[神奇公式] 如何在 Ricequant 上实现策略（ Python） - 1 从别人的经验和思路中实现

[thinkingmind]

原帖、更多讨论及代码： https://www.ricequant.com/community/topic/815

我们提供了较为丰富的入门教学材料和视频，可能您还是会有疑问如何开始呢？我们就从一个简单的例子开始来看看吧，是非常流行的神奇公式

我最开始是在网上浏览看到这个公式的，那么其作者是格林布拉特：

乔尔•格林布拉特简介 Gotham 资本公司的创始人和合伙经理人，自 1985 年这一私人投资公司成立以来，它的年均回报率达到了 40%。他不仅是哥伦比亚大学商学院的客座教授，一家《财富》 500 强公司的前董事长，价值投资者俱乐部网站（ ValueInvestorsClub.com ）的合作发起人，还是《你能成为股市天才》一书的作者。格林布拉特拥有理学学士学位，并从沃顿学院获得工商管理硕士学位。

[《证券市场周刊》记者王存迎] 乔尔·格林布拉特的投资理念是要找到物美价廉的公司，特别是在市场出现特殊情况的背景下低价买入好业务。 　　 “便宜价格买好业务是神奇公式的核心理念。神奇公式能够帮助不懂估值的投资人战胜大盘，而对于精通估值的投资人，神奇公式则能给他们提供一个起点，他们的估值能力还能给神奇公式加分。”他如此评价他自己发明的神奇公式，认为神奇公式是戈坦资本投资流程的简化版。 　　 在《股市稳赢》一书中，格林布拉特详细介绍了神奇公式的应用方法。其具体操作流程可以简化成两部分：一是寻找好的业务；二是寻找便宜的股票。好的业务是指有形资本回报率高的公司；便宜的股票则是指息税前盈余 /企业价值（ EBIT/ EV ）高的股票。

利用神奇公式，在美国的历史回溯检验数据显示， 1988 年至 2004 年这 17 年间，该策略的年复合回报率为 30.8%，而同期标准普尔 500 指数的年复合回报率仅为 12.4%。

接着我们开始找这个公式的真正原版是什么吧！经过一系列的 google 之后我还是比较相信 wikipedia ： https://en.wikipedia.org/wiki/Magic_formula_investing

Methodology[edit]

Greenblatt suggests purchasing 30 "good companies": cheap stocks with a high earnings yield and a high return on capital. He touts the success of his magic formula in his book 'The Little Book that Beats the Market ', Joel Greenblatt ISBN 0-471-73306-7, citing that it does in fact beat the S&P 500 96% of the time, and has averaged a 17-year annual return of 30.8%[1]

Formula[edit]

• Establish a minimum market capitalization (usually greater than $50 million).
• Exclude utility and financial stocks.
• Exclude foreign companies (American Depositary Receipts).
• Determine company's earnings yield = EBIT / enterprise value.
• Determine company's return on capital = EBIT / (net fixed assets + working capital).
• Rank all companies above chosen market capitalization by highest earnings yield and highest return on capital (ranked as percentages).
• Invest in 20 – 30 highest ranked companies, accumulating 2 – 3 positions per month over a 12-month period.
• Re-balance portfolio once per year, selling losers one week before the year-mark and winners one week after the year mark.
• Continue over a long-term (5 – 10+ year) period.

翻译一下就是：

1. 排除掉公共事业和金融板块的股票。（为什么呢？这个可能需要从作者的那本书名很俗的书中寻找）
2. 排除掉境外的公司（ A 股基本没有）
3. 选取公司的息税前盈余 /企业价值高的 = EBIT / Enterprise Value 《---- 便宜的股票是指税前盈余 /企业价值（ EBIT/EV ）高的股票。
4. 选取公司的有形资本回报率（ return on capital ）= EBIT / (Net Fixed Assets + Working Capital) <--- 好的业务是指有形资本回报率高的公司
5. 从所有市面上的股票中选取 3 和 4 最高的公司的股票
6. 投资 20-30 个排名最高的股票，然后每个月持续加入 2-3 个持仓直到超过 12 个月
7. 每年进行重新调整投资组合，年前剔除掉当年投资比较失败的，年后剔除掉当年投资比较成功的
8. 长期继续以上的操作（ 5-10 年+）

