量化学习平台
文章
市场宽度
背离图
登录
注册
【深度解析 六】高股息率-低PEG-低股价-市值序列模型
策略
作者: 水滴
```python # 风险及免责提示：该策略由聚宽用户在聚宽社区分享，仅供学习交流使用。 # 原文一般包含策略说明，如有疑问请到原文和作者交流讨论。 # 原文网址：https://www.joinquant.com/post/44487 # 标题：【深度解析 六】高股息率-低PEG-低股价 模型 # 作者：加百力 # 回测资金选择 10000000 # 导入相关模块 import pandas as pd from jqdata import * # 初始化函数，设置基准等等 # context 是由系统维护的上下文环境 # 包含买入均价、持仓情况、可用资金等资产组合相关信息 def initialize(context): # 基础交易参数设置 # 过滤掉order系列API产生的比error级别低的log # 默认是 'debug' 参数。最低的级别，日志信息最多 # 系统推荐尽量使用'debug'参数或不显式设置，方便找出所有错误 log.set_level('order', 'error') # 开启动态复权模式(使用真实价格) set_option('use_real_price', True) # 避免使用未来数据 set_option('avoid_future_data', True) # 交易量不超过实际成交量的 0.1 set_option('order_volume_ratio',0.1) # 设定基准 # '000300.XSHG' 沪深300指数 set_benchmark('000300.XSHG') # 设置滑点 # 通过归因分析查看不同滑点设置下的收益率 set_slippage(PriceRelatedSlippage(0)) # 股票类每笔交易时的手续费是：买入时佣金万分之三， # 卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣 5 元钱 set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock') # 初始化全局变量 # g. 开头的是全局变量 # 一经声明整个程序都可以使用 # 最大股票持仓数量 # 该模型持仓数量大，收益率更高 # 20只好于10只，10只好于5只 g.stock_num = 20 # 待买入股票列表 g.buylist = [] # 昨日涨停股票列表 g.high_limit_list = [] # 在指定时间调用交易函数 # 每天早上 9:00 调用函数获取昨日涨停股票列表 # 昨日涨停股票需要单独处理 run_daily(get_high_limit, time='9:00') # 每月第一个交易日，10:00 # 通过多重条件过滤股票池 run_monthly(get_stocks, 1 ,time='10:00') # 每月第一个交易日 14:55 实际进行交易 run_monthly(trade_stocks, 1 ,time='14:55') # 每月第一个交易日 16:00 收盘后在日志中输出市值、股价等数据 run_monthly(show_cap, 1 ,time='16:00') # 每日下午 14:40 检查昨日涨停股票并进行处理 run_daily(check_high_limit, time='14:40') # 获取股票列表 # 严格过滤股票 # 通过 股息率、PEG、股价 等标准过滤股票 # 截取满足条件和数量的股票，准备交易 def get_stocks(context): # 过滤次新股 # 上市超过 180 天的股票才会被选中 by_date = context.previous_date - datetime.timedelta(days=180) stocks = get_all_securities(date=by_date).index.tolist() # 对股票进行全面过滤 stocks = filter_all_stocks(context,stocks) # 计算筛选后股票的股息率 # 高股息(全市场最大25%) stocks = get_dividend_ratio_filter_list(context, stocks, False, 0, 0.25) # 计算股票的 PEG 数据并排序 stocks = get_peg(context,stocks) # 排序获得低价股列表 stocks = filter_highprice_stock(context,stocks) # 根据最大待持仓股票数量截取股票列表 g.buylist = stocks[:g.stock_num] # 交易股票函数 # 根据全局变量 g.buylist 交易股票 # 首先卖出不在待买入股票列表中的股票 # 获得的现金平均分配，买入新的股票 # 标准的 一买一卖 交易方式 def trade_stocks(context): cdata = get_current_data() # 卖出不在 待买入股票列表 中的股票 for s in context.portfolio.positions: if (s not in g.buylist) : log.info('Sell', s, cdata[s].name) order_target(s, 0) # 买入 待买入股票列表 中的股票 position_count = len(context.portfolio.positions) if g.stock_num > position_count: # 前一个循环已经平掉旧仓释放资金 # 根据待买入股票数量平均分配资金 psize = context.portfolio.available_cash/(g.stock_num - position_count) # 遍历待买入股票列表买入股票 for s in g.buylist: if s not in context.portfolio.positions: log.info('buy', s, cdata[s].name) order_value(s, psize) if len(context.portfolio.positions) == g.stock_num: break # 读取并在日志中输出 # 持仓股票的市值及股价数据 def show_cap(context): # 获取当前时间的行情数据 # 获取当前单位时间（当天/当前分钟）的涨跌停价, 是否停牌，当天的开盘价等 # 回测时, 通过其他获取数据的API获取到的是前一个单位时间(天/分钟)的数据 # 而有些数据, 我们在这个单位时间是知道的, 比如涨跌停价, 是否停牌, 当天的开盘价 current_data = get_current_data() # 获取持仓股票数据 hold_stocks = context.portfolio.positions.keys() # 遍历持仓股票 # 输出市值、股价等信息 for s in hold_stocks: # 查询指定代码的估值表数据 q = query(valuation).filter(valuation.code == s) df = get_fundamentals(q) # 在日志中写入股票名称，市值、股价 log.info(s,current_data[s].name,'市值',df['market_cap'][0],'亿') log.info(s,current_data[s].name,'股价',current_data[s].last_price,'元') # 根据最近一年分红除以当前总市值计算股息率并筛选 def get_dividend_ratio_filter_list(context, stock_list, sort, p1, p2): time1 = context.previous_date time0 = time1 - datetime.timedelta(days=365) # 获取分红数据，由于 finance.run_query() 最多返回4000行 # 以防未来数据超限，最好把 stock_list 拆分后查询再组合 # 某只股票可能一年内多次分红，导致其所占行数大于1，所以interval不要取满4000 interval = 1000 list_len = len(stock_list) # 截取不超过 interval 的列表并查询 # 上市公司分红送股（除权除息）数据 # finance.STK_XR_XD：代表除权除息数据表，记录由上市公司年报、中报、一季报、三季报统计出的分红转增情况 # code 股票代码 # a_registration_date A股股权登记日 # bonus_amount_rmb 派息金额(人民币) 单位：万元 q = query(finance.STK_XR_XD.code, finance.STK_XR_XD.a_registration_date, finance.STK_XR_XD.bonus_amount_rmb ).filter( finance.STK_XR_XD.a_registration_date >= time0, # 股权登记日在time0 和 time1之间 finance.STK_XR_XD.a_registration_date <= time1, finance.STK_XR_XD.code.in_(stock_list[:min(list_len, interval)])) # 截取不超过 interval 的列表并查询 df = finance.run_query(q) # 对 interval 的部分分别查询并拼接 if list_len > interval: # 将股票列表按照 interval 的标准分成多段 df_num = list_len // interval # 针对每段数据循环查询 for i in range(df_num): q = query(finance.STK_XR_XD.code, finance.STK_XR_XD.a_registration_date, finance.STK_XR_XD.bonus_amount_rmb ).filter( finance.STK_XR_XD.a_registration_date >= time0, finance.STK_XR_XD.a_registration_date <= time1, finance.STK_XR_XD.code.in_(stock_list[interval*(i+1):min(list_len,interval*(i+2))])) # 查询完成后的数据都追加到 df 数据框末尾 df = df.append(finance.run_query(q)) # 将可能得到的 na 数据填充为0 dividend = df.fillna(0) # 将股息数据根据股票代码做汇总和累加 dividend = dividend.groupby('code').sum() temp_list = list(dividend.index) # query查询不到无分红信息的股票，所以temp_list长度会小于stock_list # 获取市值相关数据 q = query(valuation.code,valuation.market_cap).