“菜场大妈”策略还能赚钱吗?我用PandaAI复现后,拆出了它真正的收益来源

Panda AI技术支持-章梦豪Panda AI技术支持-章梦豪··188 浏览

一、研究背景:为什么研究菜场大妈策略

在量化社区中,“菜场大妈”是一类传播时间较长、规则简单、收益表现亮眼的选股策略。它没有复杂的机器学习模型,核心只有七个字:质好、价低、市值小。

原文披露的聚宽版本在较长回测区间内取得了接近140倍的累计收益,年化收益达到62.34%,夏普比率为2.25,最大回撤为30.88%。随后,作者又使用QMT和Tushare进行了独立复现,得到47.44%的年化收益、1.54的夏普比率和42.55%的最大回撤。

两个平台的结果存在明显差异,这引出了几个问题:这个策略的收益是否能够迁移到其他平台?股息率、PEG、低价和小市值条件分别贡献了什么?月份过滤是否真的能够改善回撤?

本文使用PandaAI重新实现该策略,并通过消融实验拆解各个筛选条件的作用。

原文:https://mp.weixin.qq.com/s/Z6qnKZl1VJ5UMCdRUnh2fg

二、原文策略定义

策略提示词:

【策略类型:A 股日线策略(股票策略)

股票池:沪深 A 股普通股票

• 上证:600/601/603/605 主板;

• 深证:000/001/002/003 主板、300/301 创业板;

• 排除科创板(688/689)、基金、债券、B 股、北交所标的。

选股条件(全市场筛选,取最新可得时点估值):

  1. 股息率 ≥ 3%;
  2. PEG 处于 -3~3 之间;
  3. 收盘价在 2~9 元区间;
  4. 剔除调仓当日处于 ST 或停牌状态的股票;
  5. 在满足条件的候选中,按流通市值升序取前 5 只。

调仓频率:每周第一个有效交易日调仓(节假日顺延);周内其他交易日仅对不在目标名单的持仓继续卖出。

仓位与交易规则:

• 对进入名单的新标的等权分配资金买入;

• 按整手 100 股向下取整,且不超过可用现金;

• 保留仍在名单中的持仓,卖出不再属于名单的持仓;

• 涨停不可买入、跌停/停牌无法卖出时顺延处理。

空仓月风控:

• 空仓月:1 月和 4 月;

• 模式:强制清仓(force)——空仓月内卖出全部持仓并禁止买入。

回测参数(默认,可在创建后调整):

• 区间:2016-11-05 至 2026-11-05;

• 初始资金:1000 万元;

• 佣金:1.0;滑点:0.002;

• 频率:日线;基准:上证综指。】

三、原文复现策略结果

PandaAI复现的原策略在2016年11月至2026年11月期间取得了214.80%的累计收益,最终权益由1000万元增长至约3148万元,年化收益为12.53%。策略最大回撤为27.37%,夏普比率为0.63,收益回撤比为1.13。同期基准收益为17.76%,策略超额收益仅为1.70%,说明该版本策略实现了正收益和一定回撤控制,但未复制原文的高收益,且相对基准的超额收益有限。

四、实验一:三个筛选条件的作用

在完成基础策略复现后,下一步需要回答一个更重要的问题:菜场大妈策略的收益究竟来自哪里?

这套策略同时使用了基本面、低价和小市值三个筛选条件。如果只观察完整策略的回测结果,我们只能知道它最终表现如何,却无法判断其中哪个条件真正贡献了收益,哪个条件主要用于控制风险,甚至无法确认某些条件是否反而削弱了策略表现。

因此,本文采用消融实验的方法,在保持回测区间、初始资金、调仓频率、持仓数量、交易成本和交易规则完全一致的前提下,逐步移除部分筛选条件,比较不同版本的收益和风险表现。

为了避免月份过滤干扰本次实验,实验阶段暂时关闭1月和4月空仓规则,只研究基本面、低价和小市值三个条件本身的作用。具体测试以下四个版本:

• 仅小市值;

• 低价+小市值;

• 基本面+小市值;

• 完整版

其中,“基本面”包括股息率大于等于3%和PEG处于-3至3之间;“低价”指股价处于2至9元区间;“小市值”指在满足其他条件的股票中按流通市值从小到大排序,选择最小的5只股票。完整版为了和另外三个版本公平比较,完整版本也必须关闭1月和4月空仓规则。

通过这组对照实验,可以观察低价和基本面条件加入后对年化收益、最大回撤、夏普比率、换手率和超额收益的影响,从而判断菜场大妈策略到底是主要依靠小市值因子,还是三个条件之间存在明显的互补作用。

