PTrade 策略实战：基于销售毛利率增长的成长股筛选

这是一个基于销售毛利率（Gross Profit Margin）同比增长率的选股策略。

策略逻辑与设计

1. 核心指标：销售毛利率 = (营业收入 - 营业成本) / 营业收入。
   • 该指标反映了企业产品的定价能力和成本控制能力。
   • 增长逻辑：如果一家公司的销售毛利率同比大幅增长，通常意味着其产品竞争力增强（提价）或原材料成本下降，是业绩改善的先行指标。
2. 选股范围：沪深300成分股（确保流动性和基本面质量）。
3. 数据获取：
   • 使用 get_fundamentals 获取 profit_ability 表中的 gross_income_ratio（销售毛利率）。
   • 获取当前日期的数据和一年前同期的数据进行对比，计算同比增长率。
4. 交易逻辑：
   • 调仓频率：按月调仓（每月第一个交易日）。
   • 排序：按毛利率增长值从大到小排序。
   • 持仓：持有排名前 N 只股票（例如前 10 只），等权重买入。
   • 卖出：如果持仓股票不在新的优选列表中，则卖出。

PTrade 策略代码实现

import pandas as pd
import numpy as np
import datetime

def initialize(context):
    """
    初始化函数，设置策略参数
    """
    # 设定持仓股票数量
    g.stock_num = 10
    
    # 设定调仓周期（这里通过变量控制，在handle_data中判断是否为月初）
    g.rebalance_flag = False
    
    # 设置基准（沪深300）
    set_benchmark('000300.SS')
    
    # 开启滑点和手续费设置（可选，根据实际需求调整）
    set_commission(commission_ratio=0.0003, min_commission=5.0, type="STOCK")
    set_slippage(slippage=0.002)

def before_trading_start(context, data):
    """
    盘前处理：更新股票池，判断是否调仓
    """
    # 获取当前日期
    current_date = context.blotter.current_dt.date()
    
    # 获取沪深300成分股作为股票池
    # 注意：get_index_stocks 建议在 before_trading_start 中调用
    g.security_list = get_index_stocks('000300.SS')
    set_universe(g.security_list)
    
    # 判断是否为月初（每月第一个交易日调仓）
    # 获取未来几天的交易日，如果今天是本月第一个交易日，则标记为True
    # 这里简化逻辑：如果今天是该月的第一天或者上一个交易日是上个月，则调仓
    # PTrade中简单判断月初的方法：
    previous_date = context.previous_date.date()
    if current_date.month != previous_date.month:
        g.rebalance_flag = True
    else:
        g.rebalance_flag = False

def handle_data(context, data):
    """
    盘中处理：执行选股和交易逻辑
    """
    # 如果不需要调仓，直接返回
    if not g.rebalance_flag:
        return

    # 1. 获取财务数据
    # 获取当前回测日期的销售毛利率
    # profit_ability 表中的 gross_income_ratio 字段
    current_date_str = context.blotter.current_dt.strftime("%Y%m%d")
    
    # 获取当前最新发布的财务数据
    df_current = get_fundamentals(
        g.security_list, 
        'profit_ability', 
        'gross_income_ratio', 
        date=current_date_str
    )
    
    # 获取一年前的财务数据（用于计算同比增长）
    # 注意：这里简单取365天前的数据作为对比基准，PTrade会自动返回该日期前最新发布的财报
    last_year_date = context.blotter.current_dt - datetime.timedelta(days=365)
    last_year_date_str = last_year_date.strftime("%Y%m%d")
    
    df_last_year = get_fundamentals(
        g.security_list, 
        'profit_ability', 
        'gross_income_ratio', 
        date=last_year_date_str
    )
    
    # 2. 数据清洗与计算
    # 检查数据是否获取成功
    if df_current is None or df_last_year is None:
        log.warning("财务数据获取失败，跳过本次调仓")
        g.rebalance_flag = False
        return
        
    # 将数据转换为 DataFrame 方便处理 (PTrade返回的通常是DataFrame，索引为股票代码)
    # 重命名列以区分
    df_current.columns = ['gross_margin_curr']
    df_last_year.columns = ['gross_margin_last']
    
