当前位置：首页 > news >正文

别再只用history()了！用get_fundamentals()给你的量化策略加点‘基本面’佐料

news 2026/5/31 20:45:30

量化策略进阶：用基本面数据为你的交易模型注入新动能

当你的量化策略在历史回测中表现平平，当市场波动让单纯的技术指标频频失效，是时候为你的交易模型加点"硬菜"了。基本面数据就像量化世界里的营养剂，能让策略从"快餐式"交易升级为"营养均衡"的投资组合。本文将带你深入聚宽平台，探索如何将行情数据与财务指标巧妙融合，打造更具韧性的"量价+基本面"双因子模型。

1. 基本面因子：量化策略中被低估的阿尔法源泉

很多量化新手会陷入一个误区：认为高频交易和复杂的技术指标才是盈利的关键。但数据告诉我们，长期来看，结合基本面因子的策略往往展现出更强的稳定性和抗风险能力。基本面数据之所以重要，是因为它反映了企业的真实经营状况，而市场情绪导致的股价波动最终会向基本面回归。

在聚宽平台上，get_fundamentals()函数就是打开这座宝库的钥匙。与history()获取的行情数据不同，它能提取包括但不限于以下核心财务指标：

估值类指标：PE（市盈率）、PB（市净率）、PS（市销率）
财务健康度：资产负债率、流动比率、现金流
成长性指标：营收增长率、净利润增长率
质量指标：ROE（净资产收益率）、ROIC（投资资本回报率）

# 获取多只股票最新财务数据示例 q = query( valuation.code, valuation.pe_ratio, valuation.pb_ratio, valuation.ps_ratio ).filter( valuation.code.in_(['000001.XSHE', '600000.XSHG']) ) fund_data = get_fundamentals(q, date='2023-12-31')

注意：财务数据通常有季度性更新延迟，使用时需注意报告期与实际交易日的对应关系

2. 数据融合：让量价与基本面产生化学反应

单纯的基本面选股就像只看成绩单选学生，而纯技术分析则像只观察课堂表现。真正的威力来自于两者的有机结合。以下是三种经典的融合方式：

2.1 因子分层筛选法

先用量价指标初筛，再用基本面因子精选：

用history()筛选出20日均线上穿的股票池
用get_fundamentals()从中选择PE低于行业平均的标的
结合成交量指标确认入场时机

# 分层筛选示例代码 def screen_stocks(context): # 第一步：技术面筛选 prices = history(20, '1d', 'close', security_list=None, df=True) ma20 = prices.mean() ma5 = prices.iloc[-5:].mean() tech_stocks = ma5[ma5 > ma20].index.tolist() # 第二步：基本面筛选 q = query( valuation.code, valuation.pe_ratio ).filter( valuation.code.in_(tech_stocks), valuation.pe_ratio < 15 ) fund_data = get_fundamentals(q) final_stocks = fund_data['code'].tolist() return final_stocks

2.2 动态加权评分模型

为不同因子分配权重，构建综合评分系统：

因子类型	具体指标	权重	评分标准
估值因子	PE	30%	行业百分位
质量因子	ROE	25%	绝对值
动量因子	20日涨幅	20%	市场排名
波动因子	30日波动率	15%	反向评分
规模因子	流通市值	10%	行业调整

2.3 基本面预警系统

用量价信号触发交易，用基本面数据过滤假信号：

当出现MACD金叉时，检查公司近两年ROE是否持续>10%
突破阻力位时，验证季度营收增长率是否加速
放量下跌时，查看负债率是否超过警戒线

3. 实战陷阱：避开基本面数据使用的常见误区

3.1 未来函数问题

财务报告发布时间与实际覆盖期存在滞后。假设在2023年10月使用2023Q3的数据，实际上该数据可能直到11月才公布。错误的处理方式：

# 错误示范：直接使用当前日期查询 df = get_fundamentals(q, date=context.current_dt) # 可能导致未来函数

正确做法应该是：

# 正确做法：使用报告期或滞后日期 df = get_fundamentals(q, statDate='2023q3') # 明确指定报告期 # 或 df = get_fundamentals(q, date=context.previous_date) # 使用上一个交易日

3.2 数据标准化挑战

不同行业、不同规模的公司在财务指标上存在天然差异。直接比较银行和科技公司的PB就像比较苹果和橙子。解决方法：

行业中性化：计算指标在行业内的百分位

# 计算行业PE百分位示例 industry_pe = get_industry_pe(stock_code) stock_pe = get_fundamentals(query(valuation.pe_ratio).filter(valuation.code==stock_code)) pe_percentile = (stock_pe / industry_pe) * 100

规模调整：按市值分组比较
时间序列标准化：使用Z-score等方法

3.3 财务数据频率与交易频率错配

日频交易策略使用季度更新的财务数据时，会出现信息更新不及时的问题。解决方案：

对低频财务数据进行插值处理
建立财务数据变化率的衍生指标
结合高频的舆情数据作为补充

4. 进阶技巧：提升基本面因子效能的实用方法

4.1 构建复合因子

单一财务指标往往解释力有限，但通过科学组合可以产生更稳定的阿尔法：

# 质量-价值复合因子示例 def get_quality_value_score(stock_list): q = query( valuation.code, indicator.roe, # 质量因子 valuation.pe_ratio, # 价值因子 valuation.pb_ratio ).filter( valuation.code.in_(stock_list) ) df = get_fundamentals(q) # 标准化处理 df['roe_norm'] = (df['roe'] - df['roe'].mean()) / df['roe'].std() df['pe_norm'] = (df['pe_ratio'].max() - df['pe_ratio']) / (df['pe_ratio'].max() - df['pe_ratio'].min()) # 复合评分 df['qv_score'] = df['roe_norm'] * 0.6 + df['pe_norm'] * 0.4 return df.sort_values('qv_score', ascending=False)

4.2 动态因子权重调整

市场环境变化时，不同因子的有效性也会改变。可以通过以下方法实现动态调整：

市场状态识别：
- 波动率水平
- 市场趋势强度
- 行业轮动速度
因子权重映射表：

市场状态	估值因子权重	质量因子权重	动量因子权重
牛市初期	40%	30%	30%
牛市后期	20%	50%	30%
熊市中期	60%	20%	20%
震荡市	30%	40%	30%

4.3 基本面与技术面背离交易

当两者出现背离时，往往意味着重要的交易机会：

正向背离：股价创新低但基本面改善 → 潜在买入机会
- 营收增长加速但股价下跌
- 毛利率提升但估值压缩
负向背离：股价创新高但基本面恶化 → 潜在卖出信号
- PE扩张但ROE下滑
- 股价上涨但自由现金流转为负

# 背离检测示例 def detect_divergence(stock_code): # 获取价格数据 prices = history(250, '1d', 'close', security_list=[stock_code], df=True) # 获取财务数据 q = query( indicator.inc_revenue_year_on_year # 营收同比增长 ).filter( valuation.code == stock_code ) fund_data = get_fundamentals(q, statDate=get_last_quarter()) # 计算250日价格变化 price_change = (prices.iloc[-1] - prices.iloc[0]) / prices.iloc[0] # 判断背离 if price_change < -0.2 and fund_data['inc_revenue_year_on_year'] > 0.3: return 'positive_divergence' elif price_change > 0.5 and fund_data['inc_revenue_year_on_year'] < -0.1: return 'negative_divergence' else: return 'no_divergence'