Простейший пример

Кратко опишем алгоритм

1. Отфильтровываем лучшие 50 компаний по показателю капитализации.
2. Отбираем две отрасли с максимальным средним коэффициентом цена/прибыль (P/E ratio).
3. Каждый месяц закрываем всю нашу позицию перед тем, как открывать новую.
4. Выводим в лог требуемую позицию.

import pandas as pd
import numpy as np
 
def initialize(context):
    # Словарь акций с их весами
    context.stock_weights = {}
    # Счетчик дней до ребалансировки портфеля
    context.days = 0
    # Количество секторов с которыми будем работать (покупать)
    context.sect_numb = 2
 
    # Превязка секторов
    context.sector_mappings = {
        101.0: "Basic Materials",
        102.0: "Consumer Cyclical",
        103.0: "Financial Services",
        104.0: "Real Estate",
        205.0: "Consumer Defensive",
        206.0: "Healthcare",
        207.0: "Utilites",
        308.0: "Communication Services",
        309.0: "Energy",
        310.0: "Industrials",
        311.0: "Technology"
    }
     
    # Ребалансировка портфеля ежемесячно в первый день в момент открытия торгов
    schedule_function(rebalance,
            date_rule=date_rules.month_start(),
            time_rule=time_rules.market_open())

Теперь рассмотрим основной метод, который вызывается каждый раз перед началом торгового дня. В нашем случае это
означает, что он запускается ежемесячно в первый день месяца. Метод обновляет множество акций и соотвествующие фундаментальные экономические показатели.

def before_trading_start(context, data): 
    # Количество анализируемых акций    
    num_stocks = 50
 
    # Формируем запрос SQLAlchemy на основе pe_ratio
    # и принадлежности к секторам
    # Мы отфильтровываем результат, чтобы обязательно были значения
    # по капитализации и количеству акции.
    # Мы ограничиваем вывод количеством num_stocks и возвращаем данные
    # в порядке убывания
 
    fundamental_df = get_fundamentals(
        query(
            fundamentals.valuation_ratios.pe_ratio,
            fundamentals.asset_classification.morningstar_sector_code
        )
        .filter(fundamentals.valuation.market_cap != None)
        .filter(fundamentals.valuation.shares_outstanding != None)
        .order_by(fundamentals.valuation.market_cap.desc())
        .limit(num_stocks)
    )
    # Находим сектора с наибольшим средним коэффициентом цена/прибыль (pe_ratio)
    sector_pe_dict = {}
    for stock in fundamental_df:
        sector = fundamental_df[stock]['morningstar_sector_code']
        pe = fundamental_df[stock]['pe_ratio']
        
        # If it exists add our pe to the existing list. 
        # Otherwise don't add it.
        if sector in sector_pe_dict:
            sector_pe_dict[sector].append(pe)
        else:
            sector_pe_dict[sector] = []
    
    # Находим среднее PE для кажного сектора
    sector_pe_dict = dict([(sectors, np.average(sector_pe_dict[sectors])) 
                for sectors in sector_pe_dict if len(sector_pe_dict[sectors]) > 0])
    
    # Сортируем в низходящем порядке и берем первых sect_numb
    sectors = sorted(sector_pe_dict, key=lambda x: sector_pe_dict[x], reverse=True)[:context.sect_numb]
    
    # Отфильтровываем акции только выбранных секторов
    context.stocks = [stock for stock in fundamental_df
                if fundamental_df[stock]['morningstar_sector_code'] in sectors]
    # Инициализируем
    # Initialize a context.sectors variable
    context.sectors = [context.sector_mappings[sect] for sect in sectors]
    # Обновляем
    # Update context.fundamental_df with the securities (and pe_ratio) that we need
    context.fundamental_df = fundamental_df[context.stocks]
        
    update_universe(context.fundamental_df.columns.values)