JoinQuant 因子投资：如何基于盈利预期因子构建选股策略？

利用分析师盈利预测数据（Analyst Estimates）进行选股，通常是基于“一致预期”因子。在聚宽（JoinQuant）平台中，这些数据已经被封装在 jqfactor 因子库的 成长因子（Growth） 和 盈利预期因子（Earnings Yield） 类别中。

最常用的因子是 short_term_predicted_earnings_growth（预期短期盈利增长率），它代表了分析师对未来一年净利润的一致预期增长率。

策略思路

1. 股票池：沪深300指数成分股（流动性好，分析师覆盖率高）。
2. 调仓频率：按月调仓（分析师研报通常随财报季或重大事件更新，日频调仓意义不大）。
3. 选股逻辑：
   • 过滤掉 ST 股、停牌股、涨跌停股。
   • 获取 short_term_predicted_earnings_growth（预期短期盈利增长率）因子值。
   • 获取 predicted_earnings_to_price_ratio（预期市盈率倒数/预期盈利收益率）因子值，用于估值保护。
   • 核心逻辑：选取 预期增长率最高 的前 50 只股票，再从中选取 预期估值最低（即预期盈利收益率最高） 的 10 只股票买入。这是一种“高增长+合理估值”的策略（GARP）。
4. 交易方式：等权重买入。

策略代码实现

# -*- coding: utf-8 -*-
from jqdata import *
from jqfactor import get_factor_values

def initialize(context):
    # 1. 设置策略基准：沪深300
    set_benchmark('000300.XSHG')
    
    # 2. 开启真实价格模式（动态复权）
    set_option('use_real_price', True)
    
    # 3. 设置手续费：买入万三，卖出万三加千一印花税
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 4. 设置滑点
    set_slippage(PriceRelatedSlippage(0.002), type='stock')
    
    # 5. 设置全局变量
    g.stock_num = 10  # 持仓数量
    
    # 6. 设置定时运行：每月第一个交易日开盘进行调仓
    run_monthly(rebalance, 1, time='09:30')

def rebalance(context):
    """
    调仓主函数
    """
    # 获取当前日期
    date = context.previous_date
    
    # 1. 获取初始股票池：沪深300
    initial_stocks = get_index_stocks('000300.XSHG', date)
    
    # 2. 过滤掉 ST、停牌、退市股票
    check_out_list = filter_paused_and_st_stocks(initial_stocks, date)
    
    # 3. 获取分析师预测因子数据
    # short_term_predicted_earnings_growth: 预期短期盈利增长率 (越高越好)
    # predicted_earnings_to_price_ratio: 预期盈利市值比 (即预期PE的倒数，越高代表估值越低)
    factor_list = ['short_term_predicted_earnings_growth', 'predicted_earnings_to_price_ratio']
    
    factor_data = get_factor_values(
        securities=check_out_list, 
        factors=factor_list, 
        end_date=date, 
        count=1
    )
    
    # 提取因子值 DataFrame
    growth_series = factor_data['short_term_predicted_earnings_growth'].iloc[0]
    val_series = factor_data['predicted_earnings_to_price_ratio'].iloc[0]
    
    # 合并数据并去除空值（分析师未覆盖的股票会被剔除）
    df = pd.DataFrame({'growth': growth_series, 'val': val_series}).dropna()
    
    # 4. 选股逻辑
    # 第一步：按预期增长率降序排列，取前 50 名 (高增长池)
    top_growth_stocks = df.sort_values(by='growth', ascending=False).head(50).index.tolist()
    
    # 第二步：在增长率高的股票中，按预期盈利收益率降序排列（估值越低越好），取前 g.stock_num 只
    # 注意：这里是在 top_growth_stocks 范围内再次筛选
    final_df = df.loc[top_growth_stocks].sort_values(by='val', ascending=False).head(g.stock_num)
    target_list = final_df.index.tolist()
    
    # 5. 执行交易
    trade(context, target_list)

def trade(context, target_list):
    """
    交易执行函数
    """
    # 获取当前持仓
    current_holdings = list(context.portfolio.positions.keys())
    
    # 卖出不在目标列表中的股票
    for stock in current_holdings:
        if stock not in target_list:
            order_target_value(stock, 0)
            log.info(f"卖出 {stock}")
    
    # 买入目标列表中的股票
    if len(target_list) > 0:
        # 等权重分配资金
        value_per_stock = context.portfolio.total_value / len(target_list)
        for stock in target_list:
            order_target_value(stock, value_per_stock)
            log.info(f"买入/调仓 {stock}")

def filter_paused_and_st_stocks(stock_list, date):
    """
    过滤停牌、ST、涨跌停股票
    """
    current_data = get_current_data()
    return [stock for stock in stock_list 
            if not current_data[stock].paused 
            and not current_data[stock].is_st 
            and 'ST' not in current_data[stock].name 
            and '*' not in current_data[stock].name]

关键点解析

1. 数据获取 (get_factor_values):

   • 我们使用了 jqfactor 库，这是获取分析师数据的最便捷方式。
   • short_term_predicted_earnings_growth: 这个因子聚合了分析师对未来一年净利润的一致预期。如果数值高，说明市场普遍看好其短期爆发力。
   • predicted_earnings_to_price_ratio: 这是预期市盈率（Forward PE）的倒数。使用倒数是因为在排序时，数值越大代表估值越便宜（性价比越高），便于处理。

2. 双重筛选逻辑 (GARP 策略):

   • 单纯追求高增长可能会买入估值过高的股票（透支未来）。
   • 单纯追求低估值可能会买入“价值陷阱”（基本面恶化）。
   • 本策略先选“高预期增长”，再选“相对低估值”，试图在成长与安全边际之间寻找平衡。

3. 缺失值处理 (dropna):

   • 分析师预测数据并不是覆盖所有股票的。对于没有分析师覆盖的股票，因子值会返回 NaN。代码中使用了 .dropna() 自动剔除这些股票，这本身也是一种质量筛选（通常只有受关注的优质股才有分析师覆盖）。

常见问题 Q&A

Q: 为什么使用 short_term 而不是 long_term 预测因子？
A: A股市场波动较大，分析师对未来1年的预测（Short Term）通常比未来3-5年（Long Term）的预测准确度相对更高，且股价对短期业绩预期的变化反应更敏感。

Q: 这个策略适合小盘股吗？
A: 不太适合。小盘股的分析师覆盖率较低，研报更新不及时，导致“一致预期”数据的滞后性严重。建议在沪深300或中证500等指数成分股中使用。

Q: 如何查看还有哪些分析师因子可用？
A: 可以使用 get_all_factors() 函数查看聚宽因子库。在 growth（成长）和 style（风格）分类下，你可以找到更多如 long_term_predicted_earnings_growth 或 earnings_yield 等相关因子。