1. 项目概述
这个低频量化周报项目实际上是一个面向个人投资者的综合性投资分析工具包。它整合了多种量化分析维度，包括指数风险溢价比监测、配债数据集构建、可转债策略回测、上市公司礼品信息收集以及个人交易总结等功能模块。
作为一名有着7年量化投资经验的从业者，我深知个人投资者在信息获取和分析效率上的痛点。这个项目正是为了解决这些问题而生——通过系统化的数据采集和量化分析框架，帮助投资者用更少的时间获取更高质量的投资决策依据。
2. 核心功能解析
2.1 指数风险溢价比监测
指数风险溢价比(ERP)是衡量股票市场相对估值的重要指标。我采用的经典计算公式是：
code复制ERP = 1/市盈率 - 10年期国债收益率
实际操作中，我会每周更新以下数据：
- 沪深300指数市盈率(TTM)
- 中证全指市盈率(TTM)
- 10年期国债收益率
- 美国10年期国债收益率(用于跨境比较)
注意事项：市盈率数据建议使用滚动12个月(TTM)计算，避免季度波动影响。国债收益率要使用收盘价而非盘中数据，确保数据一致性。
2.2 配债完整数据集构建
配债数据是打新债策略的核心。我的数据集包含以下关键字段：
- 股票代码和名称
- 股权登记日
- 配售比例
- 每股配售金额
- 正股波动率(20日)
- 行业分类
- 市值规模
数据更新频率为每日收盘后，来源包括：
- 交易所公告
- 券商研报
- 第三方数据平台API
2.3 可转债策略回测框架
我的可转债策略主要关注三个维度：
- 双低策略(价格+转股溢价率)
- 下修博弈策略
- 回售条款触发策略
回测框架采用Python编写，核心模块包括：
python复制class ConvertibleBondBacktest:
def __init__(self):
self.data_loader = DataLoader() # 数据加载
self.signal_generator = SignalGenerator() # 信号生成
self.portfolio = Portfolio() # 组合管理
self.analyzer = PerformanceAnalyzer() # 绩效分析
3. 实操细节与经验分享
3.1 上市公司礼品信息收集系统
这个看似"非主流"的数据维度实际上能提供独特的投资线索。我的收集渠道包括：
- 上市公司官网投资者关系板块
- 雪球等社区的用户分享
- 线下投资者见面会
收集的信息会结构化存储：
| 字段 | 类型 | 说明 |
|---|---|---|
| 公司代码 | str | 股票代码 |
| 礼品类型 | str | 实物/电子券等 |
| 估值水平 | float | 当时PE/PB |
| 收集日期 | date | 信息获取时间 |
实操心得：礼品价值超过300元的公司往往现金流充裕，且管理层重视股东关系，这类公司值得长期跟踪。
3.2 个人交易总结模板
我设计的交易总结包含以下必填项：
- 交易标的和方向
- 入场逻辑（技术面/基本面/消息面）
- 仓位比例
- 止损止盈设置
- 实际盈亏比例
- 经验教训
每周会对交易总结进行归因分析，主要看三个指标：
- 胜率（盈利交易占比）
- 盈亏比（平均盈利/平均亏损）
- 最大回撤（单周最大损失）
4. 常见问题与解决方案
4.1 数据更新延迟问题
症状：配债数据获取不及时导致错过申购窗口
解决方案：
- 设置多数据源校验机制
- 开发自动提醒功能（邮件/短信）
- 建立数据更新日志，记录各源延迟情况
4.2 回测过拟合问题
典型表现：策略在历史数据表现优异但实盘效果差
应对措施：
- 采用Walk-Forward优化方法
- 设置样本外测试期（至少20%数据）
- 限制参数组合数量（不超过5个核心参数）
4.3 交易执行偏差
常见原因：
- 滑点估计不足
- 流动性考虑不充分
- 交易时段选择不当
改进方法：
- 在回测中加入3-5bp的滑点成本
- 对小盘债设置成交量过滤（日均成交<1000万剔除）
- 避免在开盘前30分钟和收盘前15分钟交易
5. 系统架构与实现细节
5.1 技术栈选型
经过多次迭代，当前系统采用以下技术组合：
- 数据存储：MySQL + MinIO（结构化数据+非结构化数据）
- 计算引擎：Python(Pandas/Numpy) + Rust(高性能计算部分)
- 可视化：Plotly + Streamlit
- 部署方式：Docker容器化
5.2 关键性能优化
在处理大规模历史回测时，我总结了几个有效的优化技巧：
- 数据预处理：
python复制# 使用category类型节省内存
df['stock_code'] = df['stock_code'].astype('category')
# 对日期字段进行优化
df['date'] = pd.to_datetime(df['date'], format='%Y%m%d')
- 并行计算：
python复制from concurrent.futures import ProcessPoolExecutor
def parallel_backtest(params):
# 回测逻辑
return result
with ProcessPoolExecutor(max_workers=4) as executor:
results = list(executor.map(parallel_backtest, param_list))
- 内存管理：
- 使用dask处理超大数据集
- 及时释放不再使用的DataFrame
- 避免在循环中不断append数据
6. 扩展应用与未来改进
6.1 数据维度的扩展方向
目前正在整合的新数据源包括：
- 上市公司ESG评分
- 机构调研频率变化
- 行业龙头公司的供应链数据
6.2 策略组合优化
计划引入以下几个增强功能：
- 风险平价分配模型
- 基于宏观因子的动态权重调整
- 黑天鹅事件压力测试框架
6.3 用户体验改进
针对个人投资者的使用习惯，下一步将优化：
- 移动端适配（响应式设计）
- 一键生成报告功能
- 自定义预警设置
在实际使用中，我发现将周报生成时间固定在每周五收盘后2小时内完成效果最好。这个时段既能获取完整的周线数据，又留有足够时间进行周末分析。对于可转债策略，建议每月进行一次全面复盘，因为转债市场特性变化较快，需要更频繁的调整。