1. 从零搭建多因子选股的知识地基很多人一上来就问有没有现成的多因子选股代码直接给我跑一遍就行。我特别理解这种心情毕竟谁不想跳过枯燥的理论直接看结果。但我在实际折腾量化选股的过程中踩过最大的坑恰恰就是基础不牢——因子含义没搞清、数据口径对不上、行业分类用错版本最后回测出来的漂亮曲线一到实盘就原形毕露。所以这篇内容我想认真聊聊用Python做基本面多因子选股之前到底需要储备哪些知识这些知识分别解决什么问题以及它们之间是怎么串起来的。先把话说在前头多因子选股不是某个神秘模型它的本质是用一组可量化的指标对一篮子股票进行打分排序然后按规则买入排名靠前的一批、定期换仓。听起来简单但每一个环节都藏着细节。你需要的知识储备大致分四块财务与基本面知识、因子理论、数据处理能力、回测与评估方法。这四块缺一块整个流程就会在某个环节卡住。下面我按自己的理解顺序一块一块拆开讲尽量把每个概念都落到“为什么需要它”和“怎么用Python实现”上。这篇文章适合谁看如果你已经会一点Python基础语法能看懂pandas的DataFrame操作但对“因子”“IC”“分层回测”这些词还比较模糊那正好。如果你是完全零基础建议先把pandas的读写、筛选、分组练熟再回来不然会有点吃力。我不会假设你懂金融但会假设你愿意动手敲代码。2. 基本面选股到底在选什么2.1 基本面分析的三个核心维度基本面选股说白了就是不看K线、不看技术指标而是从公司的经营状况出发判断它值不值得买。传统基本面分析绕不开三个维度盈利能力、成长能力、财务健康度。这三个维度对应到具体指标上就是我们后面要用的“因子原料”。盈利能力回答的是“这家公司赚钱吗、赚得高效吗”。常用的指标有净资产收益率ROE、总资产收益率ROA、毛利率、净利率。其中ROE是我个人最看重的单一指标因为它综合反映了公司用股东的钱赚钱的效率。巴菲特那句“如果只能看一个指标我看ROE”虽然被引用烂了但道理确实扎实。成长能力回答的是“这家公司未来能不能赚更多”。常用指标有营业收入同比增长率、净利润同比增长率、经营现金流增长率。这里有个新手常犯的错误只看增长率高低不看基数。一家去年净利润100万、今年200万的公司增长率100%但绝对体量可能还不如一家从10亿增长到11亿、增长率只有10%的公司。所以成长因子最好和规模因子配合使用。财务健康度回答的是“这家公司会不会突然暴雷”。常用指标有资产负债率、流动比率、速动比率、利息保障倍数。我见过太多回测里表现优异的股票最后因为高负债叠加现金流断裂而崩盘。财务健康类因子在打分时往往作为“过滤条件”而非“排序条件”使用这个思路后面会细讲。2.2 为什么用Python而不是Excel有人会问这些指标财报软件里都有我拿Excel排个序不就行了小规模手动选股确实可以但多因子选股的核心价值在于批量、系统、可复现。当你需要同时处理几千只股票、几十个因子、上百个时间截面时Excel的透视表和公式会直接卡死而且每次财报更新都要重做一遍根本无法形成稳定的策略。Python的优势在于pandas能高效处理面板数据时间×股票×指标的三维结构numpy能快速做矩阵运算加上各类数据接口和回测框架整个流程可以脚本化、自动化。更重要的是代码是可复现的——你今天跑出来的结果三个月后换台电脑还能跑出一模一样的这对策略验证至关重要。2.3 数据从哪来常见数据源类型盘点做基本面选股数据是命根子。数据源大致分三类行情数据、财务数据、辅助数据。行情数据包括日线、周线的开高低收、成交量、复权因子财务数据包括三大报表资产负债表、利润表、现金流量表以及衍生指标辅助数据包括行业分类、指数成分、停复牌信息、分红送转等。这里我要强调一个新手极易忽略的点财务数据的“报告期”和“公告期”是两回事。一家公司2023年年报的报告期是2023年12月31日但公告日期可能是2024年3月甚至4月。如果你在2024年1月就用这份年报数据选股那就是典型的“未来函数”回测收益会虚高得离谱。正确的做法是用公告日期作为数据可用的时间点而不是报告期。这个坑我在早期回测里踩过当时年化收益虚高了将近一倍排查了两天才找到原因。3. 因子理论多因子模型的底层逻辑3.1 什么是因子什么样的指标能成为因子因子这个词听起来学术其实就是一个“能区分股票好坏的特征”。但不是随便一个指标都能当因子一个合格的因子需要满足几个条件有明确的经济含义、数据可获取且质量稳定、在历史上对收益有一定区分度、与其他因子相关性不过高。举个反例股票代码的尾号。这个指标数据肯定能拿到但它没有任何经济含义历史上也不该有区分度如果有那纯属巧合。再比如“公司名字笔画数”这种就是典型的伪因子。真正合格的因子比如ROE背后有“盈利能力强的公司长期跑赢”这个经济逻辑支撑。因子按方向分两类正向因子值越大越好如ROE和反向因子值越小越好如市盈率PE、资产负债率。在合成综合得分前必须统一方向否则排序会乱套。这个处理叫“因子方向调整”后面实操部分会讲具体怎么做。3.2 单因子到多因子为什么要组合单因子选股的问题在于“偏科”。只看ROE可能选出一堆高杠杆的银行和地产只看成长率可能选出一堆估值离谱的题材股。每个因子都有它的盲区组合起来才能互相补位。多因子组合的核心思想是把多个维度的信息压缩成一个综合得分用这个得分排序选股。组合方式有很多种最简单的等权打分复杂一点的用回归确定权重再复杂的有机器学习方法。对新手来说我强烈建议从等权打分开始先把流程跑通再考虑优化权重。一上来就上机器学习很容易陷入“调参调出漂亮回测但不知道为啥赚钱”的陷阱。3.3 因子有效性怎么衡量IC、IR与分层测试因子选出来不能直接用得先验证它有没有效。最常用的三个工具是IC值、IR值和分层回测。ICInformation Coefficient是因子值与下期收益的相关系数。如果IC长期为正且绝对值较大说明这个因子对未来收益有预测力。一般IC绝对值超过0.03就算有一定效果超过0.05算不错。注意IC有正负之分正向因子的IC应该为正。IRInformation Ratio是IC的均值除以IC的标准差衡量的是因子预测能力的稳定性。IC均值高但波动大IR就低说明这个因子时灵时不灵实盘风险大。我个人更看重IR因为稳定性比爆发力重要。分层回测是把股票按因子值分成若干组通常5组或10组看各组的历史收益是否单调。如果第一组到第五组收益依次递增说明因子区分度好如果中间乱序说明因子可能只在极端值有效。这个测试比单纯看IC更直观强烈建议每个因子都跑一遍。4. 数据处理能力Python实操的地基4.1 pandas面板数据处理的核心操作多因子选股的数据结构是典型的“面板数据”行是时间列是股票值是因子。或者反过来用MultiIndex日期股票代码作为索引。我习惯用后者因为查询和分组更方便。几个必须练熟的操作pivot和pivot_table长表转宽表、groupby按日期或股票分组计算、rolling滚动窗口计算比如过去20日波动率、shift时间平移用于计算下期收益、rank截面排序因子标准化常用。这几个操作练熟80%的数据处理需求都能搞定。举个实际场景你要计算每只股票在每个交易日的ROE排名。数据是长表格式日期、代码、ROE你需要先按日期groupby然后对ROE做rank得到每只股票在当天的排名。这个操作一行代码就能搞定但如果不熟悉groupby的用法可能会写一堆循环慢得让人抓狂。4.2 缺失值、异常值与停牌处理真实数据永远不干净。财务数据有缺失新股没历史数据、某些行业不适用某些指标行情数据有异常涨跌停、停牌、一字板这些都会影响因子计算和回测结果。缺失值的处理原则是能补则补不能补则剔除绝不瞎填。财务指标的缺失如果是报告期未到可以向前填充用上一期数据如果是公司本身不披露那就只能剔除。用0填充是大忌因为0在因子排序里可能排到极端位置造成误选。异常值处理常用中位数绝对偏差MAD法或分位数截断Winsorize。比如把因子值限制在1%和99%分位数之间防止极端值主导排序。这个步骤叫“去极值”是多因子流程的标准环节。停牌股的处理也很关键。停牌期间股票无法交易如果回测时还把它算进持仓收益就是假的。常见做法是停牌当日不调仓或者把停牌股从候选池中剔除。这个细节看似小但对回测真实性影响很大。4.3 行业中性化为什么必须做这是新手最容易忽略、但老手最看重的一步。行业中性化的意思是在比较股票因子值时要在同行业内部比较而不是全市场一起比。为什么因为不同行业的财务特征差异巨大。银行股的资产负债率天然在90%以上而软件公司的资产负债率可能只有20%。如果你在全市场按资产负债率排序选低负债股那选出来的全是软件、传媒类公司行业集中度极高。一旦这个行业整体回调组合就会惨不忍睹。行业中性化的做法通常是对每个因子在每个行业内做标准化减去行业均值、除以行业标准差或者用回归剔除行业影响。这样处理后因子值反映的是“在同行业中的相对水平”选股会更均衡。我实测下来加了行业中性化之后组合的行业分布明显改善回撤也小了不少。5. 实操流程从数据到因子得分的完整链路5.1 数据获取与清洗的代码框架假设你已经有了数据接口具体接口因平台而异这里只讲通用框架第一步是把原始数据整理成标准格式。我习惯建三个DataFrame行情表日期、代码、收盘价、复权因子、成交量、财务表代码、公告日期、报告期、各财务指标、辅助表代码、行业分类、上市日期、是否ST。清洗的关键步骤包括统一股票代码格式有的接口带后缀有的不带、统一日期格式都转成datetime、剔除ST股和上市不满一定天数的次新股次新股财务数据不稳定且常有炒作。这些过滤条件看起来简单但每一条都会显著影响最终结果建议在代码里做成可配置的参数方便对比测试。5.2 因子计算以ROE和营收增长为例ROE的计算公式是净利润除以净资产。但这里有个细节用哪个净利润用归母净利润还是净利润总额用哪个净资产用期初、期末还是平均不同口径算出来的ROE差异不小。我一般用归母净利润除以期初期末平均净资产这个口径相对稳健。营收增长率的计算要注意同比和环比的区分。同比是跟去年同期比能消除季节性影响环比是跟上一季度比反映短期变化。基本面选股通常用同比因为季节性对很多行业影响很大。计算完原始因子值后还要做前面提到的去极值、标准化、方向调整、行业中性化四步处理。这四步的顺序有讲究先去极值再标准化因为极端值会拉偏均值和标准差方向调整可以在标准化之前或之后但要在合成得分之前行业中性化通常放在最后。5.3 因子合成与打分排序处理完所有单因子后把它们合成一个综合得分。等权合成的做法是每个因子标准化后正向因子直接加反向因子取负号后加然后求平均。这样得到的综合得分值越大代表综合表现越好。合成之后按日期做截面排序选出排名前N%的股票作为持仓。N的选择是个权衡太小则持仓集中、波动大太大则接近指数、超额收益少。常见做法是选前10%到20%或者固定选前30到50只。我一般选前10%但会加一个“单行业不超过20%”的约束防止行业过度集中。5.4 回测框架的搭建要点回测框架不用自己从零写但核心逻辑要清楚。一个基本的回测循环是每个调仓日根据当日可用的因子数据计算得分、选出持仓、按收盘价买入持有到下一个调仓日计算期间收益、换仓。关键点有三个调仓频率月度、季度还是周度、交易成本印花税、佣金、冲击成本、数据可用性严格用公告日期过滤。调仓频率我建议从月度开始。季度太慢因子变化反映不及时周度太快交易成本吃掉太多收益而且财务数据本身是季度更新的周度调仓意义不大。交易成本一定要算哪怕只是简单地扣千分之一也能让回测结果更接近现实。我见过太多回测年化30%但没扣成本的策略实盘一扣成本直接腰斩。6. 常见问题与排查技巧实录6.1 回测收益虚高的五大元凶回测收益虚高是新手最常遇到的问题我总结了五个主要原因按出现频率排序问题类型具体表现排查方法未来函数用了尚未公告的财务数据检查数据是否按公告日期过滤幸存者偏差只用了当前还在上市的股票确认股票池包含已退市股票未扣成本回测收益未扣除交易费用加入印花税和佣金计算复权错误用未复权价格计算收益确认使用后复权价格停牌未处理停牌股仍按最后价格计算剔除停牌日或标记不可交易未来函数是最隐蔽也最致命的。