游离态GLZ的股票量化实验（一）—— 基于神奇公式思想投资策略

量化断更了两年了，重新开写，希望各路大佬多批评指教。

最近上量化课学习了神奇公式，神奇公式是格林布拉特在其《股市稳赢》中提到的一种选股策略，其本人也依靠这个公式获得了长期年华40%的收益，赚的盆满钵满。

这个公式的思想简单来说就两步，一是寻找好公司；二是寻找便宜的股票。用量化行业的话来说就是一个双因子策略，选取的两个因子是资本回报率和股票收益率。由于国内这些指标不好查，用净资产收益率（ROE）代替资本回报率；用市盈率（PE）代替股票收益率。

基于这个思想来进行量化投资，但是注意到A股表现和美股比…算是一种双边行情，经常会有不可预测的跌势开启，因此加上布林带的择时，防止在股票下穿布林带开口的时候买入。

策略核心代码如下：

#排除市净率和净资产收益率小于0的，并选取流通市值top1%的df = df[(df['roe']>0) & (df['pb_ratio']>0)].sort_values(by='pb_ratio')df.index = df['code'].values #设置股票代号为indexdf = df[df['circulating_market_cap'] > df['circulating_market_cap'].quantile(0.99)]#选取roe大于8和pe小于60的df = df[(df['pe_ratio']<60) & (df['roe']>8)]#用rank作为指标，取roe（大）和pb（小）综合排名好的df['1/roe'] = 1/df['roe']df['score'] = df[['pb_ratio','1/roe']].rank().T.apply(sum)#通过考验的放入股票池pool = list((df.sort_values('score').index)[:g.stockNum])

布林带防止下穿，回避高风险股票买入时机：

for i in feasible_stock_list:for short_d, long_d in [(10, 50)]:price_short = get_price(i,end_date=context.previous_date,count=1+short_d,fields=['close'])['close']MA_short = price_short[-short_d:].mean()MA_short_pre = price_short[-1-short_d:-1].mean()price_long = get_price(i,end_date=context.previous_date,count=1+long_d,fields=['close'])['close']MA_long = price_long[-long_d:].mean()MA_long_pre = price_long[-1-long_d:-1].mean()if MA_short < MA_long and MA_short_pre > MA_long_pre and context.portfolio.positions[i].closeable_amount > 0:if i not in res_lst:res_lst.append(i)

在聚宽平台回测了2019年全年，效果尚可：

该模型还有很多问题，为了测试神奇公式对布林带的择时应用没有很严格，仅仅防止了下穿；同时神奇公式本身对很多突然崛起的科技股没有什么敏感度，更倾向于购买内在价值高但被低估的白马，而忽略表面价值低但是由于科技发展突然翻身的黑马。还有很多地方可以改进。