作者: Python本地量化

在量化投资的世界里，“小市值策略”一直是散户投资者和量化团队反复研究的经典思路之一。前几年，聚宽论坛里有一个简单的小市值策略比较火爆，策略逻辑简单，其接地气的风格，被人尊称为“卖菜大妈策略”。原策略链接如下：

https://www.joinquant.com/view/community/detail/6158d3c096bec67025c930295d6ae277

今天我们把它在聚宽、PTrade、本地 Python 环境三个平台都实现了一遍，并做了简单对比。

PTrade代码 本地Python代码

策略逻辑

这个策略的逻辑非常简洁，适合新手上手学习。核心思路是：

1. 筛选小市值股票

   • 一般选取流通市值较小的股票，理由很简单：小市值股的弹性更大，更容易出现超额收益。
   • 但同时也意味着风险更高，尤其在市场整体下行或流动性收紧时，小票往往跌得更惨。

2. 结合股息率进行过滤

   • 在小市值池子里，再筛选出股息率较高的股票。
   • 高股息往往意味着公司有一定现金流支撑，能在一定程度上规避“纯题材炒作”的风险。
   • 当然，这里的股息率过滤更多是一种辅助因子，不代表公司基本面一定很好。

3. 价格门槛

   • 额外加一个“低价股”条件，比如股价低于一定阈值（如 9元）。
   • 低价股往往更容易吸引散户关注，在市场热度上升时更容易放量上涨。

4. 组合构建与调仓

   • 每月或每季度定期调仓，选出符合条件的 10–20 只股票等权买入。
   • 持仓期间不做复杂操作，仅涨停打开后卖出，简单持有，周期结束后重新选股。

这样，一个“低价 + 分红 + 小市值”的组合就成型了。逻辑非常直白，但也很好地符合了 A 股散户的炒作偏好。

策略回测表现

根据聚宽平台上的回测结果：

• 年化收益率：33.40%
• 最大回撤：26.41%，出现在 2024 年年初的小市值股灾中，当时流动性极差。

这说明策略确实有“高收益”的一面，但风险也不容忽视。对于小资金投资者来说，它可以作为一个学习和尝试的方向，但绝不适合作为“无脑买入”的长期策略。

聚宽回测结果

三个平台的对比

我们在 聚宽、Ptrade、本地 Python 三个平台上都实现并评估了该策略，整体回测结果相差不大。但平台各有优缺点：

聚宽（JoinQuant）

• 优点：策略原始出处，直接复制粘贴就能运行；自带数据源和回测框架；支持模拟盘。
• 缺点：实盘衔接不太方便；数据扩展性有限。
• 适合人群：新手学习、跑跑小策略。

Ptrade

• 优点：无需搭建环境，代码放上去就能跑；支持直接实盘交易，非常适合“懒人量化”。
• 缺点：回测速度慢，代码调试不便，不太适合开发复杂策略。
• 适合人群：想快速上实盘，但不想折腾环境的学习者。

PTrade回测结果

本地 Python 环境

• 优点：灵活度最高，可以随意扩展；回测速度快，调试方便；能集成各种第三方库。
• 缺点：需要自己处理数据源和交易接口；要实盘必须对接券商或第三方工具。当然，我们也已经搭建好了本地策略开发和回测的框架，方便个人学习爱好者进行策略研究。
• 适合人群：策略研究者、开发者，想要深入优化策略。

本地回测结果

总结

这个小市值策略胜在：

• 逻辑简单，适合快速上手
• 数据需求低，几乎不需要复杂财务因子
• 学习价值高，能让初学者完整体验从策略到回测、再到实盘的流程

当然，它的不足也很明显：风险极高，最大回撤动辄 20% 以上，一旦市场流动性收紧，很容易陷入困境。因此，这个策略更适合学习与研究，而不是直接搬去实盘大仓位操作。

我们已将三个平台的完整代码版本都上传到知识星球，感兴趣的朋友可以加入，一起交流学习。

往期回顾 策略本地回测太逆天？让聚宽也来“帮你把把关”！ 三大经典小市值策略全面解析，收益 vs 风险谁更强？ 四大搅屎棍策略：不被周期股带节奏，专注主线机会 行业宽度择时+小市值：简单组合竟实现70%年化收益，夏普高达3以上 如何用Tushare获取长时段、全市场日行情？ 市场宽度展示本地化：不再依赖聚宽，一键掌握行业强弱 如何在本地开发量化策略并回测？以ETF轮动策略和Backtrader为例

知识星球：Alpha学习研究

不定期更新可本地运行的量化工具、策略等Python代码，方便个人学习研究。代码持续更新，让Bug远离我们。Quant for Everyone！

免责声明

本文所涉及的内容仅用于学习研究与技术交流，不构成任何投资建议。文中观点、策略及数据仅供参考，投资者据此操作风险自负。我们不对因使用本文内容所产生的任何直接或间接损失承担责任。市场有风险，入市需谨慎。

来源: 微信公众号