率：如果仅使用前10名进行调仓，每次排名微调（如第10名跌到第11名）都会触发全仓换股。引入 $11 \sim 20$ 名的缓冲区后，第10名的股票只要不跌破第20名，就会被继续持有，避免了频繁的摩擦成本。
2. 保留赢家效应：红利因子具有一定的动量效应。留在缓冲区的股票往往是刚刚释放完红利、但基本面依然优秀的“赢家”，继续持有能充分享受其超额收益。
3. 增量调仓避免冲击：通过 order_target_value 结合偏差阈值（如代码中的 0.20 偏差限制），策略不会因为每日微小的净值波动去频繁调整已有持仓的权重，只有在新股建仓或持仓严重偏离时才交易，对实盘非常友好。