Alpha因子

https://bigquant.com/experimentshare/d10e7682969747bbb8c297180a844c7b

\

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版因子分析代码：

https://bigquant.com/wiki/doc/5zug5a2q5yig5p6q5luj56cb-Od7rjBTNDQ

策略案例

[https://bigquant

https://bigquant.com/codeshare/3b5c66d6-ed5b-46a0-8dc6-3a48cc76a482

\

https://bigquant.com/experimentshare/c2cf252d64b7408a8071f4d78f52a5ea

\

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

Alpha191因子是国泰君安证券研究者，于2017年6月，在《数量化专题: 基于短周期价量特征的多因子选股体系》研报中提出的191个因子，具体的因子表达式如下

\

Alpha1:   (-1 * CORR(RANK(DELTA(LOG(VOLUME), 1)), RANK(((CLOSE -OPEN) / OPEN)), 6))

Alpha2:   (-1 * DELTA((((CLOSE -LOW) -(HIGH -CLOSE)) / (HIGH -LOW)), 1))

Alpha3:   SUM((CLOSE=DELAY(CLOSE,1)?0:CLOSE-(CL

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\

摘要

传统因子