一、計算动量因子

1. 确定交易对象：股票池、考虑流动性（沪深300/创业板）
2. 选定业绩评价周期：过去1-12个月
3. 计算形成期的收益率：过去N个月的收益率
4. 对收益率进行排序：最佳-赢家组合、最差-输家组合
5. 确定持仓/换仓周期：1个月、可自定义测算
6. 连续或间隔一段时期，不断重复2-5步骤
7. 计算动量/反向策略各持有率的回报率
8. 计算t/p统计值，判断是否存在动量效应

二、实战

2.1所有股票收盘价的拼接

将所有个股的收盘价拼接到一张表，方便之后的计算和预览。

# 获取沪深300股票池
def get_data(index_symbol = '000300.XSHG'):
    #获取股票列表代码(沪深300、创业板、上证)
    stocks =st.get_index_list(index_symbol=index_symbol)
    #拼接收盘价数据
    data_concat = pd.DataFrame()
    #获取股票数据
    for code in stocks[0:9]:
        data = st.get_single_price(code, 'daily')
        #取出收盘价这一列
        res = pd.DataFrame(data,columns=['close'])
        #修改收盘价这一列的名称为股票代码
        res.columns = [code]
        #拼接多个股票的收盘价（日期、股票A收盘价、股票B收盘价）
        data_concat = pd.concat([data_concat, res],axis = 1)

    #预览股票数据
    print(data_concat.tail())

运行结果

到這裏，我们获取了股票的收盘价，并且全部拼接起来。

我们再将get_data函数优化一下：

# 获取沪深300股票池
def get_data(start_date, end_date, index_symbol = '000300.XSHG'):
    #获取股票列表代码(沪深300、创业板、上证)
    stocks =st.get_index_list(index_symbol=index_symbol)
    #拼接收盘价数据
    data_concat = pd.DataFrame()
    #获取股票数据
    for code in stocks[0:9]:
        data = st.get_single_price(code, 'daily', start_date=start_date, end_date=end_date)
        #取出收盘价这一列
        res = pd.DataFrame(data,columns=['close'])
        #修改收盘价这一列的名称为股票代码
        res.columns = [code]
        #拼接多个股票的收盘价（日期、股票A收盘价、股票B收盘价）
        data_concat = pd.concat([data_concat, res],axis = 1)
	
    #预览股票数据
    return data_concat

2.2动量因子计算

# 动量策略
def momentum(data_concat, shift_N = 1):
    #转换时间频率：日转换为月
    data_month = data_concat.resample('M').last()
    print(data_month.head())
    #计算过去N个月的收益率 = 期末值/期初值 -1
    shift_return = data_month / data_month.shift(shift_N) -1
    print(shift_return.head(10))
    return shift_return

if __name__ == '__main__':
    # 测试获取沪深300 前9个个股数据
    data_concat = get_data('2020-01-01', '2021-04-01')
    # 测试 动量策略
    momentum(data_concat)

运行结果：