姚復梁1. 菜场大妈量化策略解析与实战优化
作为一名在量化交易领域摸爬滚打多年的从业者，我见过太多策略从辉煌走向失效。但今天要分享的这个"菜场大妈"策略却展现了惊人的生命力——经过多次迭代后，最新V3版本在Ptrade平台回测仍能保持72.7%的年化收益。这个策略最吸引我的地方在于它完美诠释了"简单即有效"的投资哲学，下面我就带大家深入拆解这个策略的运作机制和优化要点。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 策略核心架构与运行逻辑
2.1 整体运行流程
该策略采用经典的"选股+交易"双层架构，以月度为调仓周期。每月初执行一次完整的选股流程，随后在整个月内维持持仓不变。这种低频调仓设计显著降低了交易成本对收益的侵蚀，特别适合资金量在50万以下的个人投资者。
策略的核心模块包括：
- 股票筛选器（select_stocks）
- 交易执行器（trade_stocks）
- 风险平价计算器（get_risk_parity_weights）
- PEG过滤器（get_peg_filter_list）
重要提示：实际部署时发现，如果在月中启动策略会导致当月无法建仓。解决方案是增加首次运行标志位g.first_run，确保任何时间点首次运行都会立即执行选股流程。
2.2 收益风险特征
在2025.01-2026.02的回测周期内，策略展现出以下关键指标：
- 累计收益：82%
- 最大回撤：22.7%
- 年化波动率：18.3%
- 胜率：67%
回测使用的股票池调整为中小板成分股后，收益较原版提升约5%。但要注意的是，Ptrade平台的回测速度明显慢于聚宽，五年历史数据回测需要约20分钟。
3. 选股引擎深度解析
3.1 初始筛选与风险控制
select_stocks函数采用多阶段过滤机制：
python复制def select_stocks(context):
# 获取初始股票池
stocks = get_index_stocks('中小板指')
# 日志记录原始数量
log.info(f"初始股票数量：{len(stocks)}")
# 剔除ST/*ST/退市风险股
stocks = [s for s in stocks if not is_st_stock(s)]