《量化交易入门》第 7 章：因子选股——用排名代替押注
上一章我们造出了因子这把”尺子”，但光量出数字还不能赚钱。这一章把尺子组装成一台真正的选股机器：不预测、不押宝、不听消息，只做一件事——给一篮子股票打分、排序、买排名靠前的。这就是量化最经典的玩法：用排名代替押注。
7.1 为什么是”排名”而不是”预测”
普通人选股的思路是预测式的：我觉得这只股会涨，所以买它。问题是，预测对不对，要等未来才知道，而且你全部的判断都压在一两个”我觉得”上。
量化换了个思路：我不猜谁会涨，我只问”谁现在的特征最好”。
这个转换很关键。因子选股的逻辑链条是：
- 相信一个规律，比如”近期强势的股票，短期更容易继续强”（动量）；
- 用因子给所有候选股票各打一个分；
- 按分数从高到低排名；
- 只买前 N 名，每只分配同样多的钱。
它不保证第一名一定涨，但它保证你系统性地持有”当前最符合规律”的那一篮子，把单次预测的运气成分，摊薄到很多只股票上。错一两只没关系，靠的是整体概率。
7.2 单因子选股：动量排名
下面用第 6 章的动量因子，给 6 只模拟股票打分、排名、选前 3 名等权买入。
# 代码 -> (20日前价格, 今天价格, 日波动率%) 均为模拟数据stocks = { "A": (10.0, 12.1, 1.5), "B": (20.0, 19.0, 2.8), "C": (5.0, 5.9, 1.1), "D": (8.0, 8.4, 3.5), "E": (15.0, 17.4, 1.8), "F": (30.0, 30.6, 0.9),}
def momentum(p_old, p_now): return p_now / p_old - 1
# 1) 打分scored = []for code, (p_old, p_now, vol) in stocks.items(): scored.append((code, momentum(p_old, p_now), vol))
# 2) 按动量从高到低排名scored.sort(key=lambda x: x[1], reverse=True)print("动量排名：")for rank, (code, mom, vol) in enumerate(scored, 1): print(f" 第{rank}名 {code} 动量 {mom*100:+.1f}% 波动 {vol}%")
# 3) 选前 3 名，等权配置（10 万资金）top3 = scored[:3]cash = 100000weight = 1 / len(top3)print("\n选股结果（等权配置）：")for code, mom, vol in top3: print(f" {code} 分配资金 {cash*weight:.0f} 元（权重 {weight*100:.0f}%）")输出：
动量排名： 第1名 A 动量 +21.0% 波动 1.5% 第2名 C 动量 +18.0% 波动 1.1% 第3名 E 动量 +16.0% 波动 1.8% 第4名 D 动量 +5.0% 波动 3.5% 第5名 F 动量 +2.0% 波动 0.9% 第6名 B 动量 -5.0% 波动 2.8%
选股结果（等权配置）： A 分配资金 33333 元（权重 33%） C 分配资金 33333 元（权重 33%） E 分配资金 33333 元（权重 33%）这里有三个动作值得记住：打分、排序、等权。其中”等权”是新手最容易忽略的——既然模型只告诉你谁排前面、没告诉你谁更该重仓，那就一视同仁，每只买一样多。这避免了把赌注又偷偷押回首富的那一只。
7.3 多因子选股：让几把尺子一起投票
只用动量有个问题：你可能买到一只涨得猛、但抖得也凶的股票（比如 D，动量为正，波动却高达 3.5%）。更稳妥的做法是让多个因子一起投票：既要强势，又别太颠簸。
但动量是百分比（十几、二十几），波动也是百分比（一、二），量纲接近只是巧合；真实世界里因子的单位千差万别，不能直接相加。要先做一步标准化，把每个因子变成”它比平均水平好几个标准差”，这个数叫 z 分数。
import math
