# 标题：【深度解析 六】高股息率-低PEG-低股价 模型
# 回测资金选择 10000000
# 导入相关模块
import pandas as pd
from jqdata import *
# 初始化函数，设置基准等等
# context 是由系统维护的上下文环境
# 包含买入均价、持仓情况、可用资金等资产组合相关信息
def initialize(context):
# 基础交易参数设置
# 过滤掉order系列API产生的比error级别低的log
# 默认是 'debug' 参数。最低的级别，日志信息最多
# 系统推荐尽量使用'debug'参数或不显式设置，方便找出所有错误
log.set_level('order', 'error')
# 开启动态复权模式(使用真实价格)
set_option('use_real_price', True)
# 避免使用未来数据
set_option('avoid_future_data', True)
# 交易量不超过实际成交量的 0.1
set_option('order_volume_ratio',0.1)
# 设定基准
# '000300.XSHG' 沪深300指数
set_benchmark('000300.XSHG')
# 设置滑点
# 通过归因分析查看不同滑点设置下的收益率
set_slippage(PriceRelatedSlippage(0))
# 股票类每笔交易时的手续费是：买入时佣金万分之三，
# 卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣 5 元钱
set_order_cost(OrderCost(close_tax=0.001,
open_commission=0.0003,
close_commission=0.0003,
min_commission=5),
type='stock')
# 初始化全局变量
# g. 开头的是全局变量
# 一经声明整个程序都可以使用
# 最大股票持仓数量
# 该模型持仓数量大，收益率更高
# 20只好于10只，10只好于5只
g.stock_num = 20
# 待买入股票列表
g.buylist = []
# 昨日涨停股票列表
g.high_limit_list = []
# 在指定时间调用交易函数
# 每天早上 9:00 调用函数获取昨日涨停股票列表
# 昨日涨停股票需要单独处理
run_daily(get_high_limit, time='9:00')
# 每月第一个交易日，10:00
# 通过多重条件过滤股票池
run_monthly(get_stocks, 1 ,time='10:00')
# 每月第一个交易日 14:55 实际进行交易
run_monthly(trade_stocks, 1 ,time='14:55')
# 每月第一个交易日 16:00 收盘后在日志中输出市值、股价等数据
run_monthly(show_cap, 1 ,time='16:00')
# 每日下午 14:40 检查昨日涨停股票并进行处理
run_daily(check_high_limit, time='14:40')
关键函数解锁后查看：
# 读取并在日志中输出
# 持仓股票的市值及股价数据
def show_cap(context):
# 获取当前时间的行情数据
# 获取当前单位时间（当天/当前分钟）的涨跌停价, 是否停牌，当天的开盘价等
# 回测时, 通过其他获取数据的API获取到的是前一个单位时间(天/分钟)的数据
# 而有些数据, 我们在这个单位时间是知道的, 比如涨跌停价, 是否停牌, 当天的开盘价
current_data = get_current_data() # 获取当前所有股票的数据
# 获取持仓股票数据
hold_stocks = context.portfolio.positions.keys()
# 遍历持仓股票
# 输出市值、股价等信息
for s in hold_stocks:
# 查询指定代码的估值表数据
q = query(valuation).filter(valuation.code == s)
df = get_fundamentals(q)
# 在日志中写入股票名称，市值、股价
log.info(s,current_data[s].name,'市值',df['market_cap'][0],'亿')
log.info(s,current_data[s].name,'股价',current_data[s].last_price,'元')
# 根据最近一年分红除以当前总市值计算股息率并筛选
def get_dividend_ratio_filter_list(context, stock_list, sort, p1, p2):
time1 = context.previous_date # 获取前一个交易日
time0 = time1 - datetime.timedelta(days=365) # 获取一年前的交易日
# 获取分红数据，由于 finance.run_query() 最多返回4000行
# 以防未来数据超限，最好把 stock_list 拆分后查询再组合
# 某只股票可能一年内多次分红，导致其所占行数大于1，所以interval不要取满4000
interval = 1000
list_len = len(stock_list)
# 截取不超过 interval 的列表并查询
# 上市公司分红送股（除权除息）数据
# finance.STK_XR_XD：代表除权除息数据表，记录由上市公司年报、中报、一季报、三季报统计出的分红转增情况
# code 股票代码
# a_registration_date A股股权登记日
# bonus_amount_rmb 派息金额(人民币) 单位：万元
q = query(finance.STK_XR_XD.code,
finance.STK_XR_XD.a_registration_date,
finance.STK_XR_XD.bonus_amount_rmb
).filter(
finance.STK_XR_XD.a_registration_date >= time0, # 股权登记日在time0 和 time1之间
finance.STK_XR_XD.a_registration_date <= time1,
finance.STK_XR_XD.code.in_(stock_list[:min(list_len, interval)])) # 截取不超过 interval 的列表并查询
df = finance.run_query(q)
# 对 interval 的部分分别查询并拼接
if list_len > interval:
# 将股票列表按照 interval 的标准分成多段
df_num = list_len // interval
# 针对每段数据循环查询
for i in range(df_num):
q = query(finance.STK_XR_XD.code,
finance.STK_XR_XD.a_registration_date,
finance.STK_XR_XD.bonus_amount_rmb
).filter(
finance.STK_XR_XD.a_registration_date >= time0,
finance.STK_XR_XD.a_registration_date <= time1,
finance.STK_XR_XD.code.in_(stock_list[interval*(i+1):min(list_len,interval*(i+2))]))
