股票池策略的原理及基本框架

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

股票池（Stock Pool）是量化多因子选股体系的底层基石。从全市场数千只标的中通过流动性初筛、基本面健康度过滤以及行业中性化分组，提炼出高胜率的初选候选池，是确保策略高容量与低非系统性风险的前提。

💡 核心导读

• 股票池量化构建的三层过滤漏斗：
  • 第一层：流动性与可交易性硬过滤（Liquidity Filter）：剔除上市未满一年次新股、ST/退市风险股、日均成交额后 10% 的低流动性僵尸股；
  • 第二层：基本面与财务安全边界（Fundamental Gate）：剔除资不抵债（资产负债率 > 85%）、连续亏损、财报审计非标标的；
  • 第三层：多因子综合打分与截面分位数排序（Cross-Sectional Ranking）：结合估值（EP）、成长（SUE）与质量（ROE）综合选出 Top 50 标的。

┌─────────────────────────────────────────────────────────────┐
│                    量化股票池分层过滤漏斗拓扑图             │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ 全市场标的池 (~5000只)  │   │ 流动性与风险剔除池      │   │ 最终入选股票池 (Top 50) │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • A股全量可交易股票     │   │ • 剔除 ST/停牌/次新股   │   │ • 多因子综合评分前 10%  │
│ • 涵盖主板/创业板/科创板│   │ • 剔除流动性末尾 10%    │   │ • 行业中性化权重分配    │
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、股票池分层过滤漏斗的数学定义与向量化实现

假设全市场股票集合为 $\mathcal{U} = \{s_1, s_2, \dots, s_M\}$。股票池过滤函数 $F(s_i)$ 由多个布尔掩码向量逻辑交集构成：

$$\mathcal{S}_{pool} = \{ s_i \in \mathcal{U} \mid \text{IsNormal}(s_i) \land \text{Turnover}_{20}(s_i) > P_{10} \land \text{ROE}(s_i) > 0 \}$$

通过布尔矩阵运算，可以实现全市场横截面的亚秒级高速初筛。

import pandas as pd
import numpy as np

def build_universe_stock_pool(df_cross_section: pd.DataFrame) -> pd.DataFrame:
    """
    全市场股票池分层初筛逻辑（向量化实现）
    合成样例，历史回测存在前视偏差与幸存者偏差风险，不构成未来收益承诺。
    """
    df = df_cross_section.copy()
    
    # 1. 剔除风险警示股与次新股
    mask_normal = (~df['is_st']) & (df['list_days'] > 250) & (~df['is_suspended'])
    
    # 2. 剔除流动性后 10%
    turnover_p10 = df['turnover_20d_avg'].quantile(0.10)
    mask_liquidity = df['turnover_20d_avg'] > turnover_p10
    
    # 3. 财务基本面安全边界
    mask_fundamental = (df['roe_ttm'] > 0.0) & (df['debt_to_asset'] < 0.85)
    
    # 综合筛选
    df['is_in_pool'] = mask_normal & mask_liquidity & mask_fundamental
    return df[df['is_in_pool']].copy()

# 合成截面数据样例
rng = np.random.default_rng(42)
n = 100
df_cross_section = pd.DataFrame({
    'symbol': [f'stock_{i:03d}' for i in range(n)],
    'is_st': rng.choice([True, False], n, p=[0.05, 0.95]),
    'is_suspended': rng.choice([True, False], n, p=[0.02, 0.98]),
    'list_days': rng.integers(100, 1000, n),
    'turnover_20d_avg': rng.exponential(1.0, n),
    'roe_ttm': rng.normal(0.08, 0.10, n),
    'debt_to_asset': rng.uniform(0.2, 0.95, n)
})

# 执行股票池初筛
filtered_pool = build_universe_stock_pool(df_cross_section)
print("===== 全市场股票池分层初筛 =====")
print(f"原始标的数量: {len(df_cross_section)}")
print(f"初筛后数量  : {len(filtered_pool)}")
print(f"筛选比例    : {len(filtered_pool)/len(df_cross_section):.1%}")
print("筛选条件: 非ST/非次新/非停牌, 流动性前90%, ROE>0, 负债率<85%")

===== 全市场股票池分层初筛 =====
原始标的数量: 100
初筛后数量  : 50
筛选比例    : 50.0%
筛选条件: 非ST/非次新/非停牌, 流动性前90%, ROE>0, 负债率<85%

二、行业中性化与等权重股票池更新机制

为了防止股票池过度集中于单一周期性行业，通常需要按申万一级行业进行行业中性化配额分配。每月根据行业市值权重等比例选入各行业因子排名前 $K$ 名的股票。

$$w_{i} = \frac{W_{\text{Industry}(i)}}{K_{\text{Industry}(i)}}$$

import pandas as pd
import numpy as np

def select_industry_neutral_pool(df_pool: pd.DataFrame, top_k_per_ind: int = 3) -> pd.DataFrame:
    """
    行业中性化股票池生成器
    合成样例，行业分组与因子得分均为历史数据，存在过拟合风险。
    """
    # 按行业分组并按综合因子得分降序排列
    df_sorted = df_pool.sort_values(['industry', 'composite_score'], ascending=[True, False])
    selected = df_sorted.groupby('industry').head(top_k_per_ind)
    return selected

