在量化策略的世界里，一个优秀的创意往往源于对经典模型的迭代与优化。今天解析“四大搅屎棍”策略的一个 魔改版本
。原作者创造性地解决了原策略一个核心痛点： ** 当市场被“巨无霸”行业主导时，我们只能空仓观望吗？ **
为什么推荐这篇？主要是让大家学习策略魔改思路。我发布的策略都是经过我用心挑选，具有一定应用价值的量化策略框架底座。经过魔改可能你 会得到市场独特的财富投资（机）策略。
回到这个策略，它给出了一种魔改方式： ** 不空仓，切换赛道 ** 。它保留了原策略的精华，并增加了一套“B计划”，使其从一个“择时开仓”的策略，进化成了一个具备 ** 双模式自动切换能力 ** 的复合型策略。
1. 策略背景与核心思想
*核心思想升级 ： ** 市场风格判断 → 对应风格选股 → 全天候持有 ** 。
原版策略在检测到银行、有色、钢铁、煤炭等“四大搅屎棍”行业领涨时，选择空仓。魔改版则认为，这种市场环境往往对应着“大盘股”、“价值股”行情。因此，策略的逻辑转变为：
- 模式A（成长/小盘模式） *：当“搅屎棍”不在领涨行列，市场环境利于中小盘股时，沿用原策略逻辑， ** 精选中小板中的优质小盘价值股 ** 。
- 模式B（价值/大盘模式） ：当“搅屎棍”领涨，市场呈现大盘价值风格时， ** 立即切换到另一套选股逻辑，买入符合严格价值投资标准的大盘股 ** 。
这解决了原策略在特定市场环境下持续空仓、资金利用效率低的问题，试图在 ** 任何市场风格下都能找到对应的投资机会 ** 。
2. 策略原理拆解（重点）
魔改版策略的骨架与原版一致，但心脏（选股逻辑）变成了双核。
第一步：每日准备（不变）
- 识别持仓中昨日涨停的股票，为特殊处理做准备。
第二步：每周调仓选股核心（ get_stock_list - 重大升级） 这是 ** 双模式切换 ** 的核心发生地。
- 计算行业宽度与识别“搅屎棍”（同原版） *：计算各行业股价站在20日线以上的比例，找出宽度最高的行业。
- 模式判断与切换 *：
- 如果不包含 ：进入 ** 模式A ** 。选股池变为 ** 所有代码以‘002’开头的深市中小板股票 ** （比原版的中小板指成分股范围更纯粹），然后筛选
ROE>15%、ROA>10%的股票，按市值从小到大取前5只。 - 如果包含 ：进入 ** 模式B ** 。 ** 不再空仓！ ** 而是调用新函数
prepare_stock_list_2。 - ** 关键变动点 ** ：检查领涨行业是否包含“四大搅屎棍”。
- 如果不包含 ：进入 ** 模式A ** 。选股池变为 ** 所有代码以‘002’开头的深市中小板股票 ** （比原版的中小板指成分股范围更纯粹），然后筛选
- 模式B：大盘价值股选股逻辑（全新增加） ：
*
PB < 1（破净，深度价值） *经营现金流 > 100万（现金流健康） *调整后利润 > 100万（盈利真实） *ROA > 15%（高资产回报率） *净利润同比增长 > 0（业绩在增长） * ** 选股池 ** ：全市场A股（排除科创板、北交所、ST、停牌股等）。 * ** 苛刻的价值因子筛选 ** ： * ** 排序与选取 ** ：按ROA从高到低排序，最终只选取 ** 排名第一 ** 的股票（g.max_hold_stocknum=1）。这是一个高度集中、追求极致的价值投资组合。
第三步：调仓执行（ weekly_adjustment - 对应升级）
- ** 卖出逻辑 ** ：卖出不在新目标股列表且昨日未涨停的持仓。
- ** 买入逻辑升级 ** ：
- 对模式A（多股票）：等权分配现金买入。
- ** 对模式B（单股票） ** ： ** 新增逻辑 ** 。如果目标股只有1只（即模式B），则使用 ** 全部可用现金买入这一只股票 ** ，进行重仓押注。
** 3. 策略逻辑流程图 **
开始每周调仓
├─ 步骤1&2: 计算市场宽度，识别领涨行业
├─ 步骤3: 模式判断
│ ├─ 领涨行业不含“四大搅屎棍”？
│ │ ├─ 是 → 进入【模式A：小盘成长模式】
│ │ │ ├─ 选股池: 深市002开头股票
│ │ │ ├─ 筛选: ROE>15%, ROA>10%
│ │ │ ├─ 排序: 市值从小到大
│ │ │ └─ 选取: 前5名
│ │ │
│ │ └─ 否 → 进入【模式B：大盘价值模式】
│ │ ├─ 选股池: 全市场（过滤ST、停牌等）
│ │ ├─ 筛选: PB<1, 现金流>0, 利润>0, ROA>15%, 净利润增长>0
│ │ ├─ 排序: ROA从高到低
│ │ └─ 选取: 第1名
│ │
└─ 步骤4: 调仓执行
├─ 卖出: 持仓中不在新名单且昨日未涨停的股票
└─ 买入:
├─ 若为模式A（多股）→ 等权分配买入
└─ 若为模式B（单股）→ 全仓买入该股
4. 策略优势（魔改版）
- ** 资金利用率大幅提高 ** ：解决了原策略在“搅屎棍行情”下长期空仓的问题，实现了 ** 全天候投资 ** ，资金没有闲置期。
- ** 逻辑更具辩证性 ** ：认识到“搅屎棍”领涨并非毫无机会，而是 ** 市场风格切换的信号 ** ，并提供了对应的策略（买大盘价值股），思想深度更进一层。
- ** 风格对冲潜力 ** ：模式A（小盘成长）和模式B（大盘价值）在理论上存在一定的风格互补性，可能平滑整体收益曲线，降低单一风格暴露的风险。
- ** 模式B选股极其严苛 ** ：
PB<1且ROA>15%等条件组合，筛选出的是市场里罕见的“高性价比”资产，符合深度价值投资的核心理念。 - ** 持仓集中，进攻性强 ** ：模式B下仅持有1只股票，若判断正确，可能获得远超等权组合的超额收益。
5. 策略潜在风险（魔改版）
- ** 模式切换可能失效 ** ：“搅屎棍”行业领涨是否必然等于大盘价值风格占优？这个前提假设存在不确定性，极端行情，可能导致模式切换错误，两边挨打。
- ** 模式B的极端集中风险 ** ：单押一只股票，尽管筛选条件严苛，但仍会面临巨大的 ** 个股特异性风险 ** （如财务造假、行业黑天鹅），净值波动会非常剧烈。
- ** 价值陷阱风险 ** ：模式B选出的“破净高ROA”股票，可能存在周期顶点或会计处理导致的 ** 价值陷阱 ** ，其高ROA不可持续，PB也无法修复。
- ** 流动性风险 ** ：模式B选出的深度价值股，有时可能是成交量很小、关注度低的“仙股”，大资金进出困难。
