聚宽多因子策略：如何用退出缓冲区降低换手率？

为什么多因子策略需要“退出缓冲区”？

在量化多因子选股策略中，我们通常在每个调仓期（如每日或每周）选择因子得分最高的 $N$ 只股票买入。然而，在日频交易中，由于因子值的微小波动，处于排名边缘的股票（例如第 $N$ 名和第 $N+1$ 名）会频繁发生排名交替，导致策略频繁买入卖出。这种高换手率会带来高额的交易成本（印花税、佣金及滑点），严重侵蚀策略的实际净值。

**退出缓冲区（Buffer Zone）**是一种经典的降低换手率的方法。其核心思想是：

1. 买入标准更严格：只有当股票的因子排名进入前 $N$ 名（如前 50 名）时，才触发买入。
2. 卖出标准更宽松：买入后，即使股票跌出前 $N$ 名，只要它没有跌出更宽的缓冲区 $M$ 名（如前 80 名，其中 $M > N$），就继续持有。只有当排名跌破第 $M$ 名时，才执行卖出。

聚宽（JoinQuant）策略实现方案

在聚宽平台中，我们可以利用 initialize 初始化策略，并在 run_daily 定时任务中，通过 get_factor_values 获取因子值，计算排名，并结合缓冲区逻辑进行调仓。

核心逻辑步骤：

1. 获取因子数据：使用 get_factor_values 获取目标股票池的因子值。
2. 计算排名：对因子值进行降序排序，得到每只股票的当前排名。
3. 构建买入/持有名单：
   • 候选买入名单：当前因子排名前 $N$ 的股票。
   • 允许持有名单：当前因子排名前 $M$ 的股票（$M > N$）。
4. 调仓决策：
   • 对于当前持仓股：如果其排名仍在前 $M$ 名内，则继续持有；如果跌出前 $M$ 名，则卖出。
   • 对于空闲仓位：从候选买入名单（前 $N$ 名）中选择未持有的股票进行买入。

聚宽 Python 策略源码实现

以下是一个在聚宽平台运行的完整多因子缓冲区策略示例。我们以“Skewness60（个股收益的60日偏度）”因子为例，设置买入前 15 名，退出缓冲区为前 30 名。

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

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：买入佣金万三，卖出佣金万三加千一印花税，最低消费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.factor_name = 'Skewness60'  # 使用的因子
    g.N = 15                      # 买入目标数量（严格买入线）
    g.M = 30                      # 退出缓冲区边界（宽松持有线，必须大于N）
    
    # 每天 09:30 运行调仓
    run_daily(market_open, time='09:30')

def market_open(context):
    # 1. 获取沪深300成分股作为初始股票池
    stocks = get_index_stocks('000300.XSHG')
    
    # 2. 获取当前的因子值
    yesterday = context.previous_date
    factor_data = get_factor_values(
        securities=stocks, 
        factors=[g.factor_name], 
        start_date=yesterday, 
        end_date=yesterday
    )[g.factor_name]
    
    if factor_data.empty:
        return
        
    # 提取昨天的因子值并降序排序（假设因子值越大越好）
    current_factors = factor_data.loc[pd.to_datetime(yesterday)].dropna()
    sorted_stocks = current_factors.sort_values(ascending=False).index.tolist()
    
    # 3. 划分买入线与持有线
    buy_list = sorted_stocks[:g.N]  # 前 N 名，严格买入名单
    keep_list = sorted_stocks[:g.M] # 前 M 名，允许持有名单
    
    # 4. 获取当前持仓
    current_positions = list(context.portfolio.positions.keys())
    
    # 5. 卖出逻辑：如果持仓股跌出了前 M 名（缓冲区外），则执行卖出
    for stock in current_positions:
        if stock not in keep_list:
            order_target(stock, 0)
            log.info(f"股票 {stock} 跌出前 {g.M} 名缓冲区，执行卖出。")
            
    # 重新获取卖出后的最新持仓
    current_positions = list(context.portfolio.positions.keys())
    
    # 6. 买入逻辑：如果持仓数量未达到 N，且有资金，从前 N 名中买入未持有的股票
    vacant_slots = g.N - len(current_positions)
    if vacant_slots > 0:
        # 筛选出在前 N 名中，且当前未持有的股票
        to_buy_candidates = [s for s in buy_list if s not in current_positions]
        
        # 确定本次实际买入的股票
        to_buy = to_buy_candidates[:vacant_slots]
        
        if to_buy:
            # 均分可用资金
            cash_per_stock = context.portfolio.available_cash / len(to_buy)
            for stock in to_buy:
                order_value(stock, cash_per_stock)
                log.info(f"股票 {stock} 进入前 {g.N} 名，执行买入。")

缓冲区策略的优化效果

1. 显著降低换手率：通过避免在第 $N$ 名边界线上的“反复横跳”，策略的单边换手率通常可降低 30% - 50% 以上。
2. 节省交易摩擦成本：减少了不必要的印花税和佣金支出，使回测中的“纸面富贵”更容易转化为实盘的真实收益。
3. 提高持仓稳定性：给优质因子股票更多的“容错空间”，避免因短期市场噪音导致的误杀。