# 合成已初筛的股票池数据（包含行业与因子得分）
rng = np.random.default_rng(42)
n_pool = 50
df_pool = pd.DataFrame({
    'symbol': [f'stock_{i:03d}' for i in range(n_pool)],
    'industry': rng.choice(['Tech', 'Finance', 'Medical', 'Consumer'], n_pool),
    'composite_score': rng.normal(0, 1, n_pool)
})

# 执行行业中性化选股
neutral_pool = select_industry_neutral_pool(df_pool, top_k_per_ind=3)
print("===== 行业中性化股票池构建 =====")
print(f"输入股票池数量: {len(df_pool)}")
print(f"输出股票池数量: {len(neutral_pool)}")
print("行业分布:")
industry_counts = neutral_pool['industry'].value_counts().sort_index()
for industry, count in industry_counts.items():
    print(f"  {industry}: {count} 只")

===== 行业中性化股票池构建 =====
输入股票池数量: 50
输出股票池数量: 12
行业分布:
  Consumer: 3 只
  Finance: 3 只
  Medical: 3 只
  Tech: 3 只

📝 动手练一练

编写 Python 仿真测试，模拟全市场 100 只标的的股票池过滤与行业中性化提取，验证筛选完备性：

import pandas as pd
import numpy as np

def build_universe_stock_pool(df_cross_section: pd.DataFrame) -> pd.DataFrame:
    """
    全市场股票池分层初筛逻辑（向量化实现）
    合成样例，历史回测存在前视偏差与幸存者偏差风险，不构成未来收益承诺。
    """
    df = df_cross_section.copy()
    mask_normal = (~df['is_st']) & (df['list_days'] > 250) & (~df['is_suspended'])
    turnover_p10 = df['turnover_20d_avg'].quantile(0.10)
    mask_liquidity = df['turnover_20d_avg'] > turnover_p10
    mask_fundamental = (df['roe_ttm'] > 0.0) & (df['debt_to_asset'] < 0.85)
    df['is_in_pool'] = mask_normal & mask_liquidity & mask_fundamental
    return df[df['is_in_pool']].copy()

def select_industry_neutral_pool(df_pool: pd.DataFrame, top_k_per_ind: int = 3) -> pd.DataFrame:
    """
    行业中性化股票池生成器
    合成样例，行业分组与因子得分均为历史数据，存在过拟合风险。
    """
    df_sorted = df_pool.sort_values(['industry', 'composite_score'], ascending=[True, False])
    selected = df_sorted.groupby('industry').head(top_k_per_ind)
    return selected

# 合成全市场截面数据
rng = np.random.default_rng(42)
n = 100
df = pd.DataFrame({
    'symbol': [f'stock_{i:03d}' for i in range(n)],
    'is_st': rng.choice([True, False], n, p=[0.05, 0.95]),
    'is_suspended': rng.choice([True, False], n, p=[0.02, 0.98]),
    'list_days': rng.integers(100, 1000, n),
    'turnover_20d_avg': rng.exponential(1.0, n),
    'roe_ttm': rng.normal(0.08, 0.10, n),
    'debt_to_asset': rng.uniform(0.2, 0.95, n),
    'industry': rng.choice(['Tech', 'Finance', 'Medical', 'Consumer'], n),
    'composite_score': rng.normal(0, 1, n)
})

# 执行完整股票池策略流程
filtered_df = build_universe_stock_pool(df)
neutral_pool = select_industry_neutral_pool(filtered_df, top_k_per_ind=3)

print("================ 股票池策略构建与检验 ================")
print(f"全市场原始标的数: {len(df)} 只")
print(f"初筛合格标的数  : {len(filtered_df)} 只")
print(f"行业中性最终入选: {len(neutral_pool)} 只")
assert len(neutral_pool) > 0, "股票池筛选结果为空！"
print("✅ 股票池基本框架验证 PASS")
print("====================================================")

运行结果输出：

================ 股票池策略构建与检验 ================
全市场原始标的数: 100 只
初筛合格标的数  : 50 只
行业中性最终入选: 12 只
✅ 股票池基本框架验证 PASS
====================================================

本章小结

1. 坚持分层递进过滤：通过流动性、交易制度与财务健康三道防线，有效规避黑天鹅踩雷风险。
2. 注重行业中性化配置：避免股票池单一行业敞口过载，确保 Alpha 收益来源于个股特异性收益而非行业 Beta。
3. 定期动态重平衡机制：结合财报披露与流动性变化，执行月度/季度的股票池动态调仓更新。

📋 行动清单 (Action Checklist)

• 运行股票池筛选测试代码，验证不同行业配额参数对最终入选标的分布的影响；
• 为股票池增加 ESG（环境、社会与治理）或商誉减值负面清单过滤项；
• 预习下一节，掌握基于多因子分析的打分与权重优化算法。

—— 小象教研组