当前位置：首页>python>量化实战:用 Python 手把手搭建多因子选股模型

量化实战:用 Python 手把手搭建多因子选股模型

2026-08-20 09:02:01

用 Python 揭秘均值回归策略：你的收益从何而来？

量化交易的生死线：用 Python 算出你的最优下注比例

2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含 500 篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

华尔街的量化团队都信奉同一条铁律：不要押注单一信号，而是把多个「弱信号」融合成一个「强信号」。这正是因子投资（Factor Investing）的核心思想，也是多因子模型能够长期跑赢单指标选股的根本原因。

好消息是，搭建这样一个模型并不需要昂贵的金融终端或天价数据预算。你只需要一台笔记本电脑、一点 pandas 基础，再加上一份干净的价格与基本面数据，就能动手了。这篇文章会带你用 Python 从零构建一个真正可用的多因子排名模型，选用价值、质量、动量三大因子，对一篮子股票打分并排名。

学完这篇，你不仅能得到一个可运行的选股模型，还能理解「因子标准化 → 加权合成 → 排序」这套量化选股的通用范式。

一、为什么多因子会打败单信号选股

如果你只用市盈率（P/E）来排序股票，你大概率会买入一堆「便宜得有理由」的公司：利润率下滑、债务高企、商业模式正在消亡。如果你只用动量来排序，你又很可能在股价见顶回落前一刻追进去。

问题的本质在于：几乎所有单一因子，都存在长时间「失效」的阶段。

解决办法是组合那些彼此相关性不高的因子。一个经典的三因子搭配如下：

• 价值（Value）：相对于盈利和账面价值，这只股票便宜吗？
• 质量（Quality）：底层生意本身够好吗？比如高股本回报率（ROE）、可控的负债水平。
• 动量（Momentum）：股票当前是否处于一个市场尚未充分定价的上升趋势中？

把这三者合成为一个综合评分（Composite Score），再对整个股票池排序，得到的名单往往比任何单一因子都更稳健。因为价值、质量、动量通常在不同的市场阶段失效，把它们组合起来，恰恰能让整体表现更平滑。

二、模型的整体流程

我们要构建的模型会依次完成：

1. 定义一个股票池（Universe）
2. 计算价值因子（P/E、P/B）
3. 计算质量因子（ROE、负债权益比）
4. 计算动量因子（6 个月与 12 个月收益率）
5. 把每个因子转换为 z-score，让它们处于同一量纲
6. 把各 z-score 加权合成为一个综合评分
7. 排序并可视化结果

下面逐步拆解。

三、环境准备与股票池定义

首先导入常用库。这里用公开免费的数据接口来获取行情与基本面（例如 yfinance），无需付费即可上手：

import pandas as pd
import numpy as np
import yfinance as yf

# 定义股票池：这里选取跨行业的大盘股作为示例
# 生产环境中可替换为某指数成分股或按行业筛选的动态列表
universe = [
    "AAPL", "MSFT", "GOOGL", "AMZN", "NVDA", "META", "TSLA",
    "JPM", "V", "UNH", "HD", "PG", "XOM", "CVX", "KO",
    "PEP", "COST", "AVGO", "ADBE", "CRM",
]

小贴士：股票池从哪来，模型并不关心。你完全可以把它换成某个指数（如标普 500）的成分股，或按市值、行业动态筛选，后续流程一行都不用改。

四、构建价值因子

价值因子回答一个朴素的问题：为每一块钱的盈利和账面价值，你付出的价格合理吗？我们取市盈率（P/E）和市净率（P/B）：

def fetch_value(ticker):
    """获取单只股票的市盈率与市净率"""
    info = yf.Ticker(ticker).info
    return {
        "ticker": ticker,
        "pe": info.get("trailingPE"),      # 滚动市盈率
        "pb": info.get("priceToBook"),     # 市净率
    }

# 遍历股票池，汇总为 DataFrame
value_df = pd.DataFrame([fetch_value(t) for t in universe])

对于价值因子，P/E 和 P/B 越低越好，所以后面在计算 z-score 时要「翻转符号」。

五、构建质量因子

质量因子考察生意本身是否稳健。我们使用股本回报率（ROE）和负债权益比（D/E）：

def fetch_quality(ticker):
    """获取单只股票的 ROE 与负债权益比"""
    info = yf.Ticker(ticker).info
    return {
        "ticker": ticker,
        "roe": info.get("returnOnEquity"),     # 股本回报率，越高越好
        "debt_to_equity": info.get("debtToEquity"),  # 负债权益比，越低越好
    }

quality_df = pd.DataFrame([fetch_quality(t) for t in universe])

规则很直观：ROE 越高越好，负债权益比越低越好，符号处理同样留到 z-score 阶段。

六、构建动量因子

动量因子需要价格历史。我们抓取近一年的日收盘价，同时计算 6 个月和 12 个月两个时间窗口的收益率，混合不同周期有助于平滑短期噪声：

def fetch_momentum(ticker):
    """计算 6 个月与 12 个月动量"""
    # 下载近一年日线数据
    df = yf.download(ticker, period="1y", progress=False)
    close = df["Close"].dropna()

