1. Fama-French三因子模型：从理论到实战

1992年，尤金·法玛和肯尼斯·弗兰奇提出了著名的三因子模型，这个模型在传统CAPM模型基础上增加了两个关键因子：市值因子（SMB）和账面市值比因子（HML）。这个模型的核心思想是：股票的超额收益不仅受市场风险影响，还与公司规模和价值特征密切相关。

在实际操作中，我发现这个模型特别适合A股市场。A股市场散户占比高，容易出现小市值效应和价值溢价现象。通过历史数据回测，小市值股票在A股市场长期表现优于大市值股票，而低市净率（高账面市值比）股票也往往能带来超额收益。

模型的核心三因子 ：

• 市场风险溢价（Rm-Rf） ：这个因子大家最熟悉，代表市场组合收益率减去无风险利率。在A股实操中，我通常用沪深300指数收益率作为市场组合，十年期国债收益率作为无风险利率。
• 市值因子（SMB） ：按市值将股票分为大、小两组，用小市值组合收益率减去大市值组合收益率。在A股，这个因子特别有效，小市值效应非常明显。
• 账面市值比因子（HML） ：按账面市值比（PB的倒数）将股票分为高、中、低三组，用高组收益率减去低组收益率。这个因子在A股市场波动较大，但长期来看仍然有效。

2. 环境准备与数据获取

2.1 Python环境配置

我推荐使用Anaconda创建独立的Python环境，避免包冲突。以下是具体步骤：

conda create -n quant python=3.8
conda activate quant
pip install qteasy numpy pandas tushare

关键库说明 ：

• qteasy ：这是我们策略开发的核心工具，它封装了很多量化交易常用功能
• tushare ：免费获取A股市场数据，需要注册获取token
• pandas ：数据处理必备，建议安装1.3.0以上版本

2.2 数据获取与处理

获取数据是量化交易的第一步，也是最容易踩坑的环节。我总结了几点经验：

1. 股票池选择 ：建议使用沪深300成分股，流动性好，数据质量高
2. 数据清洗 ：特别注意处理停牌股票和异常值
3. 因子计算 ：账面市值比=1/PB，市值直接使用总市值

import qteasy as qt
import tushare as ts

# 初始化tushare
ts.set_token('你的token') 
pro = ts.pro_api()

# 获取沪深300成分股
hs300 = pro.index_weight(index_code='000300.SH', start_date='20200101')
stock_pool = hs300['con_code'].tolist()

# 获取股票基本面数据
stock_basic = pro.stock_basic(list_status='L')
pb_data = pro.daily_basic(ts_code=','.join(stock_pool), fields='ts_code,trade_date,pb')

3. 策略实现详解

3.1 自定义策略类开发

qteasy提供了三种策略基类，我们这里使用FactorSorter，它专门为多因子选股设计。开发策略主要需要实现两个方法： init ()和realize()。

class FF3FactorStrategy(qt.FactorSorter):
    def __init__(self, pars=(0.3, 0.3, 0.4)):
        super().__init__(
            pars=pars,
            par_count=3,
            par_types=['float', 'float', 'float'],
            name='FF3Factor',
            description='Fama-French三因子选股策略',
            strategy_run_freq='m',  # 每月调仓
            strategy_data_types='pb, total_mv, close',
            reference_data_types='close-000300.SH',  # 沪深300作为基准
            max_sel_count=10,  # 最多选10只股票
            sort_ascending=True  # 选择alpha最小的股票
        )

3.2 核心逻辑实现

realize()方法是策略的核心，这里我们需要计算三个因子，然后通过回归得到每只股票的alpha值。

def realize(self, h, r=None, t=None, pars=None):
    # 解析参数
    size_perc, bp_low_perc, bp_high_perc = pars
    
    # 获取最新数据
    pb = h[:, -1, 0]  # 市净率
    mv = h[:, -1, 1]  # 总市值
    close = h[:, -1, 2]  # 收盘价
    pre_close = h[:, -2, 2]  # 前收盘价
    
    # 计算市场收益率(沪深300)
    market_pre_close = r[-2, 0]
    market_close = r[-1, 0]
    market_return = market_pre_close / market_close - 1
    
    # 计算账面市值比和股票收益率
    bp = 1 / pb  # 账面市值比
    stock_return = close / pre_close - 1
    
    # 计算SMB因子
    size_threshold = np.nanquantile(mv, size_perc)
    smb_small = np.nanmean(stock_return[mv <= size_threshold])
    smb_big = np.nanmean(stock_return[mv > size_threshold])
    smb = smb_small - smb_big
    
