聚宽红利增强策略：如何用排名缓冲减少换手并保留强势持仓？

在量化多因子选股策略（如红利低波、红利价值策略）中，频繁的调仓会导致高昂的交易成本（佣金和印花税），从而蚕食策略的超额收益。为了解决这一问题，引入**双阈值排名缓冲机制（Rank Buffer）**是一种非常经典的工程优化方法。

一、 什么是双阈值排名缓冲机制？

其核心逻辑是：

1. 买入阈值（N）：新买入股票时，标的必须非常优秀，排名在 前 N 名 内才符合买入条件。
2. 卖出/保留阈值（2N）：对于已经持有的股票，即使其排名跌出了前 N 名，但只要还在 前 2N 名 之内，就继续持有，不进行调仓。只有当排名跌破 2N 名时，才强制卖出，并用排名前 N 的新股票替代。

这种“宽出严进”的机制能有效过滤掉排名在临界点微幅波动导致的无谓交易，大幅降低换手率。

二、 聚宽（JoinQuant）策略代码实现

以下是一个在聚宽平台运行的红利增强策略框架，展示了如何结合 get_fundamentals 获取红利因子（以股息率/市净率等代入），并实现买入前 N 名（假设 N=10）、持仓保留前 2N 名（2N=20）的缓冲逻辑。

import pandas as pd
from jqdata import *

def initialize(context):
    # 开启真实价格模式
    set_option('use_real_price', True)
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    
    # 股票类交易税费设置
    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          # 买入阈值：前10名
    g.limit_2N = 20   # 保留阈值：前20名
    
    # 每月第一个交易日开盘运行调仓
    run_monthly(handle_dividend_strategy, monthday=1, time='09:30')

def handle_dividend_strategy(context):
    # 1. 获取全市场可交易股票池（排除ST、停牌）
    current_data = get_current_data()
    all_stocks = list(get_all_securities(['stock'], context.current_dt.date()).index)
    feasible_stocks = [s for s in all_stocks if not current_data[s].paused and not current_data[s].is_st]
    
    # 2. 查询红利价值因子（以股息率/市净率倒数为例，这里使用估值表中的 pb_ratio 倒数作为价值红利替代演示）
    # 实际中可结合聚宽财务库或因子库获取更精准的 dividend_yield
    q = query(
        valuation.code,
        valuation.pb_ratio
    ).filter(
        valuation.code.in_(feasible_stocks),
        valuation.pb_ratio > 0
    )
    df = get_fundamentals(q)
    
    # 计算账面市值比（BP = 1/PB），BP越大代表价值红利属性越强
    df['bp_ratio'] = 1.0 / df['pb_ratio']
    # 按价值红利得分从大到小排序
    df_sorted = df.sort_values(by='bp_ratio', ascending=False).reset_index(drop=True)
    
    # 建立股票到排名的映射字典
    rank_map = {row['code']: index + 1 for index, row in df_sorted.iterrows()}
    
    # 3. 获取当前持仓
    current_holdings = list(context.portfolio.positions.keys())
    
    # 4. 核心排名缓冲筛选逻辑
    to_sell = []
    to_keep = []
    
    for stock in current_holdings:
        rank = rank_map.get(stock, 9999) # 若无排名则视为极差
        if rank > g.limit_2N:
            # 跌出 2N 名，卖出
            to_sell.append(stock)
        else:
            # 保留在 2N 名内，继续持有
            to_keep.append(stock)
            
    # 执行卖出操作
    for stock in to_sell:
        order_target(stock, 0)
        log.info(f"股票 {stock} 排名 {rank_map.get(stock, 9999)} 跌破 {g.limit_2N} 名，执行卖出。")
        
    # 5. 补充买入逻辑
    # 计算还需要买入多少只股票以达到 N 只
    slots_needed = g.N - len(to_keep)
    
    if slots_needed > 0:
        # 候选买入池：排名在前 N 名，且当前未持有的股票
        candidates = [row['code'] for _, row in df_sorted.head(g.N).iterrows() if row['code'] not in to_keep]
        
        # 挑选最靠前的候选股票买入
        to_buy = candidates[:slots_needed]
        
        # 资金等分分配
        available_cash = context.portfolio.available_cash
        if len(to_buy) > 0:
            cash_per_stock = available_cash / len(to_buy)
            for stock in to_buy:
                order_value(stock, cash_per_stock)
                log.info(f"新买入排名前 {g.N} 的强势红利股: {stock}")

三、 策略优化效果分析

1. 降低换手率：若仅设置“买入前10名，不符合就卖出”，当第10名与第11名频繁交替时，会产生大量摩擦成本。引入2N（前20名）缓冲后，第10名滑落至第11-20名时不会被卖出，调仓频率可降低50%以上。
2. 保留强势持仓：红利低波与红利价值标的通常具有均值回归与动量效应，在2N范围内的持仓依然具备较强的红利增强属性，无需急于切换。
3. 平滑净值曲线：减少了因频繁调仓带来的滑点损失，使策略在实际模拟盘和实盘中更具可执行性。