在整个公式分析中如何一步一步在 Ricequant 上实现呢？我们先从比较简单的版本做起，剔除掉 6-8 的复杂操作，假设每个月调仓投资 20-30 个符合 3-4 点的股票。

咱们来一个一个拆开分析，符合计算机的divide and conquer - 各个击破的思想吧！

1. 排除掉公共事业和金融板块的股票。

这个需要使用 Ricequant 提供的板块功能： https://www.ricequant.com/api/python/chn#other-methods-sector

context.utlility_and_fin_stocks = sector('utilities') + sector('financials')
logger.info(context.utlility_and_fin_stocks)

我们使用sector拿到utilities和financials两个板块的股票，然后返回的是两个array相加得到一个包含两个板块的 array ，我也会习惯打印一句logger.info(xx)来把我们拿到的这俩板块的股票列表显示出来。

---

2. 选取公司的息税前盈余 /企业价值高的 = EBIT / Enterprise Value 《---- 便宜的股票是指税前盈余 /企业价值（ EBIT/EV ）高的股票。

比较赞的是 Ricequant 提供的财务数据表格查询是非常齐全和清洗的，也包含了专业的英文命名： https://www.ricequant.com/fundamentals

我们需要首先寻找到 EBIT 和 Enterprise value （ EV ）在 Ricequant 的命名：

比较有意思的是我们直接找到了 EV/EBIT ，但是我们需要寻找的是 EBIT/EV 的最高的几名，因此从EV/EBIT这个指标我们只需要的排序是从低到高的前几名即可，那么转化为查询代码（对查询财务数据不熟悉，可以看我们的财务数据教程和视频）：

我们首先要提前考虑的是我们需要查询两个指标：EBIT/EV和资本回报率（ return on capital ）, 分别会拿到两组的公司列表，然后找两个列表中的共同股票就是最后的所得，由于财务数据的查询量会比较大，我们做一个 200 的查询限制，先查EV/EBIT的从低到高的排序：

context.limit = 200
ebit_div_ev_df = get_fundamentals(
        query(
            fundamentals.eod_derivative_indicator.ev_to_ebit
        ).order_by(
            fundamentals.eod_derivative_indicator.ev_to_ebit.asc()
        ).limit(
            context.limit
        )
    )

PS:

1. 这里有个命名的建议是，所有的dataframe数据类型我都建议您使用_df作为结尾，这样看到这个变量名，您就可以知道他是dataframe的数据类型了。
2. fundamentals.eod_derivative_indicator.ev_to_ebit 就是我们在财务数据字典中查到的指标名。
3. order_by(fundamentals.eod_derivative_indicator.ev_to_ebit.asc())是对该指标进行一个从小到大的排序，然后选取前context.limit个 - 即前 200 个

---

3. 接着我们开始查询资本回报率（ return on capital ），幸运的是我们强大的财务数据字典依然有：

那么我们开始构建资本回报率的财务数据查询:

return_on_cap_df = get_fundamentals(
        query(
            fundamentals.financial_indicator.return_on_invested_capital
        ).order_by(
            fundamentals.financial_indicator.return_on_invested_capital.desc()
        ).limit(
            context.limit
        )
    )

那么此时我们拿到了两个dataframe分别是ebit_div_ev_df和return_on_cap_df，但是我们要拿的是在这两个df中都存在的股票，因此做以下的代码操作：

df_stocks = [stock for stock in ebit_div_ev_df if stock in return_on_cap_df]

但是我们仍旧需要去除掉属于公共事业和金融板块的股票代码：

for stock in df_stocks:
    if stock in context.utlility_and_fin_stocks:
        df_stocks.remove(stock)

我们只需要前 30 个即可：

context.total_amount = 30
context.stocks = df_stocks[0:context.total_amount]
logger.info("选择好的神奇公式股票列表为：" + str(context.stocks))

那么context.stocks就是最终我们需要的符合神奇公式的股票列表啦！

原帖、更多讨论及代码： https://www.ricequant.com/community/topic/815

[0x5010]

很有想法.

[nilom]

先学习再收藏

[l6751902]

最近怎么有种量化开始向“一般人”扩展的趋势？韭菜少了，机构开始想从码农这头扩展羊群么？

[thinkingmind]

@l6751902 很多量化交易者出生就是码农，尤其是高频交易一块，当然在国内高频做不动了。