当前位置：首页 > news >正文

【Python量化实战】—— 基于Qteasy的Fama-French三因子选股策略构建与回测【附源码】

news 2026/7/19 0:55:21

1. Fama-French三因子模型基础与选股逻辑

在量化投资领域，Fama-French三因子模型是构建多因子选股策略的经典框架。这个模型在传统CAPM模型基础上，增加了市值因子(SMB)和账面市值比因子(HML)，能更准确地解释股票收益差异。简单来说，它认为除了市场风险外，小市值股票和高账面市值比股票往往能带来超额收益。

我第一次用这个模型时，发现它最吸引人的地方在于逻辑清晰：通过回归分析计算出每只股票的alpha值，这个alpha可以理解为股票实际收益与模型预测收益的差值。如果alpha为负，意味着市场可能低估了这只股票。就像超市里标错价的商品，聪明的投资者自然会抓住这种定价错误的机会。

实际操作中，我们需要三类关键数据：

市场收益率（通常用沪深300指数代表）
市值因子（小市值股票组合收益减去大市值股票组合收益）
账面市值比因子（高账面市值比组合收益减去低账面市值比组合收益）

2. Qteasy环境准备与数据获取

Qteasy是我近年来发现的最顺手的Python量化工具之一，它的API设计非常符合Pythonic风格，安装只需要一行命令：

pip install qteasy

但安装后有个关键步骤经常被新手忽略——历史数据下载。我建议首次使用时运行以下代码初始化数据：

import qteasy as qt qt.refill_data_source(tables=['stock_daily', 'index_daily'])

这里有个坑要注意：数据默认保存在用户目录下的.qteasy文件夹，如果C盘空间紧张，可以通过配置QT_DATA_PATH环境变量修改存储路径。我习惯把数据放在D盘，这样重装系统时不会丢失。

获取沪深300成分股列表也很简单：

shares = qt.filter_stock_codes(index='000300.SH', date='20230101')

3. 策略核心代码实现

完整的策略实现需要继承qt.FactorSorter类，这是Qteasy专门为多因子选股设计的基类。下面这段代码是我经过多次优化后的版本，关键点都加了注释：

class MultiFactors(qt.FactorSorter): def __init__(self): super().__init__( pars=(0.5, 0.3, 0.7), # 分类阈值参数 strategy_run_freq='m', # 每月调仓 strategy_data_types='pb, total_mv, close', max_sel_count=10, # 选10只股票 sort_ascending=True, # 选alpha最小的 lbound=0, ubound=0 # 只选alpha<0的 ) def realize(self, h, r=None, t=None, pars=None): # 解析历史数据 pb = h[:, -1, 0] # 市净率 mv = h[:, -1, 1] # 市值 close = h[:, -1, 2] # 收盘价 # 计算账面市值比(book-to-market) bp = 1 / pb # 按市值和BP分类 size_gate = np.nanquantile(mv, pars[0]) mv_cat = (mv > size_gate).astype(int) + 1 bp_30 = np.nanquantile(bp, pars[1]) bp_70 = np.nanquantile(bp, pars[2]) bp_cat = np.ones_like(bp) bp_cat += (bp > bp_30).astype(int) bp_cat += (bp > bp_70).astype(int) # 计算三因子 market_return = r[-1, 0] / r[-2, 0] - 1 smb, hml = self.calc_factors(close, mv, mv_cat, bp_cat) # 回归计算alpha alphas = [] stock_returns = (h[:, -2, 2] / h[:, -1, 2] - 1) for ret in stock_returns: X = np.array([[market_return, smb, hml, 1]]) y = np.array([[ret]]) alpha = np.linalg.lstsq(X, y, rcond=None)[0][3][0] alphas.append(alpha) return np.array(alphas)

4. 回测执行与结果分析

策略回测需要创建Operator对象，这是Qteasy的执行引擎。我的标准配置如下：

alpha = MultiFactors() op = qt.Operator(alpha, signal_type='PT') op.set_blender('1.0*s0', "close") # 等权重配置 # 运行回测 op.run( mode=1, invest_start='20190101', invest_end='20221231', asset_pool=shares, trade_batch_size=100 )

回测结果通常会包含几个关键指标：

年化收益率：好的策略应该在30%以上
最大回撤：最好控制在30%以内
夏普比率：大于1说明风险收益比不错

我最近一次回测（2019-2022）的结果显示：

总收益152.94%（年化36.48%）
最大回撤28.83%
夏普比率1.51

这个结果跑赢同期沪深300指数27个百分点，说明策略确实有效。但要注意，不同时间段表现会有差异，我在2016-2021年测试时年化收益高达44%，但回撤也扩大到35%。

5. 策略优化与实盘建议

经过多次实盘测试，我总结出几个改进方向：

参数优化：用网格搜索寻找最佳分类阈值

from sklearn.model_selection import ParameterGrid param_grid = { 'size_gate': [0.3, 0.5, 0.7], 'bp_small': [0.2, 0.3, 0.4], 'bp_large': [0.6, 0.7, 0.8] }