行业中性因子选股策略

PB 表示价格相对账面净资产的估值倍数。其他条件相同时，较低 PB 常被解释为更偏价值；但 PB 并不等于“便宜且一定会上涨”，它仍会受资产质量、行业特征和会计口径影响。

ROE 衡量企业以净资产创造利润的能力，是常见的质量因子。本文模拟数据中的 ROE 由随机数生成，取值约在 0.05 到 0.30 之间，按小数比例理解，例如 0.15 表示 15%，而不是 15.0。

过去六个月动量以约 126 个交易日前的复权收盘价为基准计算：

momentum_6m = close × adj_factor / move(close × adj_factor, 126) - 1

动量用于描述相对趋势强弱，而不是保证未来收益。为了让回测首日就具备足够的历史长度计算六个月动量，脚本在正式开始日前额外准备了 144 个上交所交易日的预热数据。

对每只股票，脚本在其一级行业内分别计算三个因子的 z-score，并形成综合分数：

score = -z_pb + z_momentum_6m + z_roe

PB 前的负号表示行业内 PB 越低得分越高；较高的动量和较高的 ROE 则提高得分。z-score 表示某股票相对同行均值偏离了多少个标准差，因此这里比较的是行业内相对位置，而不是直接把银行和软件公司的 PB 原值放在一起相加。若某行业股票数极少、分布异常或标准差接近零，真实研究中应额外处理标准化稳定性问题。

本例使用模拟的 300 只带 .SZ 后缀的股票，回测区间为 2024-01-01 至 2024-12-31。上交所交易日历在该区间产生 242 个交易日，因此送入回测引擎的主行情数据共有 72,600 条日线记录。

每只模拟股票被循环分配到 10 个虚构一级行业：Industry01 至 Industry10。脚本还构造了名为 000300.SH 的单个指数成分快照，但快照中实际包含这 300 只模拟代码；它只是案例中的候选池标签，并不代表真实沪深 300 历史成分。

策略使用普通股票现金账户，只做多，不使用融资、融券或卖空。股票下单数量通常按 100 股取整；代码也保留了可转债、科创板、创业板、北交所和 ETF/LOF 的数量规则，但本例模拟标的均为普通 .SZ 股票。订单以次交易日开盘价作为提交价格，并受可用现金、持仓可卖数量、成交量和涨跌停条件约束。

将策略迁移到真实市场时，至少应替换为历史时点一致的成分股、行业分类、ST 状态、上市日期、停复牌状态、复权数据、财务因子和真实基准。不能用当前成分股或后来修订的数据替代过去某日可获得的信息。

一次调仓按以下顺序进行：

1. 在信号日确定可交易候选池，排除 ST、新股和无法交易的股票。

2. 在每个一级行业内，对 PB、六个月动量和 ROE 标准化并计算综合得分。

3. 每个行业保留综合得分最高的一只股票；再从行业代表中选择全市场得分最高的前 10 只。

4. 按实际入选数量等权分配信号日账户权益，并用信号日收盘价锁定目标股数。

5. 下一交易日先卖出落选股票和超配部分，再买入或补足低配股票。买入和卖出均受现金、可卖数量、成交量和涨跌停限制。

策略第一次收到日线时即产生初始信号，之后每 20 个有效回调日再次选股。信号日与执行日分开，使当日收盘信息不会在同一日开盘价成交，从而避免明显的前视交易。

下载附录中的 industryNeutralBarData.csv 和 industryNeutralBarStocksDividend.csv 文件，作为回测的案例数据。运行脚本前需将 path 变量改为实际存放 csv 文件的路径。

path = "/.../"

stocksDividend = loadText(path + "industryNeutralBarStocksDividend.csv", ',', getIndustryNeutralDividendCsvSchema())

data = loadText(path + "industryNeutralBarData.csv", ',')

模拟的数据源主要包括以下几类：

• 模拟日线：按上交所交易日历生成股票代码与交易日期的笛卡尔积，再生成 open、high、low、close、volume 和 amount。

• 因子字段：模拟数据内已预先生成所需的因子及过滤标签。PB 在约 0.5 至 5.0 之间随机生成；ROE 在约 5% 至 30% 之间随机生成（如 18.0 表示 18%）；同时包含市盈率（pe）、动量因子（如适用），以及是否为候选样本池（isMember）、ST 状态（isST）和上市天数（listedDays）。