A 仅小市值;

保存原文复现版本 然后在qube交互界面输入 仅小市值 ,不使用股息率和PEG ,不限制2~9元,使用小市值排序,关闭1月和4月空仓规则

在仅使用小市值条件的版本中,策略按照流通市值从小到大选择股票,不使用股息率、PEG和股价区间筛选。回测期间策略累计收益为22.83%,年化收益仅为2.14%,最大回撤为27.82%,夏普比率为-0.17。虽然最终收益略高于上证综指,但风险调整后表现较弱,收益回撤比仅为0.04,说明单纯依靠小市值排序并没有在本次回测中表现出稳定的超额收益

B低价+小市值:

还是使用原文保存复现版本 然后在qube交互界面输入 :基本面筛选不使用股息率和PEG ,低价筛选限制2~9元,使用小市值排序,关闭1月和4月空仓规则

低价筛选显著提高了小市值策略的历史收益,但同时提高了换手率和最大回撤。它可能强化了小市值和低价股暴露,但并不能单独证明低价因子具有稳定的独立超额收益。还需要结合基本面+小市值和完整策略结果,才能得出可靠结论。

C 基本面+小市值:

还是使用原文保存复现版本 然后在qube交互界面输入 :基本面筛选使用股息率>= 0.03,PEG为-3~3,低价筛选不限制2~9元,使用小市值排序,关闭1月和4月空仓规则

回测期间累计收益为38.88%,年化收益为3.44%,最终权益由1000万元增长至约1388.8万元。策略最大回撤达到47.51%,夏普比率为-0.03,收益回撤比仅为0.14。虽然策略获得了正收益,但风险调整后表现较弱,且从截图显示的基准收益来看,其表现并未体现出明显的市场超额收益。

D 完整版:

还是使用原文保存复现版本 然后在qube交互界面输入 :关闭1月和4月空仓规则

在关闭1月和4月空仓规则后,完整策略取得了128.08%的累计收益,年化收益为8.86%,最大回撤为29.12%,夏普比率为0.32,最终权益约为2280万元。策略相对上证综指获得了一定超额收益,但风险调整后表现一般。

E 实验结果对比:

版本 累计收益 年化收益 最大回撤 夏普 交易笔数
仅小市值 22.83% 2.14% 27.82% -0.17 243
低价+小市值 128.06% 8.86% 30.41% 0.33 1,129
基本面+小市值 38.88% 3.44% 47.51% -0.03 628
完整策略 128.08% 8.86% 29.12% 0.32 533

在本次样本期内,策略的主要收益贡献来自“低价+小市值”组合,股息率和PEG基本面筛选并未明显提高年化收益或夏普比率,但略微降低了最大回撤和交易频率。基本面条件更像是候选池收缩和交易过滤条件,而不是收益的主要来源。

五、实验二:月份过滤

5.1实验目的:

在前面的消融实验中,我们比较了基本面、低价和小市值三个条件的作用。本节进一步检验原策略中的月份过滤规则是否有效。

原策略建议在1月和4月空仓,但这个规则并不是选股条件,而是一种择时和风险控制方法。因此,本实验固定完整的“基本面+低价+小市值”策略,仅改变空仓月份设置,比较不同月份过滤方案对收益、回撤和风险调整后表现的影响。

本实验主要回答三个问题:

  1. 1月空仓是否能够改善策略表现;
  2. 4月空仓是否能够改善策略表现;
  3. 同时过滤1月和4月,是否优于全年持续交易。

5.2 不过滤;

可以借用实验一的D结果

5.3 过滤1月;

还是使用原文保存复现版本 然后在qube交互界面输入 :当前完整策略参数必须保持不变:本次唯一修改:将空仓月份设置为仅1月;

在完整策略基础上仅过滤1月后,策略累计收益由128.08%提高至150.69%,年化收益由8.86%提高至9.93%,夏普比率从0.32提高至0.41,收益回撤比也由0.73提高至0.84。最终权益由约2280万元提高至约2507万元。

不过,过滤1月并没有降低最大回撤。策略最大回撤由29.12%上升至30.58%,增加了1.46个百分点。因此,1月过滤在本次样本期内主要改善了收益和整体风险调整后表现,但没有发挥降低极端回撤的作用。

5.4 过滤4月;

还是使用原文保存复现版本 然后在qube交互界面输入 :当前完整策略参数必须保持不变:本次唯一修改:将空仓月份设置为仅4月;

在完整策略基础上仅过滤4月后,策略累计收益提高至166.09%,年化收益提高至10.60%,夏普比率由0.32提升至0.46,收益回撤比由0.73提升至0.92。最终权益约为2661万元,相比不过滤版本增加约381万元。

