4S模型参数网格遍历寻优，自动找出适配A股最优参数组合。

基于 Python 的 4S 选股模型参数网格遍历寻优方案：自动搜索适配 A 股的最优参数组合

全文去营销化、保持技术中立，适合课程设计、量化策略研究或 GitHub 工程化项目。

4S 选股模型参数网格遍历寻优与最优参数搜索方案（Python 实现）

一、实际应用场景描述

在智能证券投资课程与量化策略研究中，一个核心问题是：

4S 模型中的因子权重，怎样设置才最优？

以经典的 4S 选股模型 为例，其核心因子包括：

- Sales Growth（营收增长）

- ROE（净资产收益率）

- Size（市值）

- Momentum（动量）

在课程实验或原型开发中，一个普遍存在的做法是：

- 凭经验设定因子权重（如等权）

- 或照搬文献中的参数

- 缺乏针对 A 股特定市场环境 的系统优化

然而，不同市场、不同行业、不同时间窗口下，最优因子权重组合可能完全不同。

因此，需要一个 系统化、可复现、可搜索 的参数优化框架。

二、引入痛点

在传统课程实验或策略开发中，常见痛点包括：

1. 参数选择主观化缺乏数据驱动的权重设定依据。

2. 无法高效搜索参数空间手动调参效率极低。

3. 缺乏统一评估标准不同参数组合下的结果不可比。

4. 工程化程度低参数耦合在逻辑中，修改成本高。

三、核心逻辑讲解

1️⃣ 参数寻优的核心思想

在 预定义的参数空间 中，通过 网格遍历（Grid Search），找到使目标函数最优的参数组合。

2️⃣ 参数空间设计（示例）

以 4S 因子权重为例：

Sales Growth 权重：0.1 / 0.3 / 0.5

ROE 权重： 0.1 / 0.3 / 0.5

Size 权重： 0.1 / 0.3 / 0.5

Momentum 权重： 0.1 / 0.3 / 0.5

约束条件：四者之和 = 1.0

穷举所有合法组合即可构成参数网格。

3️⃣ 评估指标

对每个参数组合，统一计算：

指标 说明

累计收益率 策略绝对盈利能力

年化收益率 消除时间长度差异

夏普比率 风险调整后收益（默认优化目标）

最大回撤 极端风险暴露

4️⃣ 寻优流程设计

定义参数网格

↓

遍历每一组参数

↓

├─ 构建因子加权得分

↓

├─ 执行回测

↓

├─ 计算评估指标

↓

记录结果 → 选取最优参数组合

四、代码模块化实现（Python）

项目结构

4s_grid_search/

│

├── data/

│ └── stock_data.csv

│

├── src/

│ ├── data_loader.py

│ ├── strategy.py

│ ├── backtest.py

│ └── optimizer.py

│

├── main.py

├── requirements.txt

└── README.md

1️⃣ 数据加载模块（

"data_loader.py"）

import pandas as pd

def load_stock_data(path: str) -> pd.DataFrame:

"""

加载股票行情与因子数据

"""

df = pd.read_csv(path, parse_dates=["date"])

df = df.sort_values(["date", "code"])

return df

2️⃣ 策略模块（

"strategy.py"）

import pandas as pd

def build_weighted_score(

df: pd.DataFrame,

w_sales: float,

w_roe: float,

w_size: float,

w_momentum: float

) -> pd.DataFrame:

"""

按给定权重构建 4S 综合得分

"""

df = df.copy()

# 对每个因子做横截面排名（百分比）

for factor in ["sales_growth", "roe", "size", "momentum"]:

df[f"{factor}_rank"] = df.groupby("date")[factor].rank(pct=True)

# 加权求和

df["score"] = (

df["sales_growth_rank"] * w_sales +

df["roe_rank"] * w_roe +

df["size_rank"] * w_size +

df["momentum_rank"] * w_momentum

)

return df

3️⃣ 回测模块（

"backtest.py"）

import pandas as pd

import numpy as np

def backtest_strategy(

strategy_df: pd.DataFrame,

top_n: int = 10

) -> dict:

"""

简化版回测：每日选取得分最高的 top_n 只股票等权持有

"""

dates = sorted(strategy_df["date"].unique())

portfolio_returns = []

for i, current_date in enumerate(dates):

today_df = strategy_df[strategy_df["date"] == current_date]

if today_df.empty:

continue

# 选股

top_df = today_df.nlargest(top_n, "score")

# 持仓至下一交易日

if i + 1 < len(dates):

next_date = dates[i + 1]

next_df = strategy_df[strategy_df["date"] == next_date]

# 计算持仓收益（等权）

held_codes = set(top_df["code"])

held_returns = next_df[

next_df["code"].isin(held_codes)

]["return"].mean()

if pd.notna(held_returns):

portfolio_returns.append(held_returns)

if len(portfolio_returns) < 2:

return None

returns = pd.Series(portfolio_returns)

cumulative = (1 + returns).cumprod().iloc[-1] - 1

annual = cumulative / (len(returns) / 252)

sharpe = returns.mean() / returns.std() * np.sqrt(252)

max_dd = (1 + returns).cummax().div(1 + returns).min()

return {

"cumulative_return": round(cumulative * 100, 2),

"annual_return": round(annual * 100, 2),

"sharpe_ratio": round(sharpe, 2),

"max_drawdown": round(max_dd * 100, 2),

}

4️⃣ 网格寻优模块（

"optimizer.py"）

import itertools

from src.backtest import backtest_strategy

def generate_param_grid(

values: list = None,

precision: float = 0.1

) -> list:

