今天给大家分享一个多策略组合的量化交易系统，将国证2000小市值选股策略与沪深300白马股价值策略相结合，通过子账户独立管理，实现收益稳定增长。
策略概述
这个策略的核心价值是："小市值策略提供攻击锐度，价值策略提供防守厚度"，通过两个完全独立的子策略分别管理资金：
- 国证2000掘金策略 ：专注小市值股票，在特定交易周期内捕捉短线机会
- 价值优选策略：从沪深300中筛选白马股，进行中长线价值投资
资金分配与子账户架构
# 资金分配比例
- 子账户0（现金池）：0% - 用于资金调配
- 子账户1（策略3）：50% - 国证2000掘金策略
- 子账户2（价值优选策略）：50% - 白马价值策略
设计亮点：每个子策略独立运行，互不干扰，便于单独评估策略表现和风险控制。
策略一：国证2000掘金策略详解
1. 选股逻辑（六重筛选）
# 第一重：基础筛选
# 从国证2000指数（399303.XSHE）中剔除ST股
stocks = get_index_stocks('399303.XSHE', date=context.previous_date)
st_flags = get_extras('is_st', stocks, count=1, end_date=context.previous_date).T
国证2000特点：代表A股市场小盘股，成分股市值相对较小，波动性较大，适合短线策略。
# 第二重：基本面筛选（"国九条"标准）
q = query(
valuation.code,
income.np_parent_company_owners,
income.net_profit,
income.operating_revenue,
indicator.roe,
indicator.roa
).filter(
income.np_parent_company_owners > 0, # 归母净利润为正
income.net_profit > 0, # 净利润为正
income.operating_revenue > 1e8, # 营业收入过亿
indicator.roe > 0, # ROE为正
indicator.roa > 0 # ROA为正
)
筛选逻辑：即使在短线策略中，也注重基本面质量，避免踩雷。
# 第三重：技术面筛选
cond = (
(last_data['close'] > last_data['prev_low']) & # 收盘价高于前低
(last_data['close'] > last_data['ma10']) & # 站在10日均线上
(last_data['volume'] > last_data['prev_volume']) & # 放量
(last_data['volume'] < 10 * last_data['prev_volume']) # 量能不异常
)
技术要点：价格在均线之上，温和放量，避免无量上涨或巨量异常。
2. 交易时机控制
策略只在特定时间段交易，这是风险控制的重要一环：
def is_trade_period(self, context):
today = context.current_dt.strftime('%m-%d')
return (
'01-15' <= today <= '01-31' or # 年报预告期
'04-15' <= today <= '04-30' or # 一季报期
'12-15' <= today <= '12-31' # 年底调仓期
)
设计理念：避开财报季前后的不确定性，只在信息相对透明时期操作。
3. 集合竞价策略
这是本策略的核心特色，利用集合竞价数据预判当日走势：
# 集合竞价买盘力量计算
auction = auction.assign(
sellmoney=lambda df: df['a1_p']*df['a1_v'] + ... + df['a5_p']*df['a5_v'],
buymoney=lambda df: df['b1_p']*df['b1_v'] + ... + df['b5_p']*df['b5_v']
)
auction['b_s'] = (auction['buymoney'] - auction['sellmoney']) / auction['sellmoney']
买入信号：买盘力量显著大于卖盘力量（b_s > 0），且开盘价在合理范围内。
4. 排序因子：换手率 × 开盘溢价
# 独创排序因子
df['factor'] = df['turnover_ratio'] * (df['open'] / df['pre_close'])
result = df.sort_values(by='factor', ascending=False)['code'].tolist()
因子逻辑：
- 高换手率：市场关注度高，流动性好
- 开盘溢价：集合竞价表现强势
- 两者结合：寻找既有热度又有实际资金推动的股票
5. 卖出与止损机制
# 三重卖出条件（或关系）
cond_not_limit_up = (df_history['last_price'] != df_history['high_limit'])
cond_break_ma7 = df_history['last_price'] < df_history['ma7'] # 跌破7日均线
cond_profit = (df_history['price']/df_history['avg_cost'] - 1)*100 > 0 # 有盈利
cond_yesterday_limit_up = (df_history['close'] == df_history['high_limit'])
sell_condition = cond_not_limit_up & (cond_break_ma7 | cond_profit | cond_yesterday_limit_up)
卖出策略特点：
- 7日均线止损：技术面破位即出
- 盈利保护：只要有盈利，随时可出
- 涨停打开：昨日涨停今日不开板继续持有，开板即出
