多因子选股策略 — 设计方案

> 最后更新：2026-07-01 > > 本文档是选股子系统的总体设计。它直接复用现有截面选基的 7 层架构（Factor → Selector → Engine → 回测 → 推送），只是把 ETF 因子换成股票因子、ETF 池换成全 A 股池。

---

一、决策速览

---

二、架构分层（复用选基骨架）

selection/
├── stock/                      # 🆕 选股子系统（与 selection/ 平级）
│   ├── universe/
│   │   └── stock_pool.py       # 全A股动态池（ST/停牌/次新过滤）
│   ├── factor/
│   │   ├── base.py             # 复用 Factor 抽象基类
│   │   ├── momentum.py         # 动量因子（多窗口收益 + R²趋势质量 + 回撤惩罚）
│   │   ├── stability.py        # 波动率稳定性因子
│   │   ├── anti_overbought.py  # 反追高因子（距均线偏离度惩罚）
│   │   ├── volume_confirm.py   # 量价确认因子
│   │   ├── liquidity.py        # 流动性因子（成交额 + 换手率）
│   │   └── diversification.py  # 行业+市值分散化过滤
│   ├── selector/
│   │   ├── base.py             # StockSelector 抽象基类
│   │   └── multi_factor.py     # 多因子加权选择器
│   ├── engine.py               # StockSelectionEngine 核心引擎
│   └── run_selection.py        # 命令行入口

关键差异点（vs ETF 选基）：

---

三、股票池设计（universe/stock_pool.py）

3.1 池子构成

全 A 股实时池 = 东方财富全市场股票列表 − 过滤条件

3.2 过滤规则

3.3 行业分类

使用东方财富行业分类（申万一级），用于分散化过滤。代码参考：adata.stock.info 模块。

---

四、因子设计（5 个 V1 因子）

所有 V1 因子都是纯量价因子，只需 OHLCV 数据，不依赖财务报表。

因子 1：动量（momentum）

问的问题：「过去一段时间涨了多少？涨得干净吗？」

raw_momentum = 40日收益 × 0.5 + 80日收益 × 0.5
final_momentum = raw × max(R²趋势质量, 0.3) × 回撤惩罚

• R² 趋势质量：对 40 日价格做线性回归，R² < 0.3 说明震荡、打 3 折
• 回撤惩罚：距 80 日高点回撤 > 15% 打 3 折

因子 2：波动率稳定性（stability）

问的问题：「波动大不大？涨得稳不稳？」

stability = 1 - (近40日波动率 / 近120日波动率)

• 近期波动相对历史越低越好（稳定性高 → 分数高）
• 波动率用日收益标准差年化

因子 3：反追高（anti_overbought）

问的问题：「是不是涨太疯了该回避？」

偏离度 = (当前价 - 60日均价) / 60日均价
penalty = 1 - min(max(偏离度 - 0.15, 0) / 0.35, 1)

• 偏离均线 15% 以内不惩罚
• 偏离 15%-50% 线性惩罚
• 偏离 > 50% 分数归零

因子 4：量价确认（volume_confirm）

问的问题：「上涨有没有成交量配合？」

量比 = 近20日均量 / 近60日均量
价的方向 = sign(近20日收益)
量价确认 = sign(价) × (量比 - 1)

• 上涨伴随放量 → 正分
• 上涨但缩量 → 负分
• 下跌放量 → 负分

因子 5：流动性（liquidity）

问的问题：「交易够不够活跃？」

流动性分 = rank(近20日日均成交额) × 0.5 + rank(近20日日均换手率) × 0.5

• 成交额和换手率越高越好（流动性溢价）

权重方案（V1 等权）

V1 先用等权（20% × 5），后续迭代时再引入 Adaptive Weight Engine。

---

五、选择器设计（selector/multi_factor.py）

复用 MultiFactorETFSelector 的逻辑：

• 逐个因子计算原始值
• factor.normalize(series, method='rank') → 百分位排名（0-1 区间）
• 加权求和 → 全市场排名
• 返回 Top N

class MultiFactorStockSelector(StockSelector):
    def __init__(self, factors: List[Factor], weights: List[float]):
        self.factors = factors
        self.weights = weights

    def select(self, data_dict, date, top_n=10, regime_info=None):
        scores = pd.DataFrame(index=list(data_dict.keys()))
        for factor, weight in zip(self.factors, self.weights):
            raw = factor.calculate(data_dict, date)
            normalized = factor.normalize(raw, method='rank')
            if normalized.std() > 0:
                scores[factor.name] = normalized * weight
        ranked = scores.sum(axis=1).sort_values(ascending=False)
        return ranked.head(top_n).index.tolist(), ranked