但最大回撤并未下降,反而由29.12%小幅上升至30.12%,增加约1个百分点。交易笔数由533次减少至517次,说明4月空仓减少了部分交易,但交易次数下降幅度有限

5.5 同时过滤1月和4月。

原文复现的版本即可

5.6实验结果:

指标 不过滤 过滤1月 过滤4月 同时过滤1月和4月
累计收益 128.08% 150.69% 166.09% 214.80%
年化收益 8.86% 9.93% 10.60% 12.53%
最大回撤 29.12% 30.58% 30.12% 27.37%
夏普比率 0.32 0.41 0.46 0.63
收益回撤比 0.73 0.84 0.92 1.13
交易笔数 533 539 517 523
最终权益 2279.97万元 2506.89万元 2660.90万元 3148.02万元

(1)1月空仓有效,但改善幅度有限

年化收益从8.86%提高至9.93%,夏普比率从0.32提高至0.41,但最大回撤从29.12%上升至30.58%。

(2)4月空仓的改善效果强于1月

年化收益提高至10.60%,夏普比率提高至0.46,收益回撤比提高至0.92,但最大回撤仍略有上升至30.12%。

(3)同时过滤1月和4月优于全年持续交易

累计收益从128.08%提高至214.80%,年化收益从8.86%提高至12.53%,最大回撤从29.12%降至27.37%,夏普比率从0.32提高至0.63,收益回撤比从0.73提高至1.13。

5.7 总结:

在本次样本期内,单独过滤1月或4月均改善了策略收益和夏普比率,但没有降低最大回撤;同时过滤1月和4月则进一步提高了年化收益和风险调整后收益,并降低了最大回撤。因此,同时过滤1月和4月的表现优于全年持续交易。不过,这一结论仍属于样本内结果,月份规则是否具有长期稳定性,还需要通过样本外测试和滚动回测进一步验证。

六、实验三:持仓数量

6.1 实验目的

在完成选股条件和月份过滤实验后,进一步研究持仓数量对策略表现的影响。

原策略采用少量股票集中持仓,但持仓过少可能导致单只股票权重过高、组合波动较大;增加持仓数量可以分散个股风险,但也可能降低小市值暴露、增加交易成本和调仓复杂度。

本实验主要回答以下问题:

  1. 5只持仓是否收益更高但回撤更大?
  2. 增加到20只股票后,是否能够降低组合集中度和最大回撤?
  3. 持仓数量增加后,策略是否仍然保持小市值特征?
  4. 持仓数量增加是否会显著提高换手率和交易成本?

6.2持仓数量5只

原文复现版本就是持仓数量为5

6.3 修改持仓数量从5只增加到10只

还是使用原文保存复现版本 然后在qube交互界面输入 :当前完整策略参数必须保持不变:本次唯一修改持仓数量从5只增加到10只

持仓数量从5只增加至10只后,累计收益和年化收益小幅下降,最大回撤则由27.37%降至26.98%,说明增加持仓数量带来了一定的分散化效果,但幅度较小。10只版本的收益回撤比略高,不过夏普比率由0.63下降至0.58,整体风险调整后表现并未全面改善。

6.4 修改持仓数量从10只增加到20只

使用上次实验持仓数量为10的版本 然后在qube交互界面输入 :当前完整策略参数必须保持不变:本次唯一修改持仓数量从10只增加到20只

将持仓数量增加至20只后,策略累计收益为209.09%,年化收益为12.32%,最大回撤显著下降至18.48%,夏普比率为0.61,收益回撤比达到1.29。与5只和10只持仓相比,20只版本的收益略低于5只,但最大回撤明显更低,风险收益比最好。

6.5 实验结果

(1)结果分析:

持仓数量 累计收益 年化收益 最大回撤 夏普 收益回撤比 交易笔数
5只 214.80% 12.53% 27.37% 0.63 1.13 523
10只 206.36% 12.22% 26.98% 0.58 1.18 1,162
20只 209.09% 12.32% 18.48% 0.61 1.29 1,950

从收益指标看,5只持仓的累计收益和年化收益最高,但优势并不明显。持仓数量增加到10只和20只后,年化收益仍维持在12%左右,说明组合分散并未显著削弱策略收益。

从风险指标看,20只持仓的最大回撤下降至18.48%,明显低于5只和10只版本,表明增加持仓数量确实降低了组合集中风险。20只版本的收益回撤比达到1.29,为三个版本最高。