- ** 参数与规则更复杂 ** ：双模式增加了策略的复杂性，也引入了更多需要维护和可能过时失效的规则（如“002”代码代表中小板的规则未来可能变化）。
6. 策略优化方向
- ** 优化模式切换信号 ** ：
- ** 为什么有效 ** ：仅用“四大行业是否领涨”作为风格判断可能粗糙。可以结合 ** 大小盘指数相对强弱 ** （如沪深300/中证1000比值）、 ** 市场整体估值水位 ** 等多项指标，用机器学习或打分卡建立更稳健的 ** 风格判断模型 ** 。
- ** 改进模式B的选股与风控 ** ：
- ** 为什么有效 ** ：单只股票风险过高。可以放宽选股条件，选出3-5只股票构成一个“深度价值组合”，进行等权或基于基本面得分加权，以分散个股风险。
- 在模式B下，增加 ** 动态止损 ** 机制，例如当个股从买入价下跌超过15%时强制止损，以控制最大回撤。
- ** 统一仓位管理逻辑 ** ：
- ** 为什么有效 ** ：当前模式A和模式B的仓位管理（等权 vs 全仓一只）不一致。可以统一为 ** 基于波动率或风险贡献的仓位管理模型 ** 。例如，根据组合或个股的历史波动率动态调整仓位，使两个模式下的预期风险水平接近。
- ** 引入更全面的基本面因子 ** ：
- ** 为什么有效 ** ：模式B的选股因子集中在盈利能力和估值。可以加入 ** 债务结构 ** （资产负债率）、 ** 盈利质量 ** （经营活动现金流/净利润）、 ** 分红能力 ** （股息率）等因子，构建更综合的“高质量价值”打分体系。
- ** 回测检验“002”代码规则的有效性 ** ：
- ** 为什么有效 ** ：随着注册制推进和板块定位调整，仅用“002”代码筛选中小盘股可能不再精确。可以改为直接使用 ** 市值排序 ** （例如，市值在全市场后50%的股票）来定义小盘股，使策略逻辑更普适、更可持续。
** 使用建议 ** ：
- ** 重点审视模式B ** ：实盘前，必须对模式B选出的历史股票进行 ** 深入的个案分析 ** ，理解其上涨和下跌的原因，评估策略是否真的能避开“价值陷阱”。
- ** 做好压力测试 ** ：模拟在模式B下，如果选中的唯一股票出现暴雷（如连续跌停），对整体净值的影响是否在承受范围之内。
- ** 考虑混合配置 ** ：可以将此策略作为一个“进攻性”较强的子策略，在个人投资组合中只配置一部分比例，其余配置于指数基金等稳健资产，以平衡整体风险。
7. 总结
这个“四大搅屎棍”策略的魔改版，完成了一次从“消极回避”到“积极应对”的思路跃迁。它的最大价值在于展示了 ** 如何将市场状态的判断，直接转化为不同选股逻辑的切换 ** ，构建出一个自适应的投资系统。它提醒我们，面对不理想的市场环境，除了离开，还可以选择换一种方式参与。
📌 ** 策略完整源码 ** 更多优质策略，请移步👇
# 原文网址：https://www.joinquant.com/post/49277
# 标题：“四大搅屎棍策略”学习笔记-有魔改
# 作者：口袋里的钥匙扣
# 原文网址：https://www.joinquant.com/post/49085
# 标题：四大搅屎棍策略
# 作者：MarioC
from jqdata import *
from jqfactor import *
import numpy as np
import pandas as pd
import pickle
from six import StringIO,BytesIO # py3的环境，使用BytesIO
import talib
# 初始化函数
def initialize(context):
# 设定基准
set_benchmark('000985.XSHG')
# 用真实价格交易
set_option('use_real_price', True)
# 打开防未来函数
set_option("avoid_future_data", True)
# 将滑点设置为0
set_slippage(FixedSlippage(0))
# 设置交易成本万分之三，不同滑点影响可在归因分析中查看
set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003,
close_today_commission=0, min_commission=5), type='stock')
# 过滤order中低于error级别的日志
log.set_level('order', 'error')
# 初始化全局变量
g.stock_num = 5
g.max_hold_stocknum=1
g.hold_list = [] # 当前持仓的全部股票
g.yesterday_HL_list = [] # 记录持仓中昨日涨停的股票
g.num=1
# 设置交易运行时间
run_daily(prepare_stock_list, '9:05')
run_weekly(weekly_adjustment, 1, '9:30')
run_daily(check_limit_up, '14:00') # 检查持仓中的涨停股是否需要卖出
SW1 = {
'801010': '农林牧渔I',
'801020': '采掘I',
'801030': '化工I',
'801040': '钢铁I',
'801050': '有色金属I',
'801060': '建筑建材I',
'801070': '机械设备I',
'801080': '电子I',
'801090': '交运设备I',
'801100': '信息设备I',
'801110': '家用电器I',
'801120': '食品饮料I',
'801130': '纺织服装I',
'801140': '轻工制造I',
'801150': '医药生物I',
'801160': '公用事业I',
'801170': '交通运输I',
'801180': '房地产I',
'801190': '金融服务I',
'801200': '商业贸易I',
'801210': '休闲服务I',
'801220': '信息服务I',
'801230': '综合I',
'801710': '建筑材料I',
'801720': '建筑装饰I',
'801730': '电气设备I',
'801740': '国防军工I',
'801750': '计算机I',
'801760': '传媒I',
