JoinQuant 实战：如何构建一个结合财务指标与动量因子的多因子选股模型？

编写一个结合**财务状况（基本面）与近期股价表现（技术面）**的选股策略，通常被称为“基本面+技术面”双驱动策略。

策略设计思路

为了实现这一目标，我们可以设计如下逻辑：

1. 股票池范围：以沪深300指数成分股为基础，确保流动性和公司规模。
2. 财务筛选（基本面）：
   • 盈利能力：净资产收益率（ROE） > 8%，筛选赚钱能力强的公司。
   • 估值安全：市盈率（PE）在 0 到 50 之间，剔除亏损股和极度高估的股票。
   • 排序：按 ROE 从高到低排序，初选前 50 只。
3. 股价表现筛选（技术面）：
   • 趋势判断：当前股价 > 60日均线（MA60），确保处于上升或多头趋势中。
4. 交易逻辑：
   • 调仓频率：按月调仓。
   • 买入：买入同时满足上述条件的股票，最多持有 10 只，等权重分配。
   • 卖出：不在新一期选股列表中的股票全部卖出。

策略代码实现

以下是基于聚宽（JoinQuant）API 的完整策略代码：

# -*- coding: utf-8 -*-
from jqdata import *

def initialize(context):
    """
    初始化函数，设定基准、手续费、滑点等
    """
    # 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)
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    
    # 设定股票交易手续费：买入万分之三，卖出万分之三加千分之一印花税
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 设定全局变量
    g.stock_num = 10  # 最大持仓数量
    
    # 设定按月运行，每月第一个交易日进行调仓
    run_monthly(trade, monthday=1, time='09:30')

def trade(context):
    """
    交易函数，包含选股和调仓逻辑
    """
    # 1. 获取初始股票池（沪深300）
    initial_pool = get_index_stocks('000300.XSHG')
    
    # 2. 基本面筛选（财务状况）
    # 查询条件：PE在0-50之间，ROE大于8%
    # 排序：按ROE从高到低排序
    q = query(
        valuation.code,
        valuation.pe_ratio,
        indicator.roe
    ).filter(
        valuation.code.in_(initial_pool),
        valuation.pe_ratio > 0,
        valuation.pe_ratio < 50,
        indicator.roe > 8
    ).order_by(
        indicator.roe.desc()
    ).limit(50) # 初选前50只
    
    df_fund = get_fundamentals(q, date=context.previous_date)
    if len(df_fund) == 0:
        return
    fundamental_list = list(df_fund['code'])
    
    # 3. 技术面筛选（近期股价表现）
    # 逻辑：当前价格站上60日均线
    final_buy_list = []
    
    for stock in fundamental_list:
        # 获取过去60天的收盘价数据
        # 注意：为了计算MA60，我们需要取60天的数据
        h_data = attribute_history(stock, 60, '1d', ['close'], skip_paused=True)
        
        # 如果数据不足60天（如新股），跳过
        if len(h_data) < 60:
            continue
            
        close_price = h_data['close'][-1] # 当前收盘价（前一分钟/前一天）
        ma60 = h_data['close'].mean()     # 60日均线
        
        # 如果股价在60日均线之上，加入最终买入列表
        if close_price > ma60:
            final_buy_list.append(stock)
        
        # 如果选够了目标数量，停止筛选
        if len(final_buy_list) >= g.stock_num:
            break
            
    # 4. 执行调仓操作
    # 获取当前持仓
    current_holdings = list(context.portfolio.positions.keys())
    
    # 卖出不在目标列表中的股票
    for stock in current_holdings:
        if stock not in final_buy_list:
            order_target_value(stock, 0)
            log.info("卖出 %s" % stock)
            
    # 买入目标列表中的股票
    if len(final_buy_list) > 0:
        # 等权重分配资金
        # 注意：这里简单处理，用总资产除以目标数量。实际交易中可能需要考虑保留现金等。
        value_per_stock = context.portfolio.total_value / g.stock_num
        
        for stock in final_buy_list:
            order_target_value(stock, value_per_stock)
            log.info("买入/调整 %s" % stock)

def after_code_changed(context):
    """
    模拟交易更换代码后运行函数
    """
    # 可以在这里重置参数或更新设置
    pass

代码逻辑详解

1. initialize (初始化):

   • 设置了基准为沪深300指数，以便对比策略表现。
   • 设置了真实价格模式（动态复权），这是回测准确性的关键。
   • 使用 run_monthly 设定策略为月度调仓，避免频繁交易产生过高手续费。

2. trade (核心逻辑):

   • 基本面筛选：使用 get_fundamentals 函数查询财务数据。
     • valuation.pe_ratio：市盈率，用于过滤高估值泡沫股。
     • indicator.roe：净资产收益率，衡量公司利用股东资本赚钱的效率，是巴菲特最看重的指标之一。
   • 技术面筛选：使用 attribute_history 获取历史行情。
     • 计算 ma60 (60日均线)，这是股市的“生命线”。股价在均线之上通常意味着中期趋势向好。
   • 资金管理：采用简单的等权重模型，将资金平均分配给选出的股票。

3. 风险控制:

   • 通过限制 g.stock_num = 10，实现分散投资，避免单只股票暴雷导致账户重创。
   • 通过 PE 和 ROE 的双重过滤，避开了垃圾股和过热股。

常见问题 Q&A

Q: 为什么要结合基本面和技术面？
A: 仅看基本面（财务）容易买入“价值陷阱”，即公司很好但股价一直不涨甚至阴跌；仅看技术面（股价）容易买入“垃圾概念股”，一旦炒作结束会面临暴跌。结合两者可以在公司质地优良的基础上，选择市场认可（趋势向上）的时机介入。

Q: 如何调整策略的激进程度？
A:

• 更稳健：可以降低 PE 的上限（如改为 0-30），提高 ROE 的下限（如 >15%），或者选择更大的均线周期（如 MA120）。
• 更激进：可以放宽 PE 限制，加入成长因子（如净利润增长率 > 30%），或者使用更短期的均线（如 MA20）来捕捉短期爆发力。

Q: 策略中的 order_target_value 是什么意思？
A: 这是一个非常实用的下单函数。它的意思是“将某只股票的持仓调整到指定金额”。如果当前没持仓，它会买入；如果持仓不足，它会补仓；如果持仓过多，它会卖出部分。这自动帮我们完成了调仓和再平衡的操作。