    # 计算HML因子
    bp_low = np.nanquantile(bp, bp_low_perc)
    bp_high = np.nanquantile(bp, bp_high_perc)
    hml_high = np.nanmean(stock_return[bp >= bp_high])
    hml_low = np.nanmean(stock_return[bp <= bp_low])
    hml = hml_high - hml_low
    
    # 计算每只股票的alpha
    alphas = []
    for ret in stock_return:
        X = np.array([[market_return, smb, hml, 1.0]])
        y = np.array([[ret]])
        alpha = np.linalg.lstsq(X, y, rcond=None)[0][3][0]
        alphas.append(alpha)
    
    return np.array(alphas)

4. 回测与参数优化

4.1 回测配置

回测是验证策略有效性的关键步骤。在qteasy中配置回测参数很简单：

# 配置回测参数
qt.config(
    mode=1,  # 回测模式
    invest_start='20160101',
    invest_end='20231231',
    asset_type='E',  # 股票
    asset_pool=stock_pool,
    trade_batch_size=100,  # 100股整数倍交易
    sell_batch_size=1,  # 可以卖零股
    trade_log=True  # 记录交易日志
)

# 创建策略实例
strategy = FF3FactorStrategy(pars=(0.3, 0.3, 0.4))

# 创建交易员并运行回测
op = qt.Operator(strategy, signal_type='PT')
op.op_type = 'stepwise'  # 逐步回测
op.set_blender('1.0*s0', "close")  # 信号混合方式
op.run()

4.2 参数敏感性分析

参数优化是策略开发中最耗时的部分。我建议使用网格搜索法寻找最优参数组合：

from itertools import product

# 定义参数范围
size_params = [0.2, 0.3, 0.4]
bp_low_params = [0.2, 0.3, 0.4]
bp_high_params = [0.6, 0.7, 0.8]

best_params = None
best_annual_return = -np.inf

# 参数网格搜索
for params in product(size_params, bp_low_params, bp_high_params):
    strategy = FF3FactorStrategy(pars=params)
    op = qt.Operator(strategy)
    op.run()
    result = op.get_results()
    annual_return = result['annualized_return']
    
    if annual_return > best_annual_return:
        best_annual_return = annual_return
        best_params = params

print(f"最佳参数组合: {best_params}, 年化收益: {best_annual_return:.2%}")

在实际测试中，我发现(0.3, 0.3, 0.7)这个参数组合在A股市场表现最好，年化收益能达到40%以上。

5. 策略改进与风险控制

5.1 策略优化方向

基础的三因子策略虽然有效，但还有很大改进空间：

1. 增加动量因子 ：加入12个月动量因子可以显著提升策略表现
2. 行业中性化 ：对因子进行行业调整，避免行业集中风险
3. 动态权重调整 ：根据市场环境动态调整因子权重

# 行业中性化示例
def neutralize_by_industry(factor, industry):
    """对因子进行行业中性化处理"""
    dummies = pd.get_dummies(industry)
    model = LinearRegression()
    model.fit(dummies, factor)
    return factor - model.predict(dummies)

5.2 风险控制措施

高收益往往伴随着高风险，必须做好风险控制：

1. 单只股票仓位限制 ：不超过总资产的10%
2. 最大回撤止损 ：当回撤超过20%时暂停交易
3. 流动性筛选 ：剔除日均成交额低于1亿元的股票

# 流动性筛选示例
def filter_liquidity(stock_list, turnover_threshold=100000000):
    """筛选流动性好的股票"""
    turnover = pro.daily_basic(ts_code=','.join(stock_list), 
                              fields='ts_code,turnover_rate')
    liquid_stocks = turnover[turnover['turnover_rate'] * mv >= turnover_threshold]
    return liquid_stocks['ts_code'].tolist()

6. 实盘注意事项

将策略应用于实盘时，有几个关键点需要注意：

1. 交易成本 ：A股交易成本包括0.1%印花税（卖出）和约0.02%佣金，在回测中要计入
2. 滑点控制 ：实际成交价格可能与预期有差异，建议使用限价单
3. 停牌处理 ：遇到股票停牌要有备用方案
4. 资金管理 ：永远不要满仓，保留至少10%的现金

# 在qteasy中考虑交易成本
qt.config(
    commission_rate=0.0002,  # 佣金
    tax_rate=0.001,  # 印花税
    slippage=0.001  # 滑点
)

在实际操作中，我建议先用小资金测试1-3个月，确认策略实际表现与回测一致后再加大投入。同时要定期（如每季度）重新评估策略表现，及时调整失效的因子。