JoinQuant 动量策略：ROC 变动速率指标的实现与应用

编写基于 ROC（Rate of Change，变动速率）指标的动量策略，核心思想是买入过去一段时间内涨幅最大（动量最强）的股票，并定期进行调仓。

策略逻辑说明

1. 股票池：选取沪深300指数成分股。
2. ROC指标计算：
   • 公式：$ROC = \frac{Close_{today} - Close_{n}}{Close_{n}} \times 100%$
   • 其中 $Close_{today}$ 为当前收盘价，$Close_{n}$ 为 $N$ 天前的收盘价。
   • 本策略设定 $N=20$（即20日ROC）。
3. 选股逻辑：
   • 计算股票池内所有股票的 20日 ROC。
   • 剔除停牌、ST、涨跌停股票。
   • 选取 ROC 值最大的前 10 只股票。
4. 交易逻辑：
   • 调仓频率：按月调仓（每月第一个交易日）。
   • 卖出：卖出不在新选出的 10 只股票名单中的持仓。
   • 买入：买入新选出的股票，资金等权分配。

策略代码实现

# -*- coding: utf-8 -*-
# 导入聚宽函数库
import jqdata
import pandas as pd

def initialize(context):
    """
    初始化函数，设定基准、全局变量、运行频率等
    """
    # 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')
    
    # --- 策略参数设置 ---
    g.index_security = '000300.XSHG' # 股票池基准
    g.N = 20                         # ROC计算周期 (20天)
    g.stock_num = 10                 # 持仓股票数量
    
    # 设定交易费率：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')
    
    # 设定按月运行，每月第一个交易日开盘后运行
    run_monthly(rebalance, monthday=1, time='09:30')

def rebalance(context):
    """
    调仓主函数
    """
    # 1. 获取股票池（沪深300）
    stocks = get_index_stocks(g.index_security)
    
    # 2. 过滤股票（停牌、ST、涨跌停、上市时间不足）
    stocks = filter_stocks(context, stocks)
    
    # 3. 计算ROC并排序
    # 获取过去 N+1 天的收盘价数据（因为要计算变动率，需要用到N天前的数据）
    # history返回的是DataFrame，行是时间，列是股票代码
    hist_data = history(g.N + 1, unit='1d', field='close', security_list=stocks)
    
    # 计算ROC: (当前价格 - N天前价格) / N天前价格
    # iloc[-1] 是最新一天数据，iloc[0] 是N天前数据
    roc_series = (hist_data.iloc[-1] - hist_data.iloc[0]) / hist_data.iloc[0]
    
    # 去除计算结果为NaN的股票
    roc_series = roc_series.dropna()
    
    # 按ROC从大到小排序，取前 g.stock_num 只
    buy_list = roc_series.sort_values(ascending=False)[:g.stock_num].index.tolist()
    
    log.info("今日选股(Top %d ROC): %s" % (g.stock_num, buy_list))
    
    # 4. 执行交易
    trade(context, buy_list)

def trade(context, buy_list):
    """
    交易执行函数
    """
    # 获取当前持仓
    current_positions = list(context.portfolio.positions.keys())
    
    # 卖出逻辑：如果当前持仓不在买入列表中，则卖出
    for stock in current_positions:
        if stock not in buy_list:
            order_target_value(stock, 0)
            log.info("卖出: %s" % stock)
            
    # 买入逻辑：对买入列表中的股票进行等权买入
    if len(buy_list) > 0:
        # 计算每只股票应该分配的资金（总资产 / 目标持仓数）
        # 注意：这里使用 total_value 而不是 available_cash，是为了保持仓位平衡
        position_value = context.portfolio.total_value / len(buy_list)
        
        for stock in buy_list:
            order_target_value(stock, position_value)
            log.info("买入/调仓: %s, 目标市值: %.2f" % (stock, position_value))

def filter_stocks(context, stock_list):
    """
    股票过滤函数：过滤停牌、ST、涨跌停、新股
    """
    current_data = get_current_data()
    filtered_stocks = []
    
    for stock in stock_list:
        # 过滤停牌
        if current_data[stock].paused:
            continue
        # 过滤ST
        if current_data[stock].is_st:
            continue
        # 过滤涨停（无法买入）
        if current_data[stock].last_price >= current_data[stock].high_limit:
            continue
        # 过滤跌停（无法卖出，虽然选股选不到跌停的，但作为通用过滤加上）
        if current_data[stock].last_price <= current_data[stock].low_limit:
            continue
        # 过滤上市时间不足60天的次新股（可选）
        # start_date = get_security_info(stock).start_date
        # if (context.current_dt.date() - start_date).days < 60:
        #     continue
            
        filtered_stocks.append(stock)
        
    return filtered_stocks

代码关键点解析

1. 数据获取 (history)：

   • 使用 history(g.N + 1, ...) 获取过去 $N+1$ 天的数据。这是因为计算 $N$ 日变动率需要用到 $T$ 日（今天）和 $T-N$ 日（$N$天前）的价格。
   • hist_data.iloc[-1] 代表最近一个交易日的收盘价。
   • hist_data.iloc[0] 代表 $N$ 天前的收盘价。

2. ROC 计算：

   • 代码中使用了 Pandas 的向量化运算 (hist_data.iloc[-1] - hist_data.iloc[0]) / hist_data.iloc[0]，这比使用 for 循环遍历每只股票效率高得多。

3. 过滤机制 (filter_stocks)：

   • 在量化回测中，必须剔除无法交易的股票（如停牌、涨停无法买入）以及风险过大的股票（如ST），否则回测结果会虚高且无法实盘。

4. 交易执行 (order_target_value)：

   • 使用 order_target_value 可以自动计算需要买卖的数量，将持仓调整到目标金额。如果已持有该股票且价格上涨，它会自动卖出部分以止盈（再平衡）；如果未持有，则买入。

Q&A

Q: 如何修改 ROC 的计算周期？
A: 修改 initialize 函数中的 g.N 变量即可。例如，想计算 60 日动量，将 g.N = 20 改为 g.N = 60。

Q: 为什么使用 order_target_value 而不是 order_value？
A: order_target_value 是目标市值下单。在定期调仓策略中，我们需要让每只股票的持仓市值保持均等（例如总资金的10%）。如果某只股票上个月涨了很多，占比超过了10%，order_target_value 会自动卖出多余部分；如果跌了，会自动补仓。而 order_value 只是单纯买入指定金额，无法实现仓位的动态再平衡。

Q: 这个策略适合什么市场环境？
A: ROC 动量策略属于趋势跟踪策略，适合在牛市或震荡上行的市场环境中表现较好。在快速轮动的震荡市或熊市中，可能会出现“追涨杀跌”导致回撤较大。建议结合大盘择时（如均线择时）来控制风险。