最近研究了一下这个利用财报基本面数据寻找alpha的策略，发现还是有比较高的信息率的，在没有任何对冲的情况下，也能在不同的时期有所表现，且整体强于基准，不过在查看代码实现的时候，发现了以下几个问题，对代码进行了相应的修改，算是bug fix吧，希望对大家有参考价值。

潜在问题如下：
1）基本面数据不同lag没变化的问题，用LD来动态往前找基本面数据。每次循环得到一个新的LD，因为他是本次pubdata的前一天，用这个日期去query会查到前一次的财务数据，以此往前推。

for i in stocks:    # 获得前一个交易日的日期（因为当前交易日你是不知道当前收盘价的）D=getDay(dateStr,-1)LD=D #LD用来拿上一次的财报alpha = []    # 一个循环，对每一个财务季度进行获取因子for j in range(0,lags):        # 查询财务因子的语句q = query(indicator,valuation).filter(indicator.code.in_([i]))        # f_temp=get_fundamentals(q,D)f_temp=get_fundamentals(q,LD) #这里原来的code有个问题，D在循环里没变化，所以改用LDrow_name=i '_lag' str(j)        #先判定是否上市，如果上市，才将其装入if len(f_temp)>0:            #如果能取到数据，说明已经上市f_temp=f_temp[cols2]f_temp.index=[row_name]table_factors.ix[[row_name],cols2]=f_temp            #得到本期财报的披露日期向前推一个日期:LD=getDay(table_factors['pubDate'][row_name],-1)r=getAlpha(i,LD,D,g.rf)[0]table_factors.ix[[row_name],['alpha']]=rtable_factors=table_factors.dropna() #把没有alpha的值都drop了# print(table_factors)return table_factors

2）基本面数据标准化处理。修改方法是使用sklearn的标准化函数来对factor进行标准化处理。原因是线性回归这种函数是通过计算和优化残差距离来拟合的，如果factor不在一个scale范围内，可能会使有些factor对结果的影响大，有些小，另外标准化也会加快算法的收敛速度，有利于数值计算。

# 判断是否调仓日，如果是调仓日，则进行调仓操作if g.if_trade:    # 获得今天的日期的字符串todayStr=str(context.current_dt)[0:10]print(todayStr)    # 获得当前股票对应季度的对应财务因子数据，数据类型为dataframefactors_table=getDS(g.all_stocks,todayStr,g.lag)    # 计算回归系数    # factor没有归一化可能会有点问题。。）scaler = StandardScaler()factors_table_new = scaler.fit_transform(factors_table[g.factors])    # print(factors_table)weights=linreg(factors_table_new,factors_table[['alpha']])# 获得当前的因子current_factors=getOriginalFactors(g.factors,todayStr)    # print(type(current_factors))    #这里也要对因子做归一化处理    # current_factors_new = scaler.transform(current_factors)current_factors_new = pd.DataFrame(scaler.transform(current_factors),index=current_factors.index, columns=current_factors.columns)print((current_factors_new))    # 计算调仓信号toBuy = get_signal(context,current_factors_new, weights)print(toBuy)    # 执行调仓buy_and_sell(context, toBuy)    # 调仓指令归于“否”g.if_trade = False

3）调整factor，选择相对比率，去除绝对数值的factor,比如eps和adjusted_profit。因为绝对数值的scale太大，和公司体量有关，不能说大的就一定好，比较并不公平。相对比率则比较客观，比如roe高的企业，优秀的概率则高一些。

修改如下：

g.factors=[#'eps',   #'adjusted_profit', #数字最大，也不是相对数值去掉，试试看！   'inc_return',           'roa',           'roe',           'net_profit_margin',           'gross_profit_margin',           'operation_profit_to_total_revenue',           'ga_expense_to_total_revenue',           'goods_sale_and_service_to_revenue',           'inc_total_revenue_year_on_year',           'inc_total_revenue_annual',           'inc_operation_profit_year_on_year',           'inc_operation_profit_annual']

4）股票购买数量由10调整到g.N，原来默认的20其实没有作用。原文代码里用10控制最大的选股数，但是本意是20个最多，所以改了下控制参数，就可以了。资金量大的时候可以更加分散化。

NoB=0for i in range(0,g.N):if points[i]>0:
        NoB =1#if NoB>10 #为什么只买10只股票，还是只考虑10个point为正的股票，改成用g.N控制个数if NoB>g.N:   
    NoB = g.N 
toBuy=array(points.index[0:NoB])return toBuy

改进空间：
如果要做成真正的量化策略，还可以进一步调整和加入以下部分：
1）解决财报日期和交易日期发布不匹配，LD和D之间时间长度不稳定的问题。我把调仓时间改成21天了，所以给策略一个自己纠正的机会，一定程度缓解了这个问题。不过应该有更好的改进方法。
2）股指期货对冲。可变成纯alpha策略，毕竟策略考虑的是alpha。
3）风险控制。策略波动率比基准还大，明显有改进空间。
4）仓位控制。牛市涨的还行，熊市跌的也快，如果加入仓位控制，应该会更好一些。