# 查询完成后的数据都追加到 df 数据框末尾
df = df.append(finance.run_query(q))
# 将可能得到的 na 数据填充为0
dividend = df.fillna(0)
# 将股息数据根据股票代码做汇总和累加
dividend = dividend.groupby('code').sum()
temp_list = list(dividend.index) # query查询不到无分红信息的股票，所以temp_list长度会小于stock_list
# 获取市值相关数据
q = query(valuation.code,valuation.market_cap).\
filter(valuation.code.in_(temp_list))
cap = get_fundamentals(q, date=time1)
cap = cap.set_index('code')
# 计算股息率
DR = pd.concat([dividend, cap] ,axis=1)
# 单独计算股息率生成新的一列
DR['dividend_ratio'] = (DR['bonus_amount_rmb']/10000) / DR['market_cap']
# 按照股息率降序排列
# 股息率高的股票在前，低的在后
DR.sort_values(by='dividend_ratio', ascending=sort, inplace=True)
# 截取股息率在 p1 到 p2 之间的股票代码
final_list = list(DR.index)[int(p1*len(DR)):int(p2*len(DR))]
return final_list
# 计算 PEG 并排序筛选股票
# pe_ratio 市盈率(PE, TTM) 每股市价为每股收益的倍数，反映投资人对每元净利润所愿支付的价格，用来估计股票的投资报酬和风险
# 市盈率（PE，TTM）=（股票在指定交易日期的收盘价 * 截止当日公司总股本）/归属于母公司股东的净利润TTM
# inc_net_profit_year_on_year 净利润同比增长率(%)
# （当期的净利润-上月（上年）当期的净利润）/上月（上年）当期的净利润绝对值=净利润同比增长率
# PEG 指标
# 百度百科：https://baike.baidu.com/item/PEG%E6%8C%87%E6%A0%87/10904043
# PEG指标(市盈率相对盈利增长比率)是用公司的市盈率除以公司的盈利增长速度
# PEG指标(市盈率相对盈利增长比率)是Jim Slater发明的一个股票估值指标，是在PE（市盈率）估值的基础上发展起来的
# 它弥补了PE对企业动态成长性估计的不足
# 当时他在选股的时候就是选那些市盈率较低，同时它们的增长速度又是比较高的公司
# 这些公司有一个典型特点就是PEG会非常低
def get_peg(context,stocks):
# 通过 filter 子句限制了PEG的范围
q = query(valuation.code,
).filter(
valuation.pe_ratio / indicator.inc_net_profit_year_on_year > -3,
valuation.pe_ratio / indicator.inc_net_profit_year_on_year < 3,
valuation.code.in_(stocks)
)
df_fundamentals = get_fundamentals(q)
stocks = list(df_fundamentals.code)
# 对于筛选出来的股票按照 市值升序 排列
df = get_fundamentals(query(valuation.code).\
filter(valuation.code.in_(stocks)).\
order_by(valuation.market_cap.asc()))
return list(df.code)
# 获取昨日涨停股票列表
def get_high_limit(context):
# 清空昨日涨停列表
g.high_limit_list = []
# 获取当前持仓列表
hold_list = list(context.portfolio.positions)
# 读取所有持仓股票的昨日收盘价和涨停价数据
# 从 panel 中截取数据框 - 注意，panel 数据在未来将不再被支持
# 如果将来无法运行。可以修改这段代码
# 比如使用 for 循环遍历持仓股票，分析涨停情况
if hold_list:
df = get_price(hold_list, end_date=context.previous_date, frequency='daily',
fields=['close', 'high_limit'],
count=1).iloc[:,0,:]
g.high_limit_list = list(df[df['close'] == df['high_limit']].index)
# 调整昨日涨停股票
def check_high_limit(context):
# 获取持仓的昨日涨停列表
current_data = get_current_data() # 获取当前所有股票的数据
if g.high_limit_list:
for stock in g.high_limit_list:
if current_data[stock].last_price < current_data[stock].high_limit: # 检查当前价格是否小于涨停价，即判断今日是否打开涨停
log.info("[%s]涨停打开，卖出" % stock) # 如果打开涨停，则记录卖出信息
order_target(stock, 0) # 卖出股票持仓
else:
log.info("[%s]涨停，继续持有" % stock) # 如果仍然涨停，则记录继续持有的信息
# 高效过滤股票函数
def filter_all_stocks(context, stock_list):
curr_data = get_current_data()
return [stock for stock in stock_list if not (
stock.startswith(('68', '4', '8')) or # 科创，北交所
curr_data[stock].paused or
curr_data[stock].is_st or # ST
('ST' in curr_data[stock].name) or
('*' in curr_data[stock].name) or
('退' in curr_data[stock].name) or
(curr_data[stock].last_price == curr_data[stock].high_limit) or
(curr_data[stock].last_price == curr_data[stock].low_limit)
)]
# 过滤价格较高的股票
def filter_highprice_stock(context,stock_list):
df = history(1, unit='1m', field='close', security_list=stock_list)
price_list = df.values[0].copy()
price_list.sort()
price = price_list[int(0.75*len(df.T))]
return [stock for stock in stock_list if df[stock][-1] < price]
2025-02-21 