@mm139 嗯嗯，复盘交易记录，是一个很宝贵的习惯。赞。 计算方法是彼得林奇修正过的，他认为高分红的股票要有高估值，所以在分母里加上了派息率。 你可以搜索一下他的观点。 另外，lowPEG 策略，挑选出来的不是高增长公司，而是低估的稳定增长的公司。

@小兵哥 我回测了10月26号那一天的交易情况，有点奇怪，按我的回测，股票里面是没有002078.XSHE这只股票的，因为其存在最新的9月季报，里面的last inc是高于50被剔除了的，但是在你的策略里面是包含这只股票，并且last inc取的的6月季报，我感觉是不是那个方法有点问题，具体见图片 ![2.png][1] 下面这个是我按相同日期和其他条件测算的这一只股票 ![3.png][2] 补充：我刚刚又看了下，好像是财报日期的问题，最新的财报日期是6月30，但是在财务数据里面，已经存在9月季报的数据，由于你的代码中有这个判断，所以没有计算上最新的last inc ``` if stock_last_statDate[stock] == last_quarter_dict[stock][0]: inc_list.append(last_quarter_dict[stock][1]) ``` [1]: https://joinquant-image.b0.upaiyun.com/ed9432aa2796a9e907a30e6c428bbd6f [2]: https://joinquant-image.b0.upaiyun.com/f3871f12352a856c766ed9c58e0106cf

@加菲猫被人注册了 查了太阳纸业的公告，是 10.28 发的Q3 财报。所以 10.26 那天，看不到 Q3 财报是正常的。 你自己修改的代码里，貌似有了未来函数。

@小兵哥 回复神速啊，好的我看看，多谢指点哈

猛！！！快放到策略擂台！

@小兵哥 总算研读到最后风险评价了，结果一脸懵逼，对这块理解不透，楼主对于该策略所采用的风险评价，有什么比较详细的参考资料或者详细的设计思路吗？另外问一下，这里用的VaR模型是用的历史模拟还是方差协方差？

@加菲猫被人注册了 风险平价用到了VaR，这不是原版的。 原版的风险平价用波动率来计算，追求波动率一致。 但回测发现效果不如用 VaR 来控制好。 风险平价是为了控制风险，又因为 VaR控制风险比波动率更佳，所以就自作主张用了 VaR。 你也可以换回原版的。 VaR 有写过一个帖子，发在论坛里，你可以搜索一下。计算方法是从百度里找的。 BTW：控制绝对风险的时候，ES 更佳，印象中二选一选了 ES，这个样例用的是 VaR么？我去看看（确认了，风险平价用的是 ES，不是 VaR）

@小兵哥 谢谢～ 这两个貌似对我小白来说都很难理解，只能先用均摊资金的方式做策略先，这段时间好好学学var和es的有关知识，有些基础知识都还在同步学习中，比如为何用正态分布而非幂律分布？不过还是先搞懂es的原理吧

@加菲猫被人注册了 加油，同在学习中，一边翻论文，一边实现。期待分享学习贴。

@小兵哥 哈哈，离发布还有好长一段路，还在学习你的很多帖子呢，人生苦短，我看好小兵哥啊~ PS: 竟然看懂了ES那一部分，自我欣赏一番~ 对其中用历史数据模拟法计算ES的部分有点疑问，还望大神多瞅一眼~ 因为ES定义是置信水平外的平均损失，假设选定的置信区间为99%，选取180个交易日的值升序排列以后，那么其实只有第一个值是在那1%的情况（2/180 >0.01），因此是不是计算ES=该值当天的收益率 即可（只有一个，不需要平均，也即该值本身？）；而用以下公式，计算得出的分母是除以1.8，和定义有一些出入？不知道我的理解是不是正确 ``` count = 0 sum_value = 0 for i in range(len(dailyReturns_sort)): if i < (lag * a): sum_value += dailyReturns_sort[i] count += 1 if count == 0: ES = 0 else: ES = -(sum_value / (lag * a)) if isnan(ES): ES = 0 ```

@加菲猫被人注册了 一致性风险度量（ES），有发过一个帖子，你可以看看。里面应该有论文以及算法出处。lag * a 当分母，是公式推导的结果。（其实俺没怎么验证论文里的公式，只是把公式翻译成了代码，有兴趣可以根据论文里的步骤推导一次，俺觉得这是一个很了不起的工作） 在本实现里，虽然取值是 180 天，但经过重新插值取样后，数据变成 240+个数据，不是 180。