---

六、分散化过滤（factor/diversification.py）

6.1 行业去重

同一申万一级行业最多 2 只，防止单一行业扎堆。

行业上限 = {
    '电子': 2, '医药生物': 2, '电力设备': 2, '计算机': 2,
    ... 其他行业默认 2
}

6.2 相关性剔除

贪心算法：从高分到低分遍历，新候选股与已选股 40 日收益率相关性 > 0.7 则跳过。

6.3 市值分层

按总市值分三层，每层至少 2 只：

• 大盘（≥ 500 亿）
• 中盘（100-500 亿）
• 小盘（< 100 亿）

---

七、引擎设计（engine.py）

StockSelectionEngine 对标 ETFSelectionEngine：

class StockSelectionEngine:
    def __init__(self, stock_pool, selector, data_fetcher):
        ...

    def fetch_all_data(self, years_back=2):
        """从东方财富拉取全 A 股日 K，过滤 ST/停牌/次新/低流动性"""
        ...

    def build_snapshot(self, date, lookback_days=250):
        """截取每只股票近 N 日 OHLCV 数据"""
        ...

    def run_selection(self, date, top_n=10):
        """过滤股票池 → 打分 → 分散化 → 输出 Top N"""
        ...

数据获取（与 ETF 的关键区别）

股票用 adata.stock.market.get_market() 拉取，代码格式为 000001.SZ、600036.SH。

全 A 股 5000+ 只，拉取压力大。V1 策略：

• 先用东方财富获取全市场股票列表（adata.stock.info）
• 过滤 ST/停牌/新股/低价/低成交额 → 预计剩 3000-4000 只
• 并发拉取日 K（ThreadPoolExecutor，max_workers=10）
• 首次拉取约 5-10 分钟，后续增量拉取

---

八、回测设计

V1 先不做完整回测框架，用 CrossSectionalBacktester 的逻辑适配：

• 双周频调仓
• 对比中证全指买入持有基准
• 输出：总收益、年化、最大回撤、夏普比率、换手率、行业集中度

---

九、输出

• 控制台输出：Top 10 / Bottom 10，行业分布，调仓记录
• 微信推送（V2 接入）
• SQLite 持久化（V2，复用 cross_section_weekly_snapshot 表或新建 stock 表）

---

十、远期探索 TODO

以下选股策略方向值得后续研究，当前文档只记录方向，每个方向需要独立设计文档和回测验证：

• 纯动量选股 — 去掉其他因子，只用动量因子做全 A 股扫描，对比多因子融合的超额收益
• 价值因子选股 — 接入 adata.stock.finance，用 PE/PB/PS/股息率等估值因子选股
• 质量因子选股 — ROE、毛利率、负债率、现金流质量，F-Score 体系
• 小市值效应 — 全 A 股最小市值 100-200 只等权策略（Fama-French 三因子中的 SMB）
• 反转策略 — 买过去一段时间跌得最惨的，博均值回归
• 事件驱动 — 财报超预期、大宗交易、北向资金大幅流入等
• 行业轮动 — 先选行业（动量/宏观），再在行业内选个股
• GARP 策略 — Growth at Reasonable Price，PEG 筛选
• 多因子 + 择时融合 — 类似选基的截面×择时方案，BRIN 仓位控制
• 机器学习选股 — 用 XGBoost/LightGBM 预测超额收益（已有 XGBoostStockStrategy 经验）
• 高频因子 — 日内分钟级别数据，捕捉微观结构 alpha