量化因子开发实战(2):单日量价趋势single_day_VPT的python实现
单日量价趋势因子(single_day_VPT)是量化交易中用于衡量价格变动与成交量配合程度的动量类指标。该因子旨在捕捉股价上涨过程中资金参与度的变化,理论上因子数值越大,表明上涨动力越强。本文将深入解析该因子的计算逻辑,并通过Python代码实现全市场股票的因子值计算与筛选。
01因子原理与公式拆解
从聚宽平台的回测数据来看,该因子属于动量类因子,其计算逻辑相对直观。根据公式定义,该因子由两部分数值相乘得出:
- 价格变动率:(今日收盘价 - 昨日收盘价)/ 昨日收盘价,即当日的涨幅。
- 成交量:当日成交的股票数量。
根据乘法特性,因子值与价格涨幅和成交量均成正比。当价格上涨且成交量放大时,因子数值显著增加,这通常被视为“量价齐升”的市场信号。反之,若价格上涨但成交量萎缩,或价格下跌,因子表现则会较弱。在回测区间内,该因子表现出一定的选股区分度,高分位组合的累计收益显著高于低分位组合。
02Python代码实现流程
在代码实现层面,主要利用QMT(迅投QMT)的Python接口进行数据获取与计算。核心流程包括设定全局参数、定义因子计算函数以及全市场数据遍历。
- 全局变量设置:配置筛选股票数量(TOP_N)为50,并设定教学模式下的股票代码脱敏处理及当前日期获取。
- 数据获取:通过`xd.get_market_data_ex`接口获取股票列表,指定字段为收盘价和成交量,周期为日线。
- 因子计算函数:针对单只股票,提取昨日与今日的收盘价计算涨幅,并结合今日成交量计算因子值。代码中包含了异常处理逻辑,确保数据长度不足时返回默认值。
- 全市场筛选:遍历沪深A股全市场股票,计算每只股票的因子值,并按降序排列筛选出数值最大的50只股票。
以下是计算单日量价趋势因子的核心代码片段:
| 代码逻辑 | 实现说明 |
|---|---|
| 获取数据 | data = xd.get_market_data_ex(..., field_list=['close', 'volume'], ...) |
| 计算涨幅 | price_change = (today_close - yesterday_close) / yesterday_close |
| 计算因子 | factor_value = price_change * today_volume |
| 筛选TOP N | sorted_result = sorted(factor_dict.items(), key=lambda x: x[1], reverse=True)[:TOP_N] |
核心代码逻辑说明
03运行结果与因子改进
程序运行后,成功计算了全市场5191只股票的单日量价因子,并输出了因子值最高的50只股票列表。输出结果显示了股票代码及其对应的因子数值,部分股票的因子值超过了20万,显示出极强的量价配合特征。需要注意的是,本地实时计算的因子值与聚宽平台的数据存在差异,这主要是因为聚宽的数据通常在下一交易日早晨9点更新,而实时计算包含当日的最新变动。
针对该因子的优化方向,可以考虑引入相对指标替代绝对成交量。例如,将“当日成交量”改为“量比”或“成交量的涨幅”,这样可以剔除股本大小对绝对成交量的影响,使因子在不同市值的股票间更具可比性。部分用户反馈也指出,结合量比的变化能更敏锐地捕捉到资金突然介入的异动情况。
当前文章无评论,是时候发表评论了