\ filter(valuation.code.in_(temp_list)) cap = get_fundamentals(q, date=time1) cap = cap.set_index('code') # 计算股息率 DR = pd.concat([dividend, cap] ,axis=1) # 单独计算股息率生成新的一列 DR['dividend_ratio'] = (DR['bonus_amount_rmb']/10000) / DR['market_cap'] # 按照股息率降序排列 # 股息率高的股票在前，低的在后 DR.sort_values(by='dividend_ratio', ascending=sort, inplace=True) # 截取股息率在 p1 到 p2 之间的股票代码 final_list = list(DR.index)[int(p1*len(DR)):int(p2*len(DR))] return final_list # 计算 PEG 并排序筛选股票 # pe_ratio 市盈率(PE, TTM) 每股市价为每股收益的倍数，反映投资人对每元净利润所愿支付的价格，用来估计股票的投资报酬和风险 # 市盈率（PE，TTM）=（股票在指定交易日期的收盘价 * 截止当日公司总股本）/归属于母公司股东的净利润TTM # inc_net_profit_year_on_year 净利润同比增长率(%) # （当期的净利润-上月（上年）当期的净利润）/上月（上年）当期的净利润绝对值=净利润同比增长率 # PEG 指标 # 百度百科：https://baike.baidu.com/item/PEG%E6%8C%87%E6%A0%87/10904043 # PEG指标(市盈率相对盈利增长比率)是用公司的市盈率除以公司的盈利增长速度 # PEG指标(市盈率相对盈利增长比率)是Jim Slater发明的一个股票估值指标，是在PE（市盈率）估值的基础上发展起来的 # 它弥补了PE对企业动态成长性估计的不足 # 当时他在选股的时候就是选那些市盈率较低，同时它们的增长速度又是比较高的公司 # 这些公司有一个典型特点就是PEG会非常低 def get_peg(context,stocks): # 通过 filter 子句限制了PEG的范围 q = query(valuation.code, ).filter( valuation.pe_ratio / indicator.inc_net_profit_year_on_year > -3, valuation.pe_ratio / indicator.inc_net_profit_year_on_year < 3, valuation.code.in_(stocks) ) df_fundamentals = get_fundamentals(q) stocks = list(df_fundamentals.code) # 对于筛选出来的股票按照 市值升序 排列 df = get_fundamentals(query(valuation.code).\ filter(valuation.code.in_(stocks)).\ order_by(valuation.market_cap.asc())) return list(df.code) # 获取昨日涨停股票列表 def get_high_limit(context): # 清空昨日涨停列表 g.high_limit_list = [] # 获取当前持仓列表 hold_list = list(context.portfolio.positions) # 读取所有持仓股票的昨日收盘价和涨停价数据 # 从 panel 中截取数据框 - 注意，panel 数据在未来将不再被支持 # 如果将来无法运行。可以修改这段代码 # 比如使用 for 循环遍历持仓股票，分析涨停情况 if hold_list: df = get_price(hold_list, end_date=context.previous_date, frequency='daily', fields=['close', 'high_limit'], count=1).iloc[:,0,:] g.high_limit_list = list(df[df['close'] == df['high_limit']].index) # 调整昨日涨停股票 def check_high_limit(context): # 获取持仓的昨日涨停列表 current_data = get_current_data() if g.high_limit_list: for stock in g.high_limit_list: if current_data[stock].last_price < current_data[stock].high_limit: log.info("[%s]涨停打开，卖出" % stock) order_target(stock, 0) else: log.info("[%s]涨停，继续持有" % stock) # 高效过滤股票函数 def filter_all_stocks(context, stock_list): curr_data = get_current_data() return [stock for stock in stock_list if not ( stock.startswith(('68', '4', '8')) or # 科创，北交所 curr_data[stock].paused or curr_data[stock].is_st or # ST ('ST' in curr_data[stock].name) or ('*' in curr_data[stock].name) or ('退' in curr_data[stock].name) or (curr_data[stock].last_price == curr_data[stock].high_limit) or (curr_data[stock].last_price == curr_data[stock].low_limit) )] # 过滤价格较高的股票 def filter_highprice_stock(context,stock_list): df = history(1, unit='1m', field='close', security_list=stock_list) price_list = df.values[0].copy() price_list.sort() price = price_list[int(0.75*len(df.T))] return [stock for stock in stock_list if df[stock][-1] < price] # end ```
文章分类
关于作者
水滴
注册时间: