量化选股是什么意思？如何用Python实现量化选股策略

Python多因子模型策略回测股票筛选量化选股

📅 2026-08-06 18:47👁️ 10270 阅读💬 0 评论

企业微信

量化选股的定义与核心逻辑

量化选股是借助计算机技术，运用数学、统计学和金融学理论，从海量股票数据中识别出可能跑赢市场的个股组合。它摒弃主观判断，依赖可量化的指标，如财务比率、价格动量、波动率等，通过构建因子模型来预测股票未来表现。

核心逻辑在于，市场存在系统性偏差，某些特征（因子）与股票超额收益相关。量化选股通过测试大量因子，筛选出有效因子，再按因子权重综合评分，选出排名靠前的股票。

量化选股的常见策略类型

单因子策略：仅用单一指标，如市盈率（PE）或市净率（PB）筛选低估值股票。

量化选股是什么意思？如何用Python实现量化选股策略

多因子策略：结合多个因子，比如价值因子（PE、PB）、动量因子（过去收益）、质量因子（ROE、毛利率）等，加权打分。

统计套利策略：基于配对交易，利用股票间历史价差的回归模型，当价差偏离时买入低估、卖出高估。

机器学习策略：使用算法如随机森林、神经网络，自动学习非线性关系，预测股价走势。

量化选股的完整流程

数据准备：获取历史价格、财务报表、成交量等数据。
因子计算：根据定义计算每个股票的因子值。
因子检验：评估因子的预测能力，常用IC（信息系数）或分层回测。
股票筛选：按综合因子得分排序，选择前N只股票。
回测验证：在历史数据上模拟交易，评估策略表现。

用Python实现一个简单的多因子选股

这里使用pandas和numpy，数据以CSV格式存储，包含每只股票的每日价格和财务指标。

数据加载与预处理


import pandas as pd

import numpy as np

# 假设数据文件包含列：symbol, date, price, pe, pb, roe, momentum

# 简化为当前时间点截面数据

data = pd.read_csv('stock_factors.csv')

# 数据格式：每行一只股票，包含因子值

因子标准化

不同因子量纲不同，需要标准化处理，使得均值0，标准差1。


def standardize(factor):

    return (factor - factor.mean()) / factor.std()

# 对每个因子标准化

data['pe_std'] = standardize(data['pe'])

data['pb_std'] = standardize(data['pb'])

data['roe_std'] = standardize(data['roe'])

data['mom_std'] = standardize(data['momentum'])

注意：市盈率是负向因子，即越低越好，需取反。

因子合成与打分

假设各因子权重相等，计算综合得分。


# 对负向因子取负，使得分数越高越好

data['pe_score'] = -data['pe_std']

data['pb_score'] = -data['pb_std']

data['roe_score'] = data['roe_std']

data['mom_score'] = data['mom_std']

# 综合得分（等权重加权）

data['total_score'] = (data[['pe_score', 'pb_score', 'roe_score', 'mom_score']]).mean(axis=1)

筛选股票

选择得分最高的10只股票。


selected = data.nlargest(10, 'total_score')

print(selected[['symbol', 'total_score']])

完整代码示例


import pandas as pd

import numpy as np

def load_data(file_path):

    return pd.read_csv(file_path)

def standardize(series):

    return (series - series.mean()) / series.std()

def select_stocks(data, top_n=10):

    # 标准化

    data['pe_std'] = standardize(data['pe'])

    data['pb_std'] = standardize(data['pb'])

    data['roe_std'] = standardize(data['roe'])

    data['mom_std'] = standardize(data['momentum'])

    # 得分

    data['pe_score'] = -data['pe_std']  # 负向因子

    data['pb_score'] = -data['pb_std']

    data['roe_score'] = data['roe_std']

    data['mom_score'] = data['mom_std']

    data['total_score'] = data[['pe_score', 'pb_score', 'roe_score', 'mom_score']].mean(axis=1)



    # 选取前N

    return data.nlargest(top_n, 'total_score')

# 使用示例

df = load_data('stock_factors.csv')

result = select_stocks(df, 10)

print(result)