• 行业历史：每只模拟股票具有从预热期开始、结束日为空的一级至三级虚构行业标签，本策略只使用一级行业。

• 分红除权：额外提供分红数据表，包含除权除息日、派息日、税后现金分红及送转股比例等，用于在回测中准确处理权益变动。

最终送入引擎的行情字段主要包含股票代码与日线时间戳、OHLC、成交量与成交额、涨跌停价、估值/质量因子（PB、PE、ROE）以及过滤状态标记。涨跌停字段（upLimitPrice、downLimitPrice）在本模拟数据中为 NULL，因此交易条件主要检查成交量和价格本身。

initialize 是回测引擎的初始化回调函数。每次创建新引擎时调用一次，用于初始化本次回测所需的全局参数、状态机变量以及基础数据引用。

context：由创建回测引擎时传入，并由引擎在整个生命周期内维护。

该函数主要完成了以下几类状态的初始化：

• 调仓触发控制：dayCount = -1 结合 initialRebalancePending = true，确保回测首日计数器归零，立即触发首次选股信号。

• 异步交易状态管理：初始化 pendingRebalance = false 及各类空置的目标仓位变量。它们将在 T 日产生信号时被赋值，于 T+1 日被消耗并执行交易。

• 费率与阈值配置：写入交易佣金（commission）、印花税（tax）及调仓偏差阈值（rebalanceThreshold）等全局常量供后续调用。

• 外部数据挂载：通过 objByName 将行业分类、指数成分股快照、ST 历史等基础信息表挂载入 context，用于策略运行中的动态选股过滤。

def initialize(mutable context) {
    context["commission"] = 0.00015
    context["tax"] = 0.0005
    context["dayCount"] = -1
    context["initialRebalancePending"] = true
    context["selectedStocks"] = []$STRING
    context["pendingRebalance"] = false
    context["rebalanceDate"] = NULL
    context["pendingTargetQtys"] = dict(STRING, LONG)
    context["industryT"] = objByName("industryNeutralIndustryHistory")
    context["stockPool"] = objByName("industryNeutralStockPool")
    context["tpExplicit"] = objByName("industryNeutralExplicitSymbols")
    context["tpIdxSnaps"] = objByName("industryNeutralIndexSnapshots")
    context["tpStHist"] = objByName("industryNeutralStHistory")
    context["tpListInfo"] = objByName("industryNeutralListInfo")
}

策略函数 onBar 可分为四个职责：

• 数量与交易有效性处理：买入使用对应市场的最小申报单位；卖出时允许在清仓场景卖出不足一个标准单位的余量；同时检查成交量与涨跌停约束。

• 初始化：订阅 momentum_6m 指标，保存手续费、印花税、调仓计数、待执行目标、候选池与行业信息。

• 信号生成：在调仓日做股票池过滤、行业内标准化、行业内初筛和全局前 10 排名，并生成等权目标股数。

• 延迟执行：下一根日线先处理卖出、再处理买入，按开盘价提交订单并以预估现金限制买量。

信号函数不直接以当天开盘价重新估算目标数量。它在信号日用收盘价锁定数量，再在下一交易日使用开盘价执行，从而清楚区分“已知信息形成决策”与“可成交价格完成执行”。

def onBar(mutable context, msg, indicator) {
    curBarTs = msg.values()[0]["tradeTime"]
    curDate = date(curBarTs)

    // 调仓执行：信号日的下一个交易日开盘，先卖后买。
    if (context["pendingRebalance"] && curDate != context["rebalanceDate"]) {
        selectedStocks_ = context["selectedStocks"]
        targetQtys_ = context["pendingTargetQtys"]
        commission_ = context["commission"]
        expectedCash_ = Backtest::getAvailableCash(context.engine)
        sellCashMult_ = 1.0 - commission_ - context["tax"]

        for (istock in msg.keys()) {
            bar = msg[istock]
            posInfo = Backtest::getPosition(context.engine, istock)
            if (size(posInfo) == 0) continue
            pos = posInfo["longPosition"]
            sellable = max(0, posInfo["lastDayLongPosition"] - posInfo["todaySellVolume"])
            if (pos <= 0 || sellable <= 0 || !isSellableAt(bar["open"], bar)) continue

            if (!(istock in selectedStocks_)) {
                Backtest::submitOrder(context.engine, (istock, context.tradeTime, 5, bar["open"], sellable, 3), "rebalance")
                expectedCash_ += sellable * bar["open"] * sellCashMult_
                continue
            }

