在稳定增长中寻找超额收益

Posted 2023-02-10 杨东冀@pku

一、投资要点
利用公司财务数据构建综合财务评分模型，选出“好公司”；
该模型的思路是把一般的因子模型与主动投资逻辑结合，从“稳定增长+估值”出发构建量化选股；
以月为调仓周期;
加入大盘止损，十天跌幅10%清仓；
二、模型构建：从公司基本面、估值构建选股组合
1.使用的财务指标
我们从以下几个方面考察公司的运营情况，作为考察公司后续盈利能力的基础。

盈利惯性。用权益资产报酬率和总资产报酬率来考察上市公司的盈利水平。计算公司盈利水平时考虑两个方面：一是不同公司的所得税税率可能有差异，应消除企业所得税的差异带来的影响；二是一些政策性因素可能会导致定价偏离市场定价，这时需要把政府补贴也纳入其中。故此本文用利润总额来表示企业的盈利，用资产报酬率（ROA）和调整的净资产收益率（adj-ROE）来衡量盈利水平。即：

调整的净资产报酬率=利润总额/净资产
资产报酬率=利润总额/总资产

经营管理能力。财务分析中，通常用管理费用、销售费用等在业务收入中的占比，以及资产、 应收账款、存货等的周转率来表示公司的管理能力。本文同样用三费占比及各种周转率来表示公司管理能力。

三费占比=（销售费用＋管理费用＋财务费用） /主营业务收入

现金管理能力。流动性是企业生存的基础。在经济低迷时,现金充足公司的抵抗经济波动的能力强于现金紧张的公司。定义资产现金率与收入现金率，即：

投资收益率=投资收益 /总资产
收入现金率=销售商品提供劳务收到的现金/主营业务收入

上下游管理能力。用应收账款和应付账款占比来分别衡量公司对下游和上游企业谈判能力，计算公式如下：

应收账款占比=应收账款/主营业务收入
应付账款占比=应付账款/主营业务收入

2.估值指标： PB
从市场估值指标通常有PE、PB等，从稳健性来看，PB作为估值指标会更稳健。本文用PB作为估值指标。

3.研究样本
本文以沪深交易所上市A股为研究对象，为防止亏损公司或财务指标异常公司的影响。剔除资产报酬率、毛利率、权益报酬率等异常的公司。即要求 ROA>0.5%、 adj-ROE>2%、利润总额>0、毛利率>0。

三、说明
关于上下游的管理能力并没有使用，但计算方法代码中已给出。
要求 ROA>0.5%、 adj-ROE>2%、利润总额>0、毛利率>0；
选取投资收益率 > 0；
根据PB升序排列，取前30%；
根据三费占比升序排列，取前30%；
根据收入现金率降序排列，取前30%；
按月机械调仓；
还有按周调仓的版本，见评论区；
持股数，买入日期，调仓频率，止损参数均未做优化。
本帖只提供思路，至于实盘效果请各位看官自行测试，鄙人并不保证策略在任何时间、任何形势下入市都会有正收益，在此友情提醒，入市需谨慎！

def initialize(context):
    set_benchmark('000300.XSHG')
    set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))

    g.stocknum = 7 # 持股数
    ## 自动设定调仓月份（如需使用自动，注销下段）
    f = 12  # 调仓频率
    log.info(range(1,13,12/f))
    g.Transfer_date = range(1,13,12/f)

    ## 手动设定调仓月份（如需使用手动，注销上段）
    # g.Transfer_date = (3,9)

    run_daily(dapan_stoploss) #根据大盘止损，如不想加入大盘止损，注释此句即可

    ## 按月调用程序
    run_monthly(Transfer,20)

def Transfer(context):
    months = context.current_dt.month
    if months in g.Transfer_date:
        ## 获得Buylist
        Buylist = Check_Stocks(context)
        Buylist = Buylist[:g.stocknum]
        log.info(len(Buylist))

        ## 卖出
        if len(context.portfolio.positions) > 0:
            for stock in context.portfolio.positions.keys():
                if stock not in Buylist:
                    order_target(stock, 0)
        ## 买入
        if len(Buylist) > 0:
            Num = len(Buylist)
            Cash = context.portfolio.cash/Num
            for stock in Buylist:
               if stock not in context.portfolio.positions.keys():
                   order_value(stock,Cash)
    else:
        pass


def Check_Stocks(context):
    '''
    为防止亏损公司或财务指标异常公司的影响。
    剔除资产报酬率、毛利率、权益报酬率等异常的公司。
    即要求 ROA>0.5%、 adj-ROE>2%、利润总额>0、毛利率>0。
    选取投资收益率 > 0；
    根据PB升序排列，取前30%；
    根据三费占比升序排列，取前30%；
    根据收入现金率降序排列，取前30%；
    '''