    # 12 个月收益率：用最新价 / 一年前的价格 - 1
    ret_12m = close.iloc[-1] / close.iloc[0] - 1

    # 6 个月收益率：约 126 个交易日
    # 数据不足时置为缺失值，避免报错
    ret_6m = (close.iloc[-1] / close.iloc[-126] - 1
              if len(close) > 126 else np.nan)

    return {
        "ticker": ticker,
        "momentum_6m": float(ret_6m),
        "momentum_12m": float(ret_12m),
    }

momentum_df = pd.DataFrame([fetch_momentum(t) for t in universe])

易错点：这里用「126 个交易日」近似半年，而不是自然日的 180 天。一年约有 252 个交易日，半年因此约为 126 天，直接按自然日切片会取到错误的位置。

七、标准化与合成综合评分

原始的 P/E 和原始的 ROE 处在完全不同的量纲上，直接相加毫无意义。因此在合成之前，必须先把每个因子标准化为 z-score。

z-score 衡量的是「某只股票距离全池均值有多少个标准差」，其定义为：

其中是该因子在整个股票池中的均值，是标准差。

# 合并三张因子表
factors_df = (value_df
              .merge(quality_df, on="ticker")
              .merge(momentum_df, on="ticker"))

def zscore(series):
    """标准化：减去均值再除以标准差"""
    return (series - series.mean()) / series.std()

# 价值：P/E、P/B 越低越好，因此取负号翻转
factors_df["value_score"] = -zscore(factors_df["pe"]) - zscore(factors_df["pb"])

# 质量：ROE 越高越好（正号），负债权益比越低越好（负号）
factors_df["quality_score"] = zscore(factors_df["roe"]) - zscore(factors_df["debt_to_equity"])

# 动量：两个周期收益率都是越高越好
factors_df["momentum_score"] = zscore(factors_df["momentum_6m"]) + zscore(factors_df["momentum_12m"])

# 加权合成综合评分：价值 40%、质量 30%、动量 30%
factors_df["composite_score"] = (
    0.40 * factors_df["value_score"]
    + 0.30 * factors_df["quality_score"]
    + 0.30 * factors_df["momentum_score"]
)

# 按综合评分从高到低排序
ranked = factors_df.sort_values("composite_score", ascending=False).reset_index(drop=True)

print(ranked[["ticker", "value_score", "quality_score",
              "momentum_score", "composite_score"]])

关于权重：上面「价值 40%、质量 30%、动量 30%」只是一个起点。你完全可以偏向自己最有把握的因子，或者用历史数据回测几组不同权重，看看哪种组合在你的股票池上表现最好。

八、可视化排名结果

一张排序表已经很有用，但图表能让差距一目了然。用一个简单的水平条形图展示综合评分最高的前 10 只股票：

import matplotlib.pyplot as plt

top10 = ranked.head(10)

plt.figure(figsize=(8, 5))
plt.barh(top10["ticker"], top10["composite_score"])
plt.gca().invert_yaxis()          # 让评分最高的排在最上方
plt.xlabel("综合评分")
plt.title("多因子综合评分 Top 10")
plt.tight_layout()
plt.show()

你还可以用雷达图（Radar Chart）拆解某一只股票在三个因子上的表现，直观判断它是「全面开花」，还是仅靠单一因子拉高了排名——这对于避免踩坑很有帮助。

九、进阶方向

这个三因子模型刻意做得简单，而这正是「第一版」应有的样子。跑通之后，还有大量可扩展空间：

• 加入情绪因子：把社交、新闻、分析师情绪作为第四个因子（低权重），有助于捕捉「基本面不错但市场尚未察觉」的标的。
• ESG 筛选：在排名前，先用环境、社会、治理评分对股票池做过滤或倾斜。
• 内部人交易作为验证信号：观察公司内部人近期是净买入还是净卖出，与价值倾向搭配效果不错。
• 对头部标的做预测：在缩小到候选名单后，可用线性回归甚至 LSTM 等模型对价格趋势做进一步研判。
• 缓存整条管线：把数据抓取结果缓存到本地磁盘，第二天重跑时秒级加载，而不必反复请求接口。

总结

多因子排名之所以是量化金融中最可靠的思路之一，恰恰在于它不依赖任何单一信号「永远正确」。价值、质量、动量往往在不同时刻失效，把它们组合起来，正好能让整体收益曲线更平滑。

回顾整套方法论，核心只有三步：

1. 计算多个低相关因子（价值、质量、动量）；
2. 用 z-score 统一量纲，让不同尺度的指标可以公平相加；
3. 加权合成综合评分并排序，得到远比单因子稳健的名单。

我们在这里搭建的只是一个起点，而非成品。换上你自己的股票池、调整因子权重、加入情绪或 ESG 数据，再去回测历史表现——把这套「因子标准化 → 合成 → 排序」的范式吃透，你就掌握了量化选股最通用的一块基石。

参考文章

加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 量化文章专题教程库：500+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 量化投研实战课程：赠送《AKQuant-入门及实战》《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！