指数增强是什么意思？
指数增强策略并不是被动的跟踪某个指数波动，而是采用量化增强模型，利用多因子alpha模型预测股票超额回报，同时力求进行有效的风险控制、降低交易成本、优化投资组合。指数增强策略不会对跟踪标的成分股进行完全复制，而是会对部分看好的股票增加权重，不看好的股票则减少权重，甚至完全去掉。通过对交易成本模型的不断监测，尽可能让交易成本降到最小。综合来看，就是既做到超额收益，又控制主动风险。
策略实现（基于掘金量化平台）
策略思想
本策略以0.8为初始权重跟踪指数标的沪深300中权重大于0.35%的成份股。
个股所占的百分比为：(0.8 X 成份股权重) /选择的成分股权重总和 X 100%。
然后根据个股是否连续上涨5天;连续下跌5天，来判定个股是否为强势股/弱势股,并对其把权重由0.8调至1.0或0.6
策略主要步骤实现
获取沪深300成分股及信息
stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents']
获取指数成分股可调用函数get_history_constituents或者get_constituents，返回值类型为list[dict]，字典的键为股票代码，值为所占权重。这里调用get_history_constituents是因为再回测时需要获取上一交易日的成分股，而get_constituents只能获取最新的成分股：
index需要设置获取指数的代码。
start_date和end_date需设置获取成分股的开始与结束日期。
订阅数据
subscribe(symbols=stock300_symbol, frequency='1d', count=5, wait_group=True)
订阅数据需要在定义init函数里面设置，并调用subscribe函数，这里注意，我们需要通过计算前三十根bars来作为开平仓的标准，并在当前bar上做出开平仓操作，所以需要获取31根bar：
symbols需要设置订阅的标的代码。
frequency需设置订阅数据的周期级别，这里设置1d 表示以一天为周期。
count需要设置获取的bar的数量
数据获取
recent_data = context.data(symbol=symbol, frequency='1d', count=5, fields='close')['close'].tolist()
订阅数据之后，需要获取已经订阅的数据来进行操作，这时需调用context.data函数：
symbols 需要设置订阅的标的代码。
frequency需设置订阅数据的周期级别，这里设置1d表示以一天为周期。
count需要设置获取的bar的数量
fields需要设置返回值的种类
获取持仓信息
position = context.account().position(symbol=symbol, side=PositionSide_Long)
在判断平仓或者加仓条件时，需要获取持仓信息，这就需要调用context.account().position函数：
symbols 需要设置订阅的标的代码。
side需要设置持仓方向，有PositionSide_Long和PositionSide_Short两个选择。
回测报告
分析
我们选取了2017年10月至2017年12月作为回测周期，可以看出：
胜率（具有盈利的平仓次数与总平仓次数之比）达到了66%。
卡玛比率（年化收益率与历史最大回撤之比）是使用最大回撤率来衡量风险。**采用最大回撤率来衡量风险，关注的是最极端的情况。**卡玛比率越高表示策略承受每单位最大损失获得的报酬越高。在这里卡玛比率达到了6.7。
夏普比率（年化收益率减无风险收益率的差收益波动率之比）达到2.77。
策略收益曲线 与沪深三百指数具有很大相关性，指数增强策略的关键点在于选出成分股中优质的股票，以达到增强指数收益的目的。
指数增强策略源码：https://www.myquant.cn/docs/python_strategyies/105
来源：掘金量化