请问from dateutil import relativedelta中的dateutil是什么呀？

@James_3 这里用不上，可以删掉这句。

@小兵哥 嗯，好的~

@小兵哥 看到你的下面回复，想请教几个问题 1、策略里的计算ES的置信区间是设置为99%的，而计算仓位控制是按95%计算的（我假设1.7这个数字也是根据95%的历史组合推算得到的），是否需要保持一致？ 2、其中有一段代码，按我的理解，是“预估的最严重亏损平均损失 = 当前总仓位现金 * 待买股票数 * 仓位总占比（假设100%）* 平均每股的风险敝口”，由于总的风险敝口是0.03，策略里用的是线性平均假设要投资的5个股票每个风险<0.006,对吗？因为次可加性确保了总风险敝口保证在0.03以内？ ``` def fun_calPosition(self, context, equity_ratio, bonds_ratio, lowPEG_ratio, portfolio_value): risk_ratio = len(equity_ratio.keys()) risk_money = context.portfolio.portfolio_value * risk_ratio * context.lowPEG_ratio * context.lowPEG_risk_ratio ``` 3、 > VaR 和 ES 两种方法考量的维度不一样，计算方法也不同。用在仓位控制上，计算出来的结果也会有差异。 Var 是 99% 几率下，最大损失是多少； ES 是（1-99%）的小几率发生时，损失平均值是多少。 以 1.7 为例，在本实现中。 仓位控制的目标是：95% 的日子里，最大损失小于 3%（本例的风险敞口是 0.03）；并且在 5%的极端情况出现时，平均损失小于 3%*1.7 = 5.1%（也有可能是涨）。

@加菲猫被人注册了 1、策略里的计算ES的置信区间是设置为99%的，而计算仓位控制是按95%计算的（我假设1.7这个数字也是根据95%的历史组合推算得到的），是否需要保持一致？ 个人认为不需要调节成一致。99%是用来做风险平价，为了确保每个标的的风险基本一致，所以置信度设置比较高；95%是控制敞口的置信度，这个是参考一般基金的敞口配置，95%-95%是很多投行的做法，比如摩根、高盛等。 1.7 是根据个人风险偏好，你也可以设置为 2， 3， 或者 1.5 等等。 2、第 2 点你的理解是对的。给你 99 分，怕你骄傲。

@小兵哥 我又来啦，多谢小兵哥耐心讲解哈，现在来争取看看能不能把那余下的1分给拿来，吼吼。 我有三个小问题 1、对赋值trade_ratio的策略不太理解，主要是下面这段感觉if中的永远不会被执行，因为equity_ratio.keys()里面的股票不会有重复的，不知道是不是有作用？ 2、trade_ratio定义是不是每次计算各股的仓位占比*考虑风险敝口的资金占比？ 3、策略里面是30天调仓一次，但是日志中经常会有不到30天就产生的交易，甚至交易第二天又会进行交易？ ``` trade_ratio = {} equity_list = equity_ratio.keys() for stock in equity_list: if stock in trade_ratio: trade_ratio[stock] += round((equity_ratio[stock] * value_ratio), 3) else: trade_ratio[stock] = round((equity_ratio[stock] * value_ratio), 3) ```

@加菲猫被人注册了 好细心，赞。 1、在本实现里，该段代码相加的代码的确不会被执行。 我有的实现会存在多策略选股，有时多个策略都会命中一个股票，产生重叠，所以有这么一段。 剥离 lowPEG 策略，裁减代码的时候没有裁减干净，抱歉抱歉。 2、你的理解是对的。最终折算为对总市值而言的仓位占比； 3、调仓有两个条件。30 天，或者买入后，单标的价格变动 > 25%。应该不会第二天吧，A 股一天涨跌停板 10%（有一个 needrebalance 的函数）

@小兵哥 @加菲猫被人注册了, 我也看到有第二天就调仓的交易。看了代码应该是： if stock in context.moneyfund: g.quantlib.fun_tradeBond(context, stock, total_value * ratio) 我想本意是用空闲的钱买货币基金，然而在例子代码里面moneyfund却是恒生ETF。稍微有点让人困惑:)