    # 合并数据
    df_merged = pd.concat([df_current, df_last_year], axis=1)
    
    # 去除空值
    df_merged = df_merged.dropna()
    
    # 计算毛利率增长值 (当前 - 去年同期)
    # 也可以计算增长率 (当前 - 去年) / abs(去年)，但在毛利率为负或极小时增长率会失真，
    # 这里采用绝对值增长量更稳健
    df_merged['growth'] = df_merged['gross_margin_curr'] - df_merged['gross_margin_last']
    
    # 3. 选股排序
    # 按照增长值降序排列
    df_sorted = df_merged.sort_values(by='growth', ascending=False)
    
    # 取前 N 只股票
    target_list = df_sorted.head(g.stock_num).index.tolist()
    
    log.info("本月选股名单: %s" % target_list)
    
    # 4. 执行交易
    # 获取当前持仓
    current_positions = list(context.portfolio.positions.keys())
    
    # 卖出不在目标列表中的股票
    for stock in current_positions:
        if stock not in target_list:
            order_target_value(stock, 0)
            log.info("卖出: %s" % stock)
            
    # 买入目标列表中的股票
    # 资金分配：等权重分配
    if len(target_list) > 0:
        # 获取当前账户总资产
        total_value = context.portfolio.portfolio_value
        # 每只股票的目标市值
        target_value_per_stock = total_value / len(target_list)
        
        for stock in target_list:
            # 过滤停牌、跌停等无法买入的情况（order函数内部有一定保护，但最好在逻辑层处理）
            # 这里直接下单，PTrade回测引擎会自动处理停牌无法成交的情况
            order_target_value(stock, target_value_per_stock)
            log.info("买入/调仓: %s, 目标市值: %f" % (stock, target_value_per_stock))
            
    # 调仓完成，重置标志位
    g.rebalance_flag = False

def after_trading_end(context, data):
    """
    盘后处理
    """
    pass

代码关键点解析

1. 数据获取 (get_fundamentals)：

   • 我们使用了 profit_ability 表。
   • gross_income_ratio 代表销售毛利率。
   • 通过传入 date 参数，分别获取“当前回测日期”和“一年前日期”的数据。PTrade 的机制是返回指定日期前最新发布的一份财报数据，这样可以有效模拟同比（YoY）比较。

2. 增长计算：

   • 代码中使用了 df_merged['gross_margin_curr'] - df_merged['gross_margin_last']（绝对值增长）。
   • 为什么不用百分比增长率？ 因为毛利率本身是一个百分比数据（例如 20%）。如果从 1% 涨到 2%，增长率是 100%；如果从 40% 涨到 41%，增长率只有 2.5%。但在基本面分析中，高毛利公司提升 1 个百分点的难度往往比低毛利公司更大，且含金量更高。直接比较数值差额（Delta）通常比比较增长比率（Rate）更直观且不易产生极端值。

3. 调仓逻辑：

   • 在 before_trading_start 中通过对比月份变化来标记 g.rebalance_flag。
   • 在 handle_data 中执行具体的买卖操作。先卖出非目标股，释放资金，再买入目标股。

4. 兼容性：

   • 代码遵循 Python 3.5 语法规范（避免了 f-string 等新特性），确保在 PTrade 旧版环境中也能运行。
   • 使用了 order_target_value 进行等权重下单，这比计算手数更方便，能自动根据当前股价和资金计算买入数量。

常见问题 (Q&A)

Q: 为什么使用 get_index_stocks 而不是直接全市场选股？
A: 全市场选股容易选中流动性差、市值极小或财务数据异常的股票。使用沪深300（000300.SS）或中证500（000905.XBHS）作为股票池，可以保证选出的股票基本面相对稳健，适合基本面因子策略。

Q: 策略可以增加止损吗？
A: 可以。你可以在 handle_data 中增加逻辑，遍历持仓股票，如果 (现价 - 成本价) / 成本价 < -0.1 (亏损10%)，则强制执行 order_target(stock, 0)。

Q: 如何查看毛利率的具体数值？
A: get_fundamentals 返回的数据中，gross_income_ratio 的单位通常是百分比的数值（例如返回 20.5 代表 20.5%）。建议在策略运行初期使用 log.info(df_merged.head()) 打印数据查看具体格式。

Q: 为什么回测时第一年可能没有交易？
A: 因为策略需要获取“一年前”的数据来计算增长。如果回测开始时间是 2016-01-01，代码会尝试获取 2015-01-01 的数据。如果你的数据源或回测设置导致无法获取一年前的数据（例如新股上市不足一年），这些股票会被过滤掉。