data = { "A": (21.0, 1.5), "B": (-5.0, 2.8), "C": (18.0, 1.1), "D": (5.0, 3.5), "E": (16.0, 1.8), "F": (2.0, 0.9),}codes = list(data.keys())mom = {c: data[c][0] for c in codes}vol = {c: data[c][1] for c in codes}
def zscore(values): vals = list(values.values()) mean = sum(vals) / len(vals) std = math.sqrt(sum((v-mean)**2 for v in vals)/len(vals)) return {k: (v-mean)/std for k, v in values.items()}
z_mom = zscore(mom) # 动量越高越好z_vol = zscore(vol) # 波动越低越好，用时取负
# 综合分 = 0.6*动量 + 0.4*低波动total = {c: 0.6*z_mom[c] - 0.4*z_vol[c] for c in codes}ranking = sorted(codes, key=lambda c: total[c], reverse=True)print("多因子综合排名（动量60% + 低波动40%）：")for i, c in enumerate(ranking, 1): print(f" 第{i}名 {c} 综合分 {total[c]:+.2f}")输出：
多因子综合排名（动量60% + 低波动40%）： 第1名 A 综合分 +0.92 第2名 C 综合分 +0.90 第3名 E 综合分 +0.47 第4名 F 综合分 -0.03 第5名 D 综合分 -0.96 第6名 B 综合分 -1.30注意第 4、5 名发生了互换：单看动量，D（+5%）排在 F（+2%）前面；可一旦把”低波动”也纳入投票，F 因为最稳（0.9%）升到第 4，D 因为最颠簸（3.5%）跌到第 5。这就是多因子的意义：不让某一个维度独断专行。
公式里的 0.6 和 0.4 是权重，代表你更看重谁。权重怎么定？和所有参数一样，不能拍脑袋，要靠第 5 章的回测去比较——这也再次说明，因子、选股、回测是咬在一起的一环。
7.5 买完不是一劳永逸：要定期调仓
排名是会变的。今天动量最强的 A，一个月后可能已经涨不动、掉出榜单，而新的股票会挤进来。所以因子选股不是买一次就躺着，而是定一个调仓周期——比如每月一次——到了日子就重新打分、重新排名，把跌出前 N 名的卖掉、把新上榜的买入，让持仓始终对准”当前最好的那一篮子”。
调仓频率有讲究，这是一个权衡：
- 调得太勤（比如每天）：排名紧跟市场，但每次买卖都要付手续费、滑点，交易成本会吃掉利润（第 9 章细算），而且容易被短期噪声牵着跑。
- 调得太疏（比如一年）：成本低、省心，但你手里的组合可能早和最新排名对不上了，策略名存实亡。
月度、季度是实践中常见的折中。具体选多长，没有标准答案，依然要靠回测在”跟得紧”和”花得少”之间找到划算的那个点。记住这个反复出现的主题：量化里凡是旋钮，都交给回测定，而不是交给感觉。
7.6 这套方法的两个”生死线”
理解了机制，还要知道它什么时候会失灵：
- 因子背后的规律必须还成立。 因子选股赚的是”规律延续”的钱。动量策略在趋势行情里好用，一旦市场转入长期横盘或急速反转，“追强势”就会反复买在山顶。所以因子要持续检验（第 6 章提醒过）。
- 排名是相对的，不是绝对的。 它只保证你买到”最好的那一篮子”，但如果整个市场都在跌，最好的那一篮子也会跌，只是可能跌得少一点。选股解决的是”买谁”，解决不了”该不该满仓”——后者是下一部分风险管理的内容。
7.7 这一章你该记住的
- 因子选股 = 用”打分、排名、买前 N 名”代替”预测、押注单只”
- 三个标准动作：打分、排序、等权配置
- 多因子先做 z 分数标准化再加权，方向相反的因子记得取负号
- 权重靠回测确定；因子失灵时排名策略照样亏，它不解决仓位问题
选股机器有了，可这台机器什么时候该重仓、什么时候该轻仓、什么时候该干脆停下来？下一章进入全新的部分——风险管理：仓位、止损与爆仓的数学，我们算给你看，为什么”活下来”比”赚得多”更重要。
📚 《量化交易入门》系列：零基础小白向量化交易，每章一个主题 + 可运行 Python 示例。第 7 章已读，下一章《风险管理：仓位、止损与爆仓的数学》明天见。