作为量化小白，终于迈出自己写策略的第一步，先给自己鼓鼓掌。。。
用了一个下午的时间仔细读了API，看了几个基础的策略，总感觉都比较复杂，不利于新人入门。于是想根据最基础的金融知识写一个小白也能理解的策略，就是题目中所说的简单指标选股策略。
此外，有一些策略给出的回测数据缺少市场下行时的收益，在牛市有非常优异的表现，但是如果进入熊市测试则会发现比较大的漏洞。因此，这个策略给出了从2016-2019完整3年的交易，希望能尽量涵盖可能出现的市场波动。
策略构想：
P/E和ROE是金融从业者最早接触到的几个重要指标之一，可以说只要有金融本科一年级的知识就可以理解，而且指标可以非常简单地获取，几乎没有信息成本。同时，作为衡量企业估值和盈利能力的指标，P/E和ROE又能做出显著的提示，因此，简单利用这两个指标进行分析可以说是一件很自然的想法。
P/E高一般代表潜在的泡沫风险，因此我们想选择P/E相对较小的公司，说明公司的整体价值被低估，而ROE高表示公司有较强的盈利能力。因此，选择被低估的整体价值加上较强盈利能力的公司，这样的持仓符合价值投资的基本理念。
策略逻辑：
- 筛选出P/E在0-15，ROE>0的股票作为备选。
- 选取股票的P/E和ROE，对P/E进行惩罚，因此得出调整项为ROE-P/E，选择调整项最大的每10天调整一次持仓。在列表内的全仓买入，不在列表内的全部平仓。
弊端与优化：
实际上，基于这样的逻辑回测的结果是不尽如人意的。原因在于这个策略没有足够的分散化。通过分析每日持仓可以看出，基本上买入卖出的股票都是以银行金融板块的股票为主，这就带来了面对市场波动时更强的相关性，严重削弱了盈利能力。这点在2018年底的波动中可以很明显的观测到。
基于这个想法，我们需要做的就是对股票的选择进行分散化处理。既然某个特定板块会体现出低P/E高ROE 的特征，那么只需要选择不同板块下的最优股即可。同时，20支股票理论来说可以达到足够的分散化效应。
所以，策略优化如下：
- 对所有股票加上对应的板块标签，根据板块分组后选择调整项最高的20支股票进入股票池。
结果可以看出，这样的策略虽然整体的Alpha和Sharpe并不惊人，但是收益稳定，回撤可控。同时，Beta值1.002做到了几乎完全服从市场趋势，这说明我们的分散化策略是显著有效的。
后续可能的改进及一些思考：
- 筛选可用股票清单时注意到，会有比较明显的ROE的outliers，高者甚至可以达到一百多，在目前计算下，这一部分股票的选入会产生一定的偏误，同时，ROE和P/E的计算方法不同，简单相加减是明显不符合逻辑的。因此，更好的方法应该是将两个数据全部标准化后再进行调整，目前想到的是可以采用Sigmod函数进行调整，是否会有区别有待后续验证。
- 买入卖出的策略过于简单粗暴，也有待后续可能的优化。
以上欢迎各位一同探讨，批评指正。
