实现低PE股票池（2）

实现低PE股票池（二）：调仓周期设计与集合变动追踪

小象实战讲义 · 初阶量化交易：策略编写及系统搭建 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在量化投资中，选股模型不仅需要在静态截面上挑选优质标的，更必须在动态时间序列上制定科学的定期调仓机制（Rebalancing Frequency）。股票的市盈率估值随着每日收盘价波动而实时微调，若每日都根据全市场最新 PE 重新洗牌股票池，不仅会引发高额的印花税、佣金与冲击成本摩擦，更会破坏持仓的稳定性。

本讲深入剖析调仓周期设为 7 个交易日的工程权衡哲学；详细讲解新调入（Incoming）、被调出（Outgoing）与留存（Retained）三大股票集合的动态运算与持久化方案；并建立股票池等权持有基准收益率的追踪流水线。

💡 核心导读

• 为什么选择 7 个交易日作为调仓周期？
  • 高频调仓的摩擦弊端：每日调仓会导致股票池频繁微调，持股周期极短，产生的印花税（单边万分之五）与交易佣金会迅速蚕食掉策略全部 Alpha 超额收益；
  • 低频调仓的滞后弊端：若按季度（60 交易日）调仓，标的股价大幅上涨导致估值严重偏离时无法及时止盈退出；
  • 7 日平衡点：约 1.5 周的调仓周期，既给予低估值因子充分的价值回归时间窗口，又将换手率与交易成本控制在极低水平。
• 股票池定期调仓的三大集合变动运算：
  • 设上一期股票池标的集合为 $S_{t-1}$，当期最新筛选出的股票池标的集合为 $S_t$：
  • 新调入集合（$\text{Incoming} = S_t - S_{t-1}$）：新进入估值优势区间的标的，进入择时买入监控队列；
  • 被调出集合（$\text{Outgoing} = S_{t-1} - S_t$）：估值过高或基本面劣化的标的，若当前持有则触发无条件清仓卖出（强制离场）；
  • 留存集合（$\text{Retained} = S_t \cap S_{t-1}$）：估值依然具备优势的标的，维持现有持仓状态，继续受均线择时规则保护。
• 股票池持久化与基准收益率基准：
  • 将每期调仓结果按 {'date': date, 'codes': [code1, code2, ...]} 格式落库至 MongoDB stock_pool 集合；
  • 计算每期股票池等权平均收益率，作为衡量后续择时策略能否击败纯选股基准的对比基准。

┌─────────────────────────────────────────────────────────────┐
│                    股票池定期调仓集合变动模型               │
└──────────────────────────────┬──────────────────────────────┘
                               │
       上期股票池 (S_t-1)              当期股票池 (S_t)
       ┌──────────────────┐          ┌──────────────────┐
       │   被调出 Outgoing│  交集    │   新调入 Incoming│
       │ (S_t-1 - S_t)    │ Retained │ (S_t - S_t-1)    │
       │  ► 触发清仓卖出  │ (S_t-1∩S)│  ► 触发择时监控  │
       └──────────────────┴──────────┴──────────────────┘

一、动态股票池状态转移与交易路由

在量化交易引擎中，股票池不仅是一个静态名单，更是驱动交易路由状态机的核心动力：

┌────────────────────────────────────────────────────────────────┐
│                    调仓日状态转移与执行规则                    │
├────────────────────────────────────────────────────────────────┤
│ 1. 扫描 Outgoing 集合: 若账户持有该标的，立即发出 Sell 订单清仓│
│ 2. 扫描 Incoming 集合: 将标的加入候选监控列表，等待均线金叉触发│
│ 3. 扫描 Retained 集合: 标的保留在持仓中，若均线死叉则执行止损  │
└────────────────────────────────────────────────────────────────┘

二、MongoDB stock_pool 数据集合结构设计

在数据库中，每期调仓记录作为独立文档存储：

{
  "date": "2023-01-16",
  "codes": ["600000", "600002", "600005", "..."],
  "count": 100
}

通过在 date 字段建立唯一索引，回测引擎可秒级查询任意回测交易日所属的当期有效股票池。

⚠️ 调仓回测的偏差与成本：本讲名单为内置合成数据。真实回测中每次调仓都会产生佣金、印花税与冲击成本，名单越大、换手越快，摩擦对收益的侵蚀越重；名单只能用当时实际在市的股票计算（幸存者偏差），调入调出依据的财务数据必须已经披露（前视偏差），7 日调仓周期同样是可调参数、存在过拟合风险。本演示不构成任何收益承诺。

