如何通过量化模型筛选出可交易的A股股票

A股筛选回测多因子模型量化选股风险控制

📅 2026-09-05 11:21👁️ 7439 阅读💬 0 评论

企业微信

构建量化股票筛选框架

建立系统化筛选流程，覆盖数据获取、因子计算、打分排序、流动性过滤与回测验证。核心是让规则代替主观判断，确保每只入选股票都有数据支撑。

数据准备与预处理

从聚宽、Wind或Tushare获取A股日线数据，包括价格、成交量、财务指标。剔除ST股、上市不足60天的新股，以及停牌超过30天的股票。处理缺失值，采用行业中性化处理，消除行业偏差。

如何通过量化模型筛选出可交易的A股股票

因子库设计

因子分为四大类：价值因子（市盈率、市净率）、成长因子（营收增长率、净利润增长率）、质量因子（ROE、毛利率）、动量因子（过去20日收益率、波动率）。每类选取1-2个代表性因子，共8个因子。因子需做标准化与去极值处理，避免极端值干扰。

因子计算公式

价值因子：EP = 1 / 市盈率TTM，BP = 1 / 市净率MRQ
成长因子：营收同比增速 = (最新季度营收 - 去年同期营收) / 去年同期营收
质量因子：ROE = 净利润 / 净资产，毛利率 = (营业收入 - 营业成本) / 营业收入
动量因子：动量 = 过去20日累计收益率，波动率 = 过去20日日收益率标准差

多因子打分模型

采用加权打分法，每只股票得分为各因子标准化值乘以权重之和。权重可通过IC加权或等权方法确定。等权简单易于实施，IC加权更科学但需历史数据估算。打分后进行排序，选取综合得分前10%的股票进入候选池。

示例代码（Python）


import pandas as pd

import numpy as np

def factor_score(data, weights):

    # data为DataFrame，每行为股票，每列为因子值

    # 标准化

    data_norm = (data - data.mean()) / data.std()

    # 加权求和

    score = data_norm.dot(weights)

    return score

# 假设有8个因子，权重列表

weights = np.array([0.15, 0.15, 0.1, 0.1, 0.1, 0.1, 0.15, 0.15])

scores = factor_score(factor_data, weights)

top_stocks = scores.nlargest(int(len(scores) * 0.1)).index

流动性过滤与交易约束

候选股票需满足平均日成交额大于5000万元，或换手率在1%-10%之间。剔除停牌、涨跌停无法买入的股票，以及上市不足一年。通过流动性过滤确保交易可行，避免冲击成本过高。

风险控制维度

组合层面设置行业分散度，单一行业不超过30%。个股最大权重不超过5%，最小权重不低于0.5%。设置止损线，单日回撤超过3%或累计回撤超过10%时强制减仓。

回测与参数优化

使用2018年至2023年数据回测，设置调仓频率为月度。回测中计算年化收益率、夏普比率、最大回撤。通过参数扫描调整权重和阈值，寻找最优组合。

回测框架


# 使用backtrader或聚宽回测

import backtrader as bt

class FactorStrategy(bt.Strategy):

    def next(self):

        # 每月初调仓

        if self.datetime.date().day == 1:

            # 选出标的

            selected = select_stocks(self.datas)

            # 调整仓位

            self.rebalance(selected)

if __name__ == '__main__':

    cerebro = bt.Cerebro()

    # 添加数据、设置策略、运行回测