本文目录导读:

在Python量化投资实践中,基本面权重的设置并没有绝对标准,它完全取决于你的策略类型、投资周期、标的池以及风险偏好。
根据业界主流的Python量化案例(如多因子选股、聚宽/米筐平台策略、机器学习选股等),基本面权重的分配通常遵循以下经验法则和常见比例:
常见策略类型的权重参考
- 纯多因子选股(中低频,如月度调仓):基本面权重通常占 40% - 70%
- 在经典的Fama-French三因子/五因子模型,或聚宽上的多因子策略中,基本面因子(估值EP/BP、质量ROE/ROA、成长YoY)通常是核心。
- 技术面/量价因子(动量、反转、波动率、换手率)通常作为补充,占30%-60%。
- 量化择时/趋势跟踪(中高频,如日度调仓):基本面权重通常占 10% - 30%
- 这类策略以量价、资金流、技术指标(MACD、均线)为主,基本面仅作为股票池过滤(只选ROE>10%的股票),而不直接参与每日打分。
- 机器学习选股(如XGBoost/LightGBM):基本面权重通常占 30% - 50%
在Python机器学习案例中,特征工程通常包含几十个因子,基本面因子(财务数据)由于更新频率低(季度),在特征重要性中通常占30%-50%,量价因子占主导。
- 指数增强策略:基本面权重通常占 50% - 80%
为了控制跟踪误差并获取Alpha,基本面因子(如估值、盈利质量)权重较高,确保选出的股票不偏离指数风格。
动态调整的Python实现逻辑
在实际Python代码中,我们很少写死一个绝对权重,而是通过因子加权或机器学习来动态分配,以下是两种常见的Python案例逻辑:
案例A:等权/IC加权(多因子打分)
# 假设有基本面因子和技术面因子
fundamental_factors = ['roe', 'ep', 'growth']
technical_factors = ['momentum', 'volatility']
# 方案1:手动设定权重(常见案例:基本面60%,技术面40%)
weights = {
'roe': 0.2, 'ep': 0.2, 'growth': 0.2, # 基本面合计0.6
'momentum': 0.2, 'volatility': 0.2 # 技术面合计0.4
}
# 方案2:按IC(信息系数)动态加权
# 计算过去12个月各因子的IC均值,归一化后作为权重
ic_weights = calculate_ic_weights(factors) # 基本面因子通常IC较稳定,权重会自然升高
案例B:机器学习特征重要性(如随机森林)
import pandas as pd from sklearn.ensemble import RandomForestRegressor # X包含基本面和技术面因子 model = RandomForestRegressor() model.fit(X_train, y_train) # 查看特征重要性 importance = pd.Series(model.feature_importances_, index=X.columns) # 在A股案例中,通常会发现:估值(EP/BP)和盈利(ROE)的重要性合计约占30%-50%
关键建议(避坑指南)
- 避免过度拟合:不要为了回测曲线好看而随意调整基本面权重,建议先确定逻辑(如:价值+动量),再设定权重。
- 频率匹配:基本面数据是季度更新的,如果你的策略是日频调仓,基本面权重不宜过高(建议<30%),否则会引入大量噪声(因为财务数据在季度内不变,会导致因子失效)。
- 行业中性化:在Python案例中,基本面因子(如PE、PB)通常需要做行业中性化处理,否则权重会过度集中在银行、地产等低估值板块。
- 基准参考:如果你做的是沪深300增强,基本面权重可以高一些(60%+);如果是中证1000增强,小盘股受情绪影响大,量价权重需相应提高。
对于大多数Python多因子选股案例,基本面权重设定在 50% 左右是一个比较稳妥的起点(即基本面与技术面各占一半),你可以先跑一个基准回测,然后根据ICIR(信息系数信息比)来微调:如果基本面因子的ICIR显著高于量价因子,就适当提高其权重。
版权声明:本站文章为原创整理,转载请注明出处。