从交易活跃度看,交易笔数随持仓数量增加而显著上升,从5只的523笔增加至20只的1950笔,说明扩大持仓数量会带来更高的交易执行需求和潜在交易成本。仅凭交易笔数不能完全判断成本是否同比增加,还需要进一步查看换手率、佣金、滑点和成交金额。

从风格暴露看,20只持仓仍然是从满足条件的股票中按流通市值从小到大选择,因此策略仍然保持小市值特征。不过,20只版本的平均市值和市值分位数可能高于5只版本,说明其小市值暴露可能有所减弱,需要使用持仓市值统计进一步验证。

(2) 结论:

在本次样本期内,5只持仓更偏向收益集中,20只持仓更偏向风险分散。20只版本在年化收益基本不变的情况下显著降低了最大回撤,并取得最高的收益回撤比,但也伴随更多交易。若追求收益集中和较高进攻性,5只版本更合适;若重视回撤控制和组合稳定性,20只版本更具优势。最终选择仍需结合实际交易成本、小市值暴露和样本外表现。

七、最终结论

  1. 是否成功复现

PandaAI成功实现了“菜场大妈”策略的核心逻辑:

• 股息率筛选;

• PEG筛选;

• 股价2~9元;

• 按流通市值从小到大选股;

• 每周调仓、等权持有。

复现过程中发现,股息率因子采用比例单位,0.03代表3%。最初误设为3.0导致没有交易,修正后策略恢复正常。

PandaAI的结果没有达到原文或QMT复现版本的高收益,但成功复现了策略逻辑和交易流程。差异可能来自数据源、因子口径、交易时点、手续费和历史数据处理方式不同。

  1. 哪个因子贡献最大

消融实验结果表明:

• 仅小市值:年化收益2.14%;

• 低价+小市值:年化收益8.86%;

• 基本面+小市值:年化收益3.44%;

• 完整策略:年化收益8.86%。

本次样本中,低价条件是最明显的收益增强因素。小市值是策略的基础,低价条件进一步提高了收益,基本面条件没有明显提高收益,但减少了交易并小幅降低了回撤。

  1. 月份过滤是否有效

    单独过滤1月或4月提高了收益和夏普,但最大回撤略有上升。同时过滤1月和4月后,收益提高、回撤下降,表现最好。

    版本 年化收益 最大回撤 夏普比率
    不过滤 8.86% 29.12% 0.32
    过滤1月 9.93% 30.58% 0.41
    过滤4月 10.60% 30.12% 0.46
    同时过滤1月和4月 12.53% 27.37% 0.63

    不过,这一结论只在当前历史样本内成立,仍需样本外检验,防止月份规则过拟合。

  2. 是否适合实盘

    该策略规则简单、容易理解,也具备程序化交易条件。但收益对数据口径、交易成本、流动性和市场风格较为敏感。

    持仓数量实验显示,20只持仓在收益接近5只的情况下,最大回撤更低,但交易次数明显增加。因此:

• 5只更集中,收益弹性更大;

• 20只更分散,回撤更低;

• 持仓越多,交易成本和执行压力越高。

综合来看,该策略可以作为研究和模拟交易策略,但不宜直接大额实盘。正式使用前应进行样本外回测、模拟盘跟踪和小资金实盘验证。

八. 经验与收获

通过复现和实验,我最大的收获是:不能只看策略的历史收益,更要验证它为什么赚钱,以及结果能否重复。

这次研究发现:

• 策略收益主要来自低价和小市值因子,基本面条件并没有明显提高收益,但减少了部分交易;

• 同时过滤1月和4月后,样本期内收益和风险调整后表现有所改善,但仍需防止月份规则过拟合;

• 增加持仓数量可以降低回撤,但会增加交易次数和交易成本;

• 原文中的高收益没有被完全复现,说明数据源、因子口径、交易规则和成本都会显著影响回测结果;

• 一次股息率单位错误就能导致策略完全没有交易,说明字段单位和数据日期必须仔细核对;

• 回测显示“成功”不代表策略真的有效,还必须检查候选数量、订单、成交和持仓。

这次研究也让我认识到,可靠的量化研究流程应该是:

先复现策略,再做消融实验,最后进行样本外验证和实盘测试。

最终,这个策略可以作为一个简单、直观的量化入门案例,但不能因为历史回测表现较好就直接投入大额资金。真正实盘前,还需要经过模拟盘和小资金验证。

** 真正值得学习的,也许不是某个传奇交易者的买卖秘诀,而是如何建立自己的研究方法。**

如果你也有一直想验证的交易想法,可以试着用 PandaAI Qube,把它变成一套能够被检验的策略。

评论 1

0 / 2000