"""

生成 4S 权重参数网格（步长 0.1）

约束：w_sales + w_roe + w_size + w_momentum = 1.0

"""

if values is None:

values = [round(i * precision, 1) for i in range(0, 11)]

valid = []

for combo in itertools.product(values, repeat=4):

if abs(sum(combo) - 1.0) < 1e-6:

valid.append({

"w_sales": combo[0],

"w_roe": combo[1],

"w_size": combo[2],

"w_momentum": combo[3],

})

return valid

def grid_search(

df: pd.DataFrame,

param_grid: list,

top_n: int = 10

) -> list:

"""

遍历参数网格，执行回测并记录结果

"""

results = []

for params in param_grid:

# 构建策略

scored_df = build_weighted_score(

df,

w_sales=params["w_sales"],

w_roe=params["w_roe"],

w_size=params["w_size"],

w_momentum=params["w_momentum"],

)

# 回测

metrics = backtest_strategy(scored_df, top_n=top_n)

if metrics is None:

continue

# 合并参数与指标

record = {**params, **metrics}

results.append(record)

# 按夏普比率降序排列

results.sort(key=lambda x: x["sharpe_ratio"], reverse=True)

return results

5️⃣ 主程序（

"main.py"）

from src.data_loader import load_stock_data

from src.optimizer import generate_param_grid, grid_search

import pandas as pd

df = load_stock_data("data/stock_data.csv")

# 生成参数网格（步长 0.1，共 286 种组合）

param_grid = generate_param_grid(precision=0.1)

print(f"参数组合总数：{len(param_grid)}")

# 网格遍历寻优

results = grid_search(df, param_grid, top_n=10)

# 输出结果

result_df = pd.DataFrame(results)

print("\n📊 Top 10 参数组合（按夏普比率排序）：")

print(result_df.head(10).to_string(index=False))

best = results[0]

print(f"\n🏆 最优参数组合：")

print(f" Sales Growth 权重：{best['w_sales']}")

print(f" ROE 权重： {best['w_roe']}")

print(f" 市值 权重： {best['w_size']}")

print(f" 动量 权重： {best['w_momentum']}")

print(f" 夏普比率： {best['sharpe_ratio']}")

print(f" 年化收益： {best['annual_return']}%")

五、README 文件与使用说明

README.md

# 4S 选股模型参数网格遍历寻优工具

## 项目简介

本工具用于：

- 对 4S 模型的四个因子权重进行网格遍历搜索

- 自动找出在 A 股历史数据上夏普比率最优的参数组合

- 输出完整的参数-绩效对照表

## 使用方法

1. 准备数据（stock_data.csv）

2. 安装依赖：

pip install -r requirements.txt

3. 运行主程序：

python main.py

## 数据字段要求

- date / code / return

- sales_growth / roe / size / momentum

## 参数说明

| 参数 | 默认值 | 说明 |

|----|----|----|

| precision | 0.1 | 权重步长（0.1 = 10% 粒度） |

| top_n | 10 | 每期持仓股票数量 |

## 输出说明

- 所有合法参数组合及其回测指标

- 按夏普比率排序的 Top 10 参数组合

- 最优参数组合的详细指标

六、核心知识点卡片

1️⃣ 网格搜索（Grid Search）

- 在离散参数空间中穷举搜索

- 优点：简单、可并行、结果可复现

- 缺点：参数维度高时组合数爆炸

- 替代方案：随机搜索、贝叶斯优化

2️⃣ 多因子加权方法

- 等权加权：简单但未必最优

- Rank 加权：对异常值更稳健

- IC / IR 加权：基于因子预测能力动态赋权

3️⃣ 参数过拟合风险

- 网格搜索本质上是 样本内优化

- 最优参数在样本外可能失效

- 缓解方法：滚动窗口验证、样本外测试集

七、免责声明与风险提示

免责声明

- 本内容仅供 学术研究与课程实验 使用

- 不构成任何投资建议

- 回测结果不代表未来表现

风险提示

- 网格搜索存在过拟合风险

- A 股历史规律可能随时间变化

- 参数最优 ≠ 策略最优，需结合经济逻辑

八、总结

本文介绍了一种 4S 选股模型参数网格遍历寻优 的 Python 工程化实现方案，具备以下特点：

- ✅ 系统化搜索 4S 因子最优权重组合

- ✅ 评估标准统一（夏普比率），结果可横向对比

- ✅ 模块化设计，便于扩展至其他因子模型

核心结论：

在 A 股历史数据上，4S 因子的最优权重往往 并非等权。通过网格搜索，可以用数据驱动的方式替代主观判断，但必须警惕样本内过拟合。

后续可扩展方向包括：

- 引入滚动窗口交叉验证（Walk-Forward）

- 使用贝叶斯优化替代网格搜索

- 扩展至多因子模型（如加入估值、质量因子）

本文代码仅供学习与技术交流，不构成任何投资建议，股市有风险，入市需谨慎！

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！