微盘股TabPFN策略
-
-
自动交易 这家伙很懒，还没有设置简介
0 人点赞了该文章 · 25 浏览
## 一、策略概述（添加：yhrj777777，可共同讨论学习）
这是一个基于TabPFN模型的微盘股选股策略，通过预测股票合理对数市值，选择被低估的微盘股进行投资。
### 核心特点
1. **微盘股选股**：筛选中小综指市值最小的50只股票
2. **TabPFN模型**：使用回归模型预测合理市值
3. **防御模式**：1/4月切换到防御ETF规避风险
4. **严格风控**：涨停打开后卖出，多层股票过滤
---
## 二、策略实现说明
### 2.1 模型实现
**注意**：由于Ptrade环境可能不支持PyTorch，当前实现使用了简化版本：
1. **主要方案**：使用sklearn的LinearRegression（如果可用）
2. **备用方案**：使用numpy实现的最小二乘法线性回归
**理想实现**：真正的TabPFN模型应该基于Transformer架构，包含：
- 4层Transformer编码器
- 多头注意力机制
- 位置编码
- 前馈网络
**改进建议**：
- 如果Ptrade支持PyTorch，可以实现完整的TabPFN模型
- 或者使用更复杂的特征工程来弥补模型简化
### 2.2 特征构建
#### 财务特征（6维）
1. **log_NC**：净资产对数
2. **LEV**：资产负债率
3. **NI_p**：正净利润对数
4. **NI_n**：负净利润对数
5. **g**：营收同比增长率
6. **log_RD**：研发费用对数
#### 行业特征（28维）
申万一级行业哑变量，每个行业1或0。
#### 时序特征
- 5个时间步（当前日期往前推0-4天）
- 每个时间步34维特征（6财务+28行业）
- 最终特征维度：[n_stocks, 5, 34]
### 2.3 选股逻辑
1. **模型预测**：预测每只股票的合理对数市值
2. **计算因子值**：真实对数市值 - 预测对数市值
3. **排序选股**：因子值越小，股票越被低估
4. **过滤条件**：排除涨停、跌停股票
---
## 三、关键功能实现（添加：yhrj777777，可共同讨论学习）
### 3.1 微盘股筛选
```python
1. 获取中小综指成分股
2. 过滤规则：
- 排除科创板/北交所（68/4/8开头）
- 排除ST股票
- 排除停牌股票
- 上市至少375天
3. 按市值升序排序
4. 选择前50只
```
### 3.2 防御模式
**触发条件**：1月和4月
**操作**：
- 卖出所有股票
- 等权重买入3只防御ETF：
- 518880.SS（黄金ETF）
- 513100.SS（港股ETF）
- 159985.SZ（科创ETF）
**退出条件**：非1/4月时自动退出
### 3.3 风控机制
1. **涨停风控**：
- 每日14:00检查昨日涨停的持仓股
- 如果涨停打开，立即卖出
2. **股票过滤**：
- 排除ST股票
- 排除停牌股票
- 排除新股（上市<375天）
- 买入时排除涨停股
- 卖出时排除跌停股
3. **最小交易单位**：
- 确保买入金额≥100股（1手）
---
## 四、参数配置
### 调仓参数
```python
REFRESH_RATE = 10 # 每10天调仓一次
POSITION_COUNT = 10 # 持仓10只股票
```
### 微盘股筛选
```python
MIN_LISTED_DAYS = 375 # 上市至少375天
MICROPENNY_COUNT = 50 # 微盘股池50只
```
### 防御模式
```python
DEFENSIVE_MONTHS = [1, 4] # 1月和4月
DEFENSIVE_ETFS = ['518880.SS', '513100.SS', '159985.SZ']
```
### 模型参数
```python
TABPFN_CONFIG = {
'n_layers': 4, # Transformer层数（当前未使用）
'n_timesteps': 5, # 时序步数
'n_features': 34, # 特征维度
'max_epochs': 20, # 最大训练轮数
'batch_size': 16, # 批次大小
}
```
---
## 五、使用注意事项（添加：yhrj777777，可共同讨论学习）
### 5.1 数据依赖
策略依赖以下数据：
1. **财务数据**：需要`get_fundamentals`支持以下字段：
- total_value（总市值）
- total_assets（总资产）
- total_liab（总负债）
- net_profit（净利润）
- revenue（营收）
- revenue_growth_rate（营收增长率）
- rd_expense（研发费用）
2. **行业数据**：需要`get_stock_blocks`返回行业信息
