如何在 JoinQuant 聚宽平台获取成长因子与价值因子数据并进行回测？

成长因子和价值因子的变量

成长因子包含了三个参考变量：
主营业务收入增长率
净利润增长率
内部增长率

价值因子包含了四个参考变量：
股息收益率（D/P）
每股净资产与价格比率（B/P）
每股净现金流与价格比率（CF/P）
每股收益与价格比率（E/P）

成长因子和价值因子的变量具体数值还没找到，谁有回测过的？

在 JoinQuant (聚宽) 平台上，您提到的成长因子和价值因子都可以通过平台内置的财务数据 API (get_fundamentals) 或 因子库 API (get_factor_values) 直接获取。下面为您详细梳理这些变量在聚宽中的对应字段，并提供一个结合成长与价值因子的回测策略示例。

一、 变量在 JoinQuant 中的对应字段

1. 成长因子 (Growth Factors)

可以通过聚宽因子库 (jqfactor) 直接获取：

• 主营业务收入增长率：对应因子库中的 operating_revenue_growth_rate (营业收入增长率)。
• 净利润增长率：对应因子库中的 net_profit_growth_rate (净利润增长率)。
• 内部增长率：聚宽基础因子中没有直接叫“内部增长率”的字段，但可以通过 ROE * 留存收益率 计算，或者使用相近的 total_asset_growth_rate (总资产增长率) 或 np_parent_company_owners_growth_rate (归属母公司股东的净利润增长率) 替代。

2. 价值因子 (Value Factors)

价值因子通常是估值指标的倒数，可以通过因子库或财务估值表 (valuation) 获取：

• 股息收益率 (D/P)：对应因子库中的 divyild (分红因子) 或财务数据中的股息率。
• 每股净资产与价格比率 (B/P)：对应因子库中的 book_to_price_ratio (账面市值比)，或者使用 1 / valuation.pb_ratio (市净率的倒数)。
• 每股净现金流与价格比率 (CF/P)：对应因子库中的 cash_flow_to_price_ratio (现金流市值比)，或者使用 1 / valuation.pcf_ratio (市现率的倒数)。
• 每股收益与价格比率 (E/P)：对应因子库中的 earnings_yield (盈利预期因子)，或者使用 1 / valuation.pe_ratio (市盈率的倒数)。

---

二、 如何获取这些因子的具体数值？

您可以在聚宽的研究环境中使用 get_factor_values 快速拉取这些数值进行分析：

from jqfactor import get_factor_values
from jqdata import get_index_stocks

# 获取沪深300成分股
stocks = get_index_stocks('000300.XSHG')

# 定义需要获取的因子列表
factor_list = [
    'operating_revenue_growth_rate', # 营收增长率
    'net_profit_growth_rate',        # 净利润增长率
    'book_to_price_ratio',           # B/P
    'earnings_yield'                 # E/P
]

# 获取 2023-01-01 的因子数据
factor_data = get_factor_values(securities=stocks, factors=factor_list, end_date='2023-01-01', count=1)

# 查看 B/P 因子数值
print(factor_data['book_to_price_ratio'])

---

三、 成长+价值双因子选股回测示例

下面是一个简单的回测策略框架：每月初调仓，选取沪深300中，市盈率大于0且E/P最高（低估值），同时净利润增长率最高（高成长）的前10只股票进行等权重买入。

# 导入聚宽函数库
import jqdata
from jqfactor import get_factor_values
import pandas as pd

def initialize(context):
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    
    # 设置交易手续费
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 每月第一个交易日运行调仓函数
    run_monthly(trade, monthday=1, time='09:30')

def trade(context):
    # 1. 获取沪深300成分股作为股票池
    stocks = get_index_stocks('000300.XSHG', date=context.current_dt)
    
    # 2. 获取前一交易日的因子数据
    # earnings_yield (E/P), net_profit_growth_rate (净利润增长率)
    factors = ['earnings_yield', 'net_profit_growth_rate']
    factor_data = get_factor_values(securities=stocks, factors=factors, end_date=context.previous_date, count=1)
    
    # 3. 数据处理与打分
    # 提取截面数据并转置为 DataFrame
    df_ep = factor_data['earnings_yield'].iloc[0]
    df_growth = factor_data['net_profit_growth_rate'].iloc[0]
    
    df = pd.DataFrame({'EP': df_ep, 'Growth': df_growth})
    
    # 剔除缺失值和 E/P < 0 (亏损) 的股票
    df = df.dropna()
    df = df[df['EP'] > 0]
    
    # 对因子进行排序打分 (数值越大，排名越靠前，得分越高)
    df['EP_Rank'] = df['EP'].rank(ascending=True)
    df['Growth_Rank'] = df['Growth'].rank(ascending=True)
    
    # 计算总分 (等权相加)
    df['Total_Score'] = df['EP_Rank'] + df['Growth_Rank']
    
    # 按总分降序排列，选取前 10 只股票
    target_list = df.sort_values(by='Total_Score', ascending=False).head(10).index.tolist()
    
    # 4. 执行调仓
    # 卖出不在目标列表中的持仓
    for security in list(context.portfolio.positions.keys()):
        if security not in target_list:
            order_target(security, 0)
            
    # 等权重买入目标股票
    if len(target_list) > 0:
        weight = 1.0 / len(target_list)
        target_value = context.portfolio.total_value * weight
        for security in target_list:
            order_target_value(security, target_value)

总结建议

1. 因子正交化与去极值：在实际的量化回测中，直接使用原始因子值可能会受到极端值的影响。建议使用聚宽提供的 winsorize (去极值) 和 standardlize (标准化) 函数对截面数据进行预处理。
2. 财务数据滞后性：使用 get_factor_values 获取的财务衍生因子已经处理了财报披露的滞后性（即避免了未来函数），您可以放心在回测中使用。