策略二：价值优选策略（大白马组合）
1. 动态持仓管理
def update_stock_num(self, context):
# 根据沪深300指数与10日均线的偏离度调整持仓数量
diff = last_row['close'] - last_row['ma']
self.buy_stock_count = 5 if diff >= 500 else \
4 if 200 <= diff < 500 else \
4 if -200 <= diff < 200 else \
3 if -500 <= diff < -200 else \
3
风控逻辑：市场越强持仓越集中，市场越弱持仓越分散，控制单票风险。
2. 三阶段市场温度识别
def market_temperature_calc(self, context):
# 计算市场相对位置
market_height = (np.mean(index300[-5:]) - min(index300)) / (max(index300) - min(index300))
if market_height < 0.20: return "cold" # 市场低位
elif market_height > 0.90: return "hot" # 市场高位
elif max(index300[-60:]) / min(index300) > 1.20: return "warm" # 上涨趋势
return "warm"
不同市场环境采用不同选股标准：
- 冷市场：侧重安全边际（PB<1，现金流/净利润>2）
- 暖市场：平衡增长与估值
- 热市场：侧重成长性（净利润增长>20%）
3. 综合评分体系
# ROE和ROA双因子加权评分
roe_inv_rank = df['roe'].rank(ascending=False)
roa_inv_rank = df['roa'].rank(ascending=False)
df['point'] = (self.roe_weight * roe_inv_rank + self.roa_weight * roa_inv_rank)
权重设置：ROE权重10，ROA权重6，体现对盈利质量的重视。
4. 多层止损体系
这是价值策略的核心风控，包括六重保护：
# 1. 大盘止损
avg_down_ratio = np.mean(down_ratios)
return avg_down_ratio <= self.stoploss_market # 0.93
# 2. 个股止损止盈
if current_price >= cost_price * 2: # 盈利100%止盈
stocks_to_sell.append(stock)
elif current_price < cost_price * self.stoploss_limit: # 亏损9%止损
stocks_to_sell.append(stock)
# 3. MACD顶背离止损
if macd_result.get('dead', False):
stocks_to_sell.append(stock)
# 4. 涨停打开卖出
if current_price < high_limit:
stocks_to_sell.append(stock)
# 5. 异常放量卖出
if current_vol > self.HV_ratio * max_vol: # 超过历史90%成交量
stocks_to_sell.append(stock)
# 6. 换手率异常卖出
if avg_turnover < self.turnover_shrink or (current_turnover > self.turnover_expand and ratio > 2):
stocks_to_sell.append(stock)
风控哲学：宁可错过，不可做错。多重信号验证，确保退出时点合理。
资金动态调配机制
def transfer_excess_funds(context):
# 策略3资产超过100万时，超额部分调拨给策略2
excess = max(0, sub3.total_value - 1000000)
if excess > 0:
transfer_cash(
from_pindex=strategy3.subportfolio_index,
to_pindex=strategy2.subportfolio_index,
cash=transfer_amount
)
资金调配逻辑：
- 小市值策略设置100万上限，控制风险敞口
- 超额收益自动转入稳健的价值策略
- 实现"小盘创收，大盘守成"的良性循环
策略优势与实盘价值
1. 风险分散
- 大小盘风格互补
- 长短线周期搭配
- 不同选股逻辑对冲
2. 适应性强大
- 牛市：价值策略受益于白马股上涨
- 震荡市：小市值策略捕捉结构性机会
- 熊市：严格止损机制保护本金
3. 执行精细
- 集合竞价数据利用
- 动态仓位调整
- 多层止盈止损
4. 风控完善
- 个股层面：技术面+基本面+资金面三重风控
- 组合层面：子账户隔离+资金上限控制
- 系统层面：大盘环境判断+动态调仓
回测表现关键点
从原策略的回测结果看，这种双策略组合表现出：
- 稳定收益曲线：年化收益约15-25%
- 较低回撤：最大回撤控制在20%以内
- 胜率较高：小市值策略月度胜率约60-70%
实盘注意事项
- 流动性考虑：小市值策略需注意个股流动性
- 交易成本：短线交易需充分考虑佣金和滑点
- 数据延迟：集合竞价数据获取的实时性
- 仓位管理：根据资金量适当调整单票仓位
总结
这个双策略组合的核心价值在于：
"小市值策略提供进攻锐度，价值策略提供防守厚度"
通过科学的资金分配、精细的选股逻辑和严格的风控体系，实现了收益与风险的较好平衡。特别适合有一定资金量、希望获得稳定超额收益的投资者。
因源码过长，获取全部源码，请移步gzh：量化学习实战笔记
免责声明：本文仅分享量化策略逻辑，不构成任何投资建议。量化交易存在风险，实盘前请充分回测和模拟交易。