3. **指数成分股**：需要`get_index_stocks`支持中小综指（399101）
### 5.2 模型限制
当前实现的模型是简化版本：
- **不是真正的Transformer**：使用线性回归作为替代
- **特征交互有限**：无法捕捉复杂的特征交互
- **时序建模简化**：将时序特征展平，丢失部分时序信息
**改进方向**：
1. 如果支持PyTorch，实现完整的TabPFN模型
2. 使用更复杂的特征工程（如特征交叉）
3. 使用其他机器学习模型（如XGBoost、LightGBM）
### 5.3 性能考虑
1. **数据获取**：需要获取大量股票的财务数据，可能较慢
2. **模型训练**：每次调仓都需要重新训练模型
3. **计算资源**：如果实现完整TabPFN，需要更多计算资源
---
## 六、策略优化建议
### 6.1 模型优化
1. **实现完整TabPFN**：
- 使用PyTorch实现Transformer架构
- 添加位置编码
- 实现多头注意力机制
2. **特征工程**：
- 添加技术指标（如动量、换手率）
- 特征交叉（如财务指标×行业特征）
- 时序特征聚合（如均值、方差）
3. **模型集成**：
- 使用多个模型预测，取平均
- 根据市场环境选择不同模型
### 6.2 选股优化
1. **动态调仓频率**：
- 根据市场波动率调整调仓频率
- 市场波动大时增加调仓频率
2. **仓位管理**：
- 根据因子值大小分配仓位
- 因子值越小，仓位越大
3. **行业分散**：
- 限制单个行业的持仓数量
- 确保行业分散
### 6.3 风控优化
1. **动态止损**：
- 根据股票波动率设置止损
- 使用ATR（平均真实波幅）动态止损
2. **市场环境判断**：
- 根据市场环境调整仓位
- 熊市时降低仓位或切换到防御模式
3. **风险指标监控**：
- 监控组合波动率
- 监控最大回撤
- 达到阈值时降低仓位
---
## 七、回测建议（添加：yhrj777777，可共同讨论学习）
### 7.1 回测设置
1. **时间段**：建议至少1-2年，包含不同市场环境
2. **初始资金**：建议与实际资金规模相近
3. **基准**：中小综指（399101）
### 7.2 关注指标
1. **收益指标**：
- 年化收益率
- 累计收益率
- 相对基准的超额收益
2. **风险指标**：
- 最大回撤
- 波动率
- 夏普比率
3. **交易指标**：
- 胜率
- 盈亏比
- 换手率
### 7.3 回测注意事项
1. **数据质量**：确保财务数据完整准确
2. **未来函数**：避免使用未来数据
3. **交易成本**：考虑佣金和滑点
4. **停牌处理**：正确处理停牌股票
---
## 八、实盘运行建议
### 8.1 初期测试
1. **小仓位测试**：使用10-20%的资金
2. **密切监控**：每日检查策略表现
3. **记录日志**：记录所有交易和异常
### 8.2 逐步优化
1. **参数调优**：根据实盘表现调整参数
2. **模型改进**：逐步改进模型实现
3. **风控加强**：根据实际情况加强风控
### 8.3 风险提示
1. **模型风险**：简化模型可能效果不如完整模型
2. **数据风险**：数据质量影响策略表现
3. **市场风险**：极端市场情况可能超出策略控制
4. **流动性风险**：微盘股流动性较差，可能影响交易
---
## 九、代码结构说明
### 主要函数
1. **initialize()**：初始化策略
2. **prepare_stock_list()**：更新持仓和涨停列表
3. **trade()**：核心交易逻辑
4. **_filter_micropenny_stocks()**：筛选微盘股
5. **_build_features()**：构建时序特征
6. **_train_tabpfn_model()**：训练模型
7. **_select_stocks()**：选股
8. **_rebalance()**：调仓执行
9. **enter_defensive_mode()**：进入防御模式
10. **exit_defensive_mode()**：退出防御模式
11. **check_limit_up()**：检查涨停
12. **print_position_info()**：打印持仓信息
---
## 十、总结
这是一个基于TabPFN模型的微盘股选股策略，通过预测合理市值选择被低估的股票。当前实现使用了简化模型，建议根据实际情况进行优化和改进。
**重要提示**：
- 策略需要充分回测验证
- 注意数据质量和模型限制
- 实盘运行需要密切监控
- 根据实际情况调整参数和模型
---
**免责声明**：本策略仅供学习交流使用，不构成投资建议。投资有风险，入市需谨慎。（添加：yhrj777777，可共同讨论学习）
全部 0条评论