5日反转策略在中证500样本股中的实证分析¶

一、策略简介¶

5日反转策略基于中国股市中存在的反转效应。反转效应认为在前一段时间表现较差的股票，在下一阶段反而会出现逆转。过去的赢家会成为将来的输家。而5日反转策略即为买入过去5日的赢家组合，同时卖出过去5日输家组合的策略，具体实现步骤为:
1、选定股票池。
2、设置证券业绩评价期（观察期）长度和持有期长度。此处设置观察期为5天，持有期为1天，即每日调整持仓。
3、根据形成期收益率的大小排序，买入前10%的股票，卖出后10%的股票。
4、持有一段时间后，重新按照以上规则选股，调整持仓。

交易量在反转效应中也扮演着很重要的角色。潘莉，徐建国（2011）的研究发现，在高交易量的股票中，反转效应更加明显。一个可能的解释是交易量高的股票对于信息的反应速度更快，更容易导致过度反应，从而造成更强的反转效应。所以我们还会选出中证500中观察期成交量排名前20%的股票最为股票池，在此之上构建反转投资组合。

二、核心代码¶

1、普通的反转策略（不考虑交易量）¶

初始化。设置手续费、基准指数等参数¶

# 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱
set_order_cost(
    OrderCost(
        close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5
    ), type='stock')

#基准设为中证500指数
set_benchmark('000905.XSHG')

#开启动态复权模式
set_option('use_real_price', True)

#每日运行一次
run_daily(period,time = 'every_bar')

#设置分位数，观察期，持有期，策略日期计数
g.sec_num=10
g.observation=5
g.holding_period=1
g.days=0

获取股票列表，并获得观察期内的股价数据¶

#股票池为中证500样本股，获取其收盘价和成交量信息
stocks = get_index_stocks('000905.XSHG')
df = history(g.observation+1,'1d','close',stocks).T

根据收盘价计观察期内收益率，升序排列，选出要买入和做空的股票，构造反转策略的中证500指数增强组合¶

#计算5日收益率，升序排列并去掉空值
df['ret_5d']= df.iloc[:,-2]/df.iloc[:,0]
ret_5d=df['ret_5d'].dropna()
valid_num=len(ret_5d)
ret_5d=ret_5d.sort_values()

#根据5日收益率选股
stk_list = ret_5d.index.tolist()
buy_list = stk_list[0:int(valid_num/g.sec_num)]
sell_list = stk_list[-int(valid_num/g.sec_num):]

 #构造指数增强组合
cash=context.portfolio.total_value
for stk in stocks:
    if stk in sell_list:
        order_target_value(stk,0)
    elif stk in buy_list:
        order_target_value(stk,2*cash/valid_num)
    else:
        order_target_value(stk,cash/valid_num)

2、考虑交易量的反转策略¶

策略逻辑没有大的变化，只是在选股的股票池变为了中证500成分股在观察期内平均成交量最高的前1/5的股票。数据处理如下：

#股票池为中证500样本股，获取其收盘价和成交量信息
stocks = get_index_stocks('000905.XSHG')#+get_index_stocks('399106.XSHE')
df = history(g.observation+1,'1d','close',stocks).T
df2 = history(g.observation,'1d','volume',stocks)

#计算观察期内平均成交量，取前1/5
avg_vol = df2.sum()/g.observation
avg_vol = pd.DataFrame({'avg_vol':avg_vol})
df=pd.concat([df,avg_vol],axis=1).dropna()
df = df.sort_values(by='avg_vol',ascending=False).head(int(len(df)/5))

三、回测结果¶

1、普通反转¶

2、考虑交易量的反转¶

四、结论及评述¶

根据回测结果，我们可以发现：
1、反转策略在2017年有着不错的超额收益，但在2017年以后策略遭遇了一定的回撤，超额收益有所下滑。
2、交易量对反转策略确实有促进作用。在高成交量股票池上构造的反转策略投资组合各项风险指标均优于一般的反转策略。
3、反转策略已经不能带来持续的alpha收益，而是更类似于一个风格因子。2017年之后，市场风格在动量和反转之间相互切换。能否通过因子择时等方式来规避掉市场风格切换带来的回撤，将是未来可行的一个研究方向。