年化38%!我用Python+xtquant复现了一个高股息小市值轮动策略(附源码)

一个在聚宽社区被验证过的策略，我把它搬到了Python+xtquant，代码今天开源！

大家好，我是easyquant实战。

眼下正值两会前夕，历史数据显示，两会前后A股市场大多表现积极——上证指数在两会前后20个交易日的平均涨幅分别为2.6%和3.6%。更重要的是，风格上，小盘优于大盘，成长优于价值（数据来源：同花顺，2000年以来统计）。

而今天分享的策略，正是聚焦小市值轮动，叠加高股息保护，或许能在这个小盘成长占优的时间窗口捕捉更多机会。当然，历史规律不等于未来收益，我们仍需敬畏市场，用系统约束人性。

📊 先看历史表现（回测数据，2017年至今）

来源：聚宽社区 wywy1995 回测https://www.joinquant.com/view/community/detail/5bf34a132919716ea77eb2e7daa4ba21

• 年化收益率：38%

• 收益归因：25%来自小盘轮动，3%来自涨停操作，10%来自高股息+低杠杆

• 最大回撤：主要源于小市值风格的系统性风险，但叠加高股息后防守性有所增强

⚠️ 重要提示：回测表现不代表未来收益，小市值策略本身波动巨大（原策略在2024年1月曾大幅回撤），实盘前请务必做好风控准备，用闲置资金、分散投资、严格止损。

🧠 核心选股逻辑（四步筛选）

这个策略的筛选逻辑非常清晰，像漏斗一样层层过滤：

1️⃣ 高股息率全市场选最近一年股息率最高的25%股票。为什么用最近一年？作者回测发现，任何改良（如三年均值、增长）都不如简单用最近一年股息率有效。股息率因子IC长期为正，说明它确实有效。

2️⃣ 剔除不活跃股在股息率池子里，剔除换手率/波动率最低的20%。这些股票交易冷清，买了也难有超额收益。

3️⃣ 低杠杆计算市场杠杆（MLEV）= 非流动负债 /（非流动负债 + 总市值），选最小的50%。低杠杆公司债务压力小，未来更可能维持高分红，逻辑上说得通。

4️⃣ 小市值轮动最后用流通市值排序，选最小的10只，每周调仓。每天监控：昨天涨停的股票，今天如果下午2:55还没封板，就提前卖出，锁定利润。

💻 Python+xtquant 代码实现（核心片段）

代码基于 Python 3.7+ 和 xtquant（迅投MiniQMT的Python接口）。我用 同花顺i问财 实时获取因子数据，用 talib 计算ATR，用 xtquant 下单交易。

🔍 选股模块（_choose_stock）

def _choose_stock(self, tick_data):    # 用pywencai从i问财拉取数据    df = pywencai.get(        query="沪深A股，非ST，股息率，年换手率，年波动率，非流动负债，总市值，流通市值",        loop=True, pro=True, cookie=self.iwencai_cookie, no_detail=True    )    # 股息率前25%    df = df[df['股息率'] >= df['股息率'].quantile(0.75)]    # 换手率/波动率 最大的80%（剔除最小的20%）    df = df[df['年换手率']/df['年波动率'] >= (df['年换手率']/df['年波动率']).quantile(0.2)]    # 计算杠杆，取最小的50%    df['杠杆'] = df['非流动负债']/(df['非流动负债']+df['总市值'])    df = df[df['杠杆'] <= 0.5]    df = df[df['杠杆'] <= df['杠杆'].quantile(0.5)]    # 取流通市值最小的20只，再取前10    df = df.nsmallest(20, '流通市值')    final_stocks = df['股票代码'].tolist()[:10]    return final_stocks

📈 买卖条件（带ATR风控）

• 买入 B1（首次建仓）✅ 无持仓✅ 现价不高于昨收×（1+滑点）✅ 站上10日均线✅ 预估全天成交量 > 10日均量（用当前量/时间比例估算）

• 买入 B2（加仓）✅ 已有部分持仓✅ 盘中跌破止损位后又收回（类似网格加仓）

• 卖出 S1（部分止盈）✅ 首次仓位还在✅ 最高价触发了“开仓价/昨收 + ATR×倍数”后回落✅ 卖掉一半（50%）

• 卖出 S2（清仓）✅ 股票不在选股池了✅ 或昨日涨停，今日未封板且临近收盘✅ 或持仓不足100股

📊 ATR指标计算

def _get_stock_atr_value(self, stockcode, period=14):    # 获取日线数据    kline_data = xtdata.get_market_data(..., period='1d')    # 转成DataFrame    close = ...    high = ...    low = ...    atr = talib.ATR(high, low, close, timeperiod=period)    return atr.iloc[-1]

止盈位 = max(开仓价, 昨收) + ATR * turnover_multi（默认倍数1.0）

⚠️ 实盘必须注意的5个风险点

1️⃣ i问财cookie会过期代码里用了 pywencai，需要手动登录同花顺后抓取cookie，填入 Config.IWENCAI_COOKIE。（如果想摆脱cookie依赖，可以考虑用QMT本地财务数据替代，代码留了接口，但需要自己适配）

2️⃣ 运行环境要求本策略是纯Python脚本，直接在外部Python环境中运行，不需要打开QMT客户端界面。但需要满足两个条件：

• 安装 xtquant 库（迅投MiniQMT的Python接口，可从券商获取或从QMT安装目录复制）

• 账户已开通 MiniQMT交易权限（部分券商称为“迅投极速交易终端”或“xtquant直连模式”），才能在Python中直接下单。

3️⃣ 资金管理策略默认单笔5万，总资金100万，最多持仓10只，同一行业最多2只。请根据自己的资金量和风险承受能力调整。

4️⃣ 涨停处理细节

• 用 akshare 获取昨日涨停列表（需联网）

• 盘中若触及涨停，当天不卖出

• 昨日涨停股如果今天下午2:55还没封板，强制清仓

5️⃣ 小市值策略的天然风险小市值因子在A股长期有效，但短期回撤可能非常剧烈（例如2017年、2021年、2024年初）。务必做好心理准备，用长期不用的闲钱投资，并严格控制总仓位。

🎁 如何获取完整代码？

代码近500行，包含：

• 完整配置类（账户、路径、参数）

• 策略主逻辑（选股、买卖、风控）

• 交易回调处理

• 邮件提醒、心跳检测

• 数据服务模块（可选）

👉 关注本公众号，后台回复“高股息小市值”，直接获取下载链接！

💬 最后说两句

这个策略不是圣杯，但它逻辑清晰、因子有效、代码可跑，非常适合用来学习多因子策略的实盘写法。

当前正值两会窗口期，历史规律显示小盘成长往往占优，而本策略的小市值轮动特性或许正契合这一阶段的市场风格。但请牢记：历史规律不等于未来表现，风险控制永远是第一位。建议先用模拟盘跑一段时间，观察选股和交易是否符合预期，再逐步投入实盘。

量化交易的本质是概率游戏，没有人能预测未来，我们能做的只是用系统约束人性，用风控应对不确定性。

下期预告：

• 实盘周记：我用这个量化策略跑了一个月，实盘表现如何？

评论区聊聊：你最想优化这个策略的哪部分？或者你在实盘中遇到过什么坑？

关注我，一起探索量化的世界！ 🚀