除了财务数据的公告日期问题还有一种情况是用了“当日收盘后才知道”的数据做当日交易决策。比如你用当日收盘价计算因子又用当日收盘价买入这在现实中是不可能的——你收盘时才知道价格怎么可能同时完成买入正确的做法是用T日数据计算因子T1日开盘或收盘买入。6.2 因子失效了怎么办因子失效是常态没有哪个因子能永远有效。当你发现某个因子近期IC持续为负或接近零先别急着扔掉按以下步骤排查先看是不是市场风格切换比如价值因子在成长风格年份会失效、再看是不是因子拥挤用的人太多导致收益被抹平、最后看是不是数据问题接口变更、口径调整。如果确认是因子本身失效处理方式有三种降低权重、暂时剔除、寻找替代因子。我倾向于降低权重而非直接剔除因为因子失效往往是周期性的过一段时间可能又有效了。直接剔除容易在底部割肉得不偿失。6.3 实操避坑清单最后整理一份我踩过坑之后总结的清单都是血泪教训股票代码格式不统一不同数据源的代码格式可能不同合并前务必统一否则会出现大量匹配失败。行业分类版本混乱行业分类标准有多个版本且每年调整回测时要确保用的是当时有效的分类不能用最新分类回溯历史。复权方式选错计算收益率必须用后复权价格前复权价格会随时间变化导致历史收益计算错误。调仓日选在财报密集期财报密集期数据更新频繁容易造成数据不一致建议避开或做好数据版本管理。忽略涨跌停无法成交涨停买不进、跌停卖不出回测时要模拟这个限制否则收益会虚高。因子标准化用了全样本标准化应该用截面数据同一天的所有股票不能用全历史数据否则会引入未来信息。这些坑我基本都踩过一遍每一个都花了少则半天多则几天才排查出来。写在这里是希望你能少走弯路把时间花在策略优化上而不是debug上。7. 知识储备的进阶路线7.1 从等权到加权因子权重的确定方法等权合成是起点但不是终点。当你对因子有了感觉之后可以尝试更精细的权重方法。常见的有IC加权用历史IC均值作为权重、IC_IR加权用IC的IR作为权重、最大化IC_IR的优化方法。这些方法的核心思想都是“让历史上预测能力强的因子获得更高权重”。但我要泼一盆冷水加权方法在样本外往往不如等权。因为历史IC高的因子未来不一定继续高过度拟合历史权重的结果就是样本外表现差。我实测下来等权或者简单的手动权重比如给ROE和成长各30%其余分配40%反而更稳健。所以别迷信复杂方法简单有效才是王道。7.2 风险模型与组合优化入门当你管理的资金规模变大或者对回撤控制要求变高时就需要引入风险模型。风险模型的作用是控制组合对各类风险因子的暴露比如市值、估值、动量、波动率等。常见做法是用风险模型计算组合的风险暴露然后在优化器中加入约束限制某些暴露不超过阈值。组合优化听起来高大上但核心就是“在预期收益最大化和风险约束之间找平衡”。对个人投资者来说简单的约束如单股权重上限、单行业权重上限就能解决大部分问题不必一上来就上复杂的优化器。7.3 持续学习的方向建议多因子选股是个需要持续积累的领域。我的建议是先把一个完整的流程跑通再逐步优化每个环节。不要一开始就追求完美先有一个能跑、能出结果的版本哪怕粗糙。然后针对每个环节数据清洗、因子计算、合成、回测逐个优化每次只改一个变量观察结果变化。学习资源方面与其看太多理论书不如多动手复现经典因子。把ROE、PB、动量这些基础因子自己算一遍、测一遍比看十篇论文都管用。遇到不懂的概念先查清楚定义再想它在选股中解决什么问题最后用代码实现一遍。这个“定义-问题-实现”的循环是我认为最高效的学习路径。我个人在实际操作中的体会是多因子选股最难的不是写代码而是保持纪律。回测跑出漂亮结果时容易过度自信实盘亏损时容易怀疑策略。真正能长期赚钱的往往是那些逻辑清晰、执行稳定、不频繁折腾的策略。把知识地基打牢把流程跑顺剩下的就是耐心和坚持了。
