一、 策略核心思想

在A股市场中，“小市值”一直是一个长期有效的alpha因子。本策略的核心逻辑非常简单直接：买入全市场市值最小的一批股票，并定期进行优胜劣汰的轮动。

通过剔除低价股（避开面值退市风险）和停牌股，我们筛选出流动性尚可的最小市值公司，利用其波动大、弹性高的特性获取超额收益。

二、 策略逻辑详解

本策略基于 panda_backtest 框架开发，主要包含以下几个关键步骤：

1. 股票池初选

• 全市场扫描： 每日获取当前在售的所有A股名单。
• 因式过滤： 剔除股价低于 1 元的“准仙股”，防范退市风险。
• 市值排序： 按照 market_cap（总市值）从从小到大进行精确排序。

2. 定期轮动机制

• 调仓频率： 设置为每 5个交易日（一周）调仓一次。
• 目的： 既能及时捕捉市值变化带来的机会，又能有效覆盖交易成本，避免频繁调仓损耗利润。

3. 仓位管理

• 等权配置： 将账户总资产平均分配到前 20 只目标个股中。
• 自动换仓： 使用 target_stock_group_order 接口，一键完成“卖出旧持仓、买入新目标”的操作，确保持仓始终符合策略要求。

三、 代码亮点解析

在这份代码实现中，有几个细节非常值得量化初学者学习：

• 防御性编程： 代码中加入了大量的 try...except 和 None 值检查。在真实回测和实盘中，数据缺失是常态，这种写法能保证程序不会因为某一天的数据异常而崩溃。
• 交易细节处理： 在计算买入股数时，使用了 int(cash_per_stock // price // 100 * 100)。这确保了买入数量是 100股（一手）的整数倍，符合A股交易规则。
• 状态监控： 策略包含了 before_trading 和 after_trading 模块，每日开盘前打印资产概况，收盘后统计盈亏，让投资者对账户动态了如指掌。

四、 核心代码片段展示

# 核心选股逻辑：获取小市值股票池
def _get_small_cap_universe(context, trade_date):
    # 1. 获取全市场股票及市值数据
    # 2. 剔除低价股 (price < 1.0)
    # 3. 按市值从小到大排序
    df = df.sort_values("market_cap", ascending=True)
    # 4. 取前 N 只作为目标
    return df.head(context.max_stocks)["symbol"].tolist()