📝 动手练一练

下面我们用 Python 编写一段 股票池定期调仓与集合变动动态追踪脚本，模拟连续多个调仓周期中新调入与被调出标的的自动识别：

import pandas as pd
# 保证宽表在任意终端宽度下都完整打印（不折叠中间列），使输出确定、可复现
pd.set_option("display.width", 250)
pd.set_option("display.max_columns", None)
pd.set_option("display.max_rows", None)
import numpy as np

def track_stock_pool_rebalance(pool_history_dict, rebalance_dates):
    """
    股票池定期调仓与集合动态追踪引擎
    计算各个调仓周期: 新进集合 (Incoming)、调出集合 (Outgoing)、留存集合 (Retained)
    """
    records = []
    prev_set = set()
    
    for r_date in rebalance_dates:
        curr_list = pool_history_dict[r_date]
        curr_set = set(curr_list)
        
        # 集合运算
        incoming = curr_set - prev_set
        outgoing = prev_set - curr_set
        retained = curr_set & prev_set

        # 注意：不能直接 list(set)——Python 字符串的集合迭代顺序受 PYTHONHASHSEED
        # 影响，跨进程不稳定，会让同一份代码每次打印的名单顺序都不同。
        # 真实交易系统同样必须显式排序，保证候选名单可复现、可对账。
        records.append({
            'rebalance_date': r_date,
            'pool_size': len(curr_list),
            'incoming_count': len(incoming),
            'outgoing_count': len(outgoing),
            'retained_count': len(retained),
            'incoming_codes': sorted(incoming),
            'outgoing_codes': sorted(outgoing)
        })
        prev_set = curr_set
        
    return pd.DataFrame(records)

def test_rebalance_run():
    dates = ["2023-01-05", "2023-01-16", "2023-01-27"]
    
    # 模拟 3 期各 4 只股票的低 PE 股票池变动
    pool_data = {
        "2023-01-05": ['600000', '600001', '600002', '600003'],
        "2023-01-16": ['600000', '600002', '600004', '600005'],  # 600001/600003 调出, 600004/600005 调入
        "2023-01-27": ['600000', '600004', '600005', '600006']   # 600002 调出, 600006 调入
    }
    
    res = track_stock_pool_rebalance(pool_data, dates)
    print("================ 股票池定期调仓集合追踪报告 ================")
    print(res[['rebalance_date', 'pool_size', 'incoming_count', 'outgoing_count', 'retained_count']])
    print("------------------------------------------------------------")
    for _, row in res.iterrows():
        print(f"[{row['rebalance_date']}] 新调入买入候选: {row['incoming_codes']} | 调出强平清仓: {row['outgoing_codes']}")
    print("============================================================")
test_rebalance_run()

运行结果输出：

================ 股票池定期调仓集合追踪报告 ================
  rebalance_date  pool_size  incoming_count  outgoing_count  retained_count
0     2023-01-05          4               4               0               0
1     2023-01-16          4               2               2               2
2     2023-01-27          4               1               1               3
------------------------------------------------------------
[2023-01-05] 新调入买入候选: ['600000', '600001', '600002', '600003'] | 调出强平清仓: []
[2023-01-16] 新调入买入候选: ['600004', '600005'] | 调出强平清仓: ['600001', '600003']
[2023-01-27] 新调入买入候选: ['600006'] | 调出强平清仓: ['600002']
============================================================

本章小结

1. 确立 7 日调仓纪律：兼顾价值因子的动态有效性与交易摩擦成本的最优控制。
2. 掌握三元集合状态机：新调入标的纳入监控、被调出标的强制离场、留存标的继续持有并由均线择时护航。
3. 完成选股层与执行层的解耦：股票池提供候选资产集，择时模块负责买卖触发，回测引擎负责订单撮合。

📋 行动清单 (Action Checklist)

• 运行本讲调仓追踪代码，观察多期交集与差集的运算结果；
• 验证调出标的清仓逻辑：确保持仓股一旦跌出前 100 名能在调仓日被准确卖出；
• 预习下一讲，将 10 日均线择时信号接入股票池，开始搭建完整的回测撮合引擎。

—— 小象教研组