'801770': '通信I',
'801780': '银行I',
'801790': '非银金融I',
'801880': '汽车I',
'801890': '机械设备I',
'801950': '煤炭I',
'801960': '石油石化I',
'801970': '环保I',
'801980': '美容护理I'
}
# 1-1 准备股票池
def prepare_stock_list(context):
# 获取已持有列表
g.hold_list = []
for position in list(context.portfolio.positions.values()):
stock = position.security
g.hold_list.append(stock)
# 获取昨日涨停列表
if g.hold_list != []:
df = get_price(g.hold_list, end_date=context.previous_date, frequency='daily', fields=['close', 'high_limit'],
count=1, panel=False, fill_paused=False)
df = df[df['close'] == df['high_limit']]
g.yesterday_HL_list = list(df.code)
else:
g.yesterday_HL_list = []
industry_code = ['801010','801020','801030','801040','801050','801080','801110','801120','801130','801140','801150',\
'801160','801170','801180','801200','801210','801230','801710','801720','801730','801740','801750',\
'801760','801770','801780','801790','801880','801890']
def industry(stockList,industry_code,date):
i_Constituent_Stocks={}
for i in industry_code:
temp = get_industry_stocks(i, date)
i_Constituent_Stocks[i] = list(set(temp).intersection(set(stockList)))
count_dict = {}
for name, content_list in i_Constituent_Stocks.items():
count = len(content_list)
count_dict[name] = count
return count_dict
def getStockIndustry(p_stocks, p_industries_type, p_day):
dict_stk_2_ind = {}
stocks_industry_dict = get_industry(p_stocks, date=p_day)
for stock in stocks_industry_dict:
if p_industries_type in stocks_industry_dict[stock]:
dict_stk_2_ind[stock] = stocks_industry_dict[stock][p_industries_type]['industry_code']
return pd.Series(dict_stk_2_ind)
# 1-2 选股模块
def get_stock_list(context):
# 指定日期防止未来数据
yesterday = context.previous_date
today = context.current_dt
final_list =[]
# 获取初始列表
initial_list = get_index_stocks('000985.XSHG', today)
p_count=1
p_industries_type='sw_l1'
h = get_price(initial_list, end_date=yesterday, frequency='1d', fields=['close'], count=p_count + 20, panel=False)
h['date'] = pd.DatetimeIndex(h.time).date
df_close = h.pivot(index='code', columns='date', values='close').dropna(axis=0)
df_ma20 = df_close.rolling(window=20, axis=1).mean().iloc[:, -p_count:]
df_bias = (df_close.iloc[:, -p_count:] > df_ma20)
s_stk_2_ind = getStockIndustry(p_stocks=initial_list, p_industries_type=p_industries_type, p_day=yesterday)
df_bias['industry_code'] = s_stk_2_ind
df_ratio = ((df_bias.groupby('industry_code').sum() * 100.0) / df_bias.groupby(
'industry_code').count()).round()
column_names = df_ratio.columns.tolist()
top_values = df_ratio[datetime.date(yesterday.year, yesterday.month, yesterday.day)].nlargest(g.num)
I = top_values.index.tolist()
sum_of_top_values = df_ratio.sum()
TT = sum_of_top_values[datetime.date(yesterday.year, yesterday.month, yesterday.day)]