            targetQty = iif(istock in targetQtys_, targetQtys_[istock], 0)
            if (pos <= targetQty) continue
            sellQty_ = normalizeSellQty(istock, pos, min(sellable, pos - targetQty))
            if (sellQty_ > 0) {
                Backtest::submitOrder(context.engine, (istock, context.tradeTime, 5, bar["open"], sellQty_, 3), "rebalance")
                expectedCash_ += sellQty_ * bar["open"] * sellCashMult_
            }
        }

        for (istock in selectedStocks_) {
            if (!(istock in msg)) continue
            bar = msg[istock]
            if (!isBuyableAt(bar["open"], bar)) continue
            posInfo = Backtest::getPosition(context.engine, istock)
            pos = iif(size(posInfo) > 0, posInfo["longPosition"], 0)
            targetQty = iif(istock in targetQtys_, targetQtys_[istock], 0)
            if (targetQty <= pos) continue
            plannedQty = targetQty - pos
            affordableCash_ = min(expectedCash_, Backtest::getAvailableCash(context.engine))
            affordableQty = roundLot(istock, affordableCash_ / (bar["open"] * (1 + commission_)))
            buyQty = roundLot(istock, min(plannedQty, affordableQty))
            if (buyQty > 0) {
                Backtest::submitOrder(context.engine, (istock, context.tradeTime, 5, bar["open"], buyQty, 1), "buy")
                expectedCash_ -= buyQty * bar["open"] * (1 + commission_)
            }
        }
        context["pendingRebalance"] = false
    }

    // 信号生成：每 20 个交易日，在各行业内计算三个因子的 z-score。
    context["dayCount"] += 1
    isRebalanceDay = context["dayCount"] % 20 == 0 || context["initialRebalancePending"]
    context["initialRebalancePending"] = false
    if (!isRebalanceDay) return

    snapsT_ = context["tpIdxSnaps"]
    latestPerIdx_ = select index_code, max(snap_date) as latest_date from snapsT_ where snap_date <= curDate group by index_code
    idxMembers_ = set(exec con_code from ej(snapsT_, latestPerIdx_, `index_code`snap_date, `index_code`latest_date))
    stHist_ = context["tpStHist"]
    stCodes_ = set(exec code from stHist_ where start_date <= curDate and (isNull(period_end) or period_end > curDate))
    listInfo_ = context["tpListInfo"]
    eligibleCodes_ = set(exec code from listInfo_ where list_date <= date(curDate - 90))
    pool_ = array(STRING, 0)
    for (s_ in context["stockPool"]) {
        if (((s_ in idxMembers_) || (s_ in context["tpExplicit"])) && !(s_ in stCodes_) && s_ in eligibleCodes_) pool_.append!(s_)
    }
    tradablePool_ = set(pool_)

    pipelineDataValid_ = true
    selectedStocks_ = []$STRING
    symbols_ = []$STRING
    pb_ = []$DOUBLE
    roe_ = []$DOUBLE
    momentum_ = []$DOUBLE
    for (istock in msg.keys()) {
        if (!(istock in tradablePool_) || msg[istock]["volume"] <= 0) continue
        symbols_.append!(istock)
        pb_.append!(double(msg[istock]["pb"]))
        roe_.append!(double(msg[istock]["roe"]))
        momentum_.append!(double(msg[istock]["momentum_6m"]))
    }

    poolT_ = table(symbols_ as symbol, pb_ as pb, roe_ as roe, momentum_ as momentum_6m)
    if (poolT_.size() > 0) {
        validFactorCount_ = exec sum(iif(isValid(pb) && isValid(roe), 1, 0)) from poolT_
        if (validFactorCount_ == 0) pipelineDataValid_ = false
        poolT_ = select * from poolT_ where isValid(pb), pb > 0, isValid(roe), roe > 0, isValid(momentum_6m)
        industryT_ = select distinct symbol, l1_name from context["industryT"] where start_date <= curDate and (isNull(end_date) or curDate < end_date)
        poolT_ = select p.*, i.l1_name from ej(poolT_ p, industryT_ i, `symbol)
        scoredT_ = select *, -zscore(pb) + zscore(momentum_6m) + zscore(roe) as score from poolT_ context by l1_name
        groupValidT_ = select * from scoredT_ where isValid(score)
        if (scoredT_.size() > 0 && groupValidT_.size() == 0) pipelineDataValid_ = false
        groupRankedT_ = select *, cumcount(symbol) as groupRank from (select * from groupValidT_ context by l1_name csort score desc) context by l1_name
        groupWinners_ = exec distinct symbol from groupRankedT_ where groupRank == 1
        rankInputT_ = select * from scoredT_ where symbol in groupWinners_
        rankValidT_ = select * from rankInputT_ where isValid(score)
        if (rankInputT_.size() > 0 && rankValidT_.size() == 0) pipelineDataValid_ = false
        limitN_ = iif(10 < rankValidT_.size(), 10, rankValidT_.size())
        selectedStocks_ = exec distinct symbol from (select * from rankValidT_ order by score desc limit limitN_)
    }