    ## 获取财务数据
    df = get_fundamentals(query(
            valuation.code, #股票代码
            valuation.pb_ratio, #市净率
            income.total_profit, #利润总额
            income.total_operating_revenue, #营业总收入
            income.total_operating_cost, #营业总成本
            income.sale_expense,  #销售费用
            income.administration_expense, #管理费用
            income.financial_expense, #财务费用
            income.operating_revenue, #主营业务收入 
            balance.total_assets, #资产总计
            balance.total_liability, #负债合计
            balance.account_receivable, #应收账款
            balance.accounts_payable,  #应付账款
            income.investment_income, #投资收益
            cash_flow.goods_sale_and_service_render_cash, #销售商品、提供劳务收到的现金(
        ).filter(
            #ROA>0.5% (资产报酬率=利润总额/总资产)
            income.total_profit/balance.total_assets > 0.005, 
            #adj-ROE>2% (调整的净资产报酬率=利润总额/净资产)
            income.total_profit/(balance.total_assets-balance.total_liability) > 0.02, 
            #利润总额>0
            income.total_profit>0, 
            #毛利率>0 (（主营业务收入-主营业务成本） / 主营业务收入)
            (income.total_operating_revenue-income.total_operating_cost)/income.total_operating_revenue>0, 
        )).dropna() #去除NaN值

    ## 指标计算    
        # 三费占比=（销售费用＋管理费用＋财务费用） /主营业务收入
    df['3'] = (df.sale_expense+df.administration_expense+df.financial_expense)/df.operating_revenue
        # 投资收益率 = 投资收益/总资产
    df['tzsy'] = df.investment_income / df.total_assets
        # 收入现金率 = 销售商品提供劳务收到的现金/主营业务收入
    df['srxj'] = df.goods_sale_and_service_render_cash / df.operating_revenue
    #     # 应收账款占比=应收账款/主营业务收入
    # df['ys'] = df.account_receivable / df.operating_revenue
    #     # 应付账款占比=应付账款/主营业务收入
    # df['yf'] = df.accounts_payable / df.operating_revenue

    ## 股票筛选
        # 投资收益率 > 0
    df = df[df.tzsy > 0]
        # 根据PB升序排列，取前30%
    df = df.sort_index(by=['pb_ratio'],ascending=True)
    code1 = list(df.code.head(int(len(df)*0.3)))
        # 根据三费占比升序排列，取前30%
    df2 = df[df.code.isin(code1)]
    df2 = df2.sort_index(by=['3'],ascending=True)
    code2 = list(df2.code.head(int(len(df2)*0.3)))
    print len(code2)
        # 根据收入现金率降序排列，取前30%
    df3 = df2[df2.code.isin(code2)]
    df3 = df3.sort_index(by=['srxj'],ascending=False )
    code3 = list(df3.code.head(int(len(df3)*0.3)))
    print len(code3)

    return code3

def dapan_stoploss(context):
    ## 根据局大盘止损，具体用法详见dp_stoploss函数说明
    stoploss = dp_stoploss(kernel=2, n=10, zs=0.1)
    if stoploss:
        if len(context.portfolio.positions)>0:
            for stock in list(context.portfolio.positions.keys()):
                order_target(stock, 0)
        return

def dp_stoploss(kernel=2, n=10, zs=0.03):
    '''
    方法1：当大盘N日均线(默认60日)与昨日收盘价构成“死叉”，则发出True信号
    方法2：当大盘N日内跌幅超过zs，则发出True信号
    '''
    # 止损方法1：根据大盘指数N日均线进行止损
    if kernel == 1:
        t = n+2
        hist = attribute_history('000300.XSHG', t, '1d', 'close', df=False)
        temp1 = sum(hist['close'][1:-1])/float(n)
        temp2 = sum(hist['close'][0:-2])/float(n)
        close1 = hist['close'][-1]
        close2 = hist['close'][-2]
        if (close2 > temp2) and (close1 < temp1):
            return True
        else:
            return False
    # 止损方法2：根据大盘指数跌幅进行止损
    elif kernel == 2:
        hist1 = attribute_history('000300.XSHG', n, '1d', 'close',df=False)
        if ((1-float(hist1['close'][-1]/hist1['close'][0])) >= zs):
            return True
        else:
            return False