name_list = [SW1[code] for code in I]
print(name_list)
print('全市场宽度：',np.array(df_ratio.sum(axis=0).mean()))
if '801780' not in I and '801050' not in I and '801950' not in I and '801040' not in I:
#《银行、有色金属、钢铁、煤炭》搅屎棍不在，开仓
# S_stocks = get_index_stocks('399101.XSHE', today)
# current_data = get_current_data()
S_stocks = get_all_securities('stock', today).index.tolist()
S_stocks = [stock for stock in S_stocks if stock[0:3] == '002'] #只买深市A股中小板
stocks = filter_kcbj_stock(S_stocks)
choice = filter_st_stock(stocks)
choice = filter_new_stock(context, choice)
BIG_stock_list = get_fundamentals(query(
valuation.code,
).filter(
valuation.code.in_(choice),
indicator.roe > 0.15,
indicator.roa > 0.10,
).order_by(
valuation.market_cap.asc()).limit(g.stock_num)).set_index('code').index.tolist()
BIG_stock_list = filter_paused_stock(BIG_stock_list)
BIG_stock_list = filter_limitup_stock(context,BIG_stock_list)
L = filter_limitdown_stock(context,BIG_stock_list)
else:
print('跑')
# L=[]
L= prepare_stock_list_2(context)
return L
#############大票选股函数函数############
def prepare_stock_list_2(context):
current_data = get_current_data()
initial_list = get_all_securities('stock', date=context.previous_date).index.tolist()
initial_list = [stock for stock in initial_list if not (
(stock.startswith(('68', '4', '8','30'))) or
(current_data[stock].paused) or
(current_data[stock].is_st) or
('ST' in current_data[stock].name) or
('*' in current_data[stock].name) or
('退' in current_data[stock].name))]
q = query(
valuation.code, valuation.market_cap, valuation.pe_ratio, income.total_operating_revenue
).filter(
valuation.pb_ratio < 1,
cash_flow.subtotal_operate_cash_inflow > 1e6,
indicator.adjusted_profit > 1e6,
indicator.roa > 0.15,
indicator.inc_net_profit_year_on_year > 0,
valuation.code.in_(initial_list)
).order_by(
indicator.roa.desc()
).limit(
g.max_hold_stocknum * 3
)
initial_list = list(get_fundamentals(q).code)
initial_list = initial_list[:g.max_hold_stocknum]
return initial_list
################
# 1-3 整体调整持仓
def weekly_adjustment(context):
target_B = get_stock_list(context)
# 调仓卖出
for stock in g.hold_list:
if (stock not in target_B) and (stock not in g.yesterday_HL_list):
position = context.portfolio.positions[stock]
close_position(position)
position_count = len(context.portfolio.positions)
target_num = len(target_B)
if target_num > position_count:
buy_num = min(len(target_B), g.stock_num*g.num - position_count)
value = context.portfolio.cash / buy_num
for stock in target_B:
if stock not in list(context.portfolio.positions.keys()):
if open_position(stock, value):
if len(context.portfolio.positions) == target_num:
break
if target_num ==1:
value = context.portfolio.cash
for stock in target_B:
if stock not in list(context.portfolio.positions.keys()):
open_position(stock, value)
def check_limit_up(context):
now_time = context.current_dt
if g.yesterday_HL_list != []:
# 对昨日涨停股票观察到尾盘如不涨停则提前卖出，如果涨停即使不在应买入列表仍暂时持有
for stock in g.yesterday_HL_list:
current_data = get_price(stock, end_date=now_time, frequency='1m', fields=['close', 'high_limit'],
skip_paused=False, fq='pre', count=1, panel=False, fill_paused=True)
if current_data.iloc[0, 0] < current_data.iloc[0, 1]:
log.info("[%s]涨停打开，卖出" % (stock))
position = context.portfolio.positions[stock]
close_position(position)
else:
log.info("[%s]涨停，继续持有" % (stock))
# 3-1 交易模块-自定义下单
def order_target_value_(security, value):
if value == 0:
log.debug("Selling out %s" % (security))
else:
log.debug("Order %s to value %f" % (security, value))
return order_target_value(security, value)
# 3-2 交易模块-开仓
def open_position(security, value):
order = order_target_value_(security, value)
if order != None and order.filled > 0:
return True
return False
# 3-3 交易模块-平仓
def close_position(position):
security = position.security
order = order_target_value_(security, 0) # 可能会因停牌失败
if order != None:
if order.status == OrderStatus.held and order.filled == order.amount:
return True
return False
# 2-1 过滤停牌股票
def filter_paused_stock(stock_list):
current_data = get_current_data()
return [stock for stock in stock_list if not current_data[stock].paused]
# 2-2 过滤ST及其他具有退市标签的股票
def filter_st_stock(stock_list):
current_data = get_current_data()
return [stock for stock in stock_list
if not current_data[stock].is_st
and 'ST' not in current_data[stock].name
and '*' not in current_data[stock].name
and '退' not in current_data[stock].name]
# 2-3 过滤科创北交股票
def filter_kcbj_stock(stock_list):
for stock in stock_list[:]:
if stock[0] == '4' or stock[0] == '8' or stock[:2] == '68' or stock[0] == '3':
stock_list.remove(stock)
return stock_list
# 2-4 过滤涨停的股票
def filter_limitup_stock(context, stock_list):
last_prices = history(1, unit='1m', field='close', security_list=stock_list)
current_data = get_current_data()
return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
or last_prices[stock][-1] < current_data[stock].high_limit]
# 2-5 过滤跌停的股票
def filter_limitdown_stock(context, stock_list):
last_prices = history(1, unit='1m', field='close', security_list=stock_list)
current_data = get_current_data()
return [stock for stock in stock_list if stock in context.portfolio.positions.keys()
or last_prices[stock][-1] > current_data[stock].low_limit]
# 2-6 过滤次新股
def filter_new_stock(context, stock_list):
yesterday = context.previous_date
return [stock for stock in stock_list if
not yesterday - get_security_info(stock).start_date < datetime.timedelta(days=375)]
免责声明： 本文分享策略仅供学习交流，不构成任何投资建议。市场有风险，投资需谨慎。策略回测表现不代表未来收益，实盘前请充分测试验证。