    if (!pipelineDataValid_) return
    context["selectedStocks"] = selectedStocks_
    signalEquity_ = Backtest::getTotalPortfolios(context.engine).totalEquity[0]
    targetQtys_ = dict(STRING, LONG)
    if (selectedStocks_.size() > 0) {
        targetWeight_ = 1.0 / selectedStocks_.size()
        for (s_ in selectedStocks_) targetQtys_[s_] = roundLot(s_, signalEquity_ * targetWeight_ / (msg[s_]["close"] * (1 + context["commission"])))
    }
    context["pendingTargetQtys"] = targetQtys_
    context["pendingRebalance"] = true
    context["rebalanceDate"] = curDate
}

本例对综合得分采用等权组合。真实研究可以根据因子 IC、风险暴露或稳健性检验调整权重，但应先固定训练期、验证期与样本外期，避免在全样本回测结果上反复调参。

本次配置的核心参数如下：

config = {
    startDate: startDate,
    endDate: endDate,
    strategyGroup: "stock",
    cash: 1000000.0,
    commission: 0.00015,
    tax: 0.0005,
    dataType: 4,
    outputOrderInfo: true,
    matchingMode: 2,
    orderBookMatchingRatio: 0.2,
    enableMinimumPerTransactionFee: false
}

代码中手续费和税率也在初始化上下文中重复设置。案例读者应把配置对象视为回测假设的一部分：改变费率、撮合模型、交易单位或调仓周期，结果都可能明显变化。

创建引擎时会将初始化和日线逻辑注册为事件回调。其中，initialize 负责准备指标和状态，onBar 负责执行前一日目标并在需要时生成新的目标。

引擎通过 config 获取基础配置，通过 callbacks 找到策略函数。引擎创建前会先尝试删除同名的旧引擎以避免名称冲突；运行结束后再次清理该 engineName 对应的实例，避免重复使用包含历史状态的引擎。

callbacks = dict(STRING, ANY)
callbacks["initialize"] = initialize
callbacks["onBar"] = onBar

engineName = "industryNeutralMultiFactorBacktest"
try { Backtest::dropBacktestEngine(engineName) } catch(ex) { }
engine = Backtest::createBacktester(engineName, config, callbacks, false)

将按时间排序的行情送入引擎后，回调会按交易日推进。首日形成初始目标，后续交易日才尝试以开盘价成交；每隔 20 个交易日重复这一过程。

Backtest::appendQuotationMsg(engine, msg)

行情全部发送后，脚本直接调用 Backtest::appendEndMarker(engine) 向引擎追加结束标记，告知引擎数据回放完毕并触发最终的结算。

本案例中的完整运行顺序是：创建引擎、追加全部行情、追加结束消息、读取结果对象、把内部构造的模拟基准净值并入账户权益表、组装结果字典、删除回测引擎。

脚本返回的结果字典主要包括：

• returnSummary：总收益、年化收益、波动率、夏普比率、最大回撤、换手率和胜率等概览。

• tradeDetails：订单 ID、方向、提交与成交时间、委托/成交价格、委托/成交数量、状态与标签。只有 tradeQty > 0 的行是实际成交。

• dailyPosition：每日各股票的持仓及相关状态，用于追踪组合构成。

• totalPortfolios：每日现金、市值、总权益、净值、收益和费用；脚本额外拼接了模拟基准的收盘价与净值。

tradeDetails = Backtest::getTradeDetails(engine)
returnSummary = Backtest::getReturnSummary(engine)
dailyPosition = Backtest::getDailyPosition(engine)
totalPortfolios = Backtest::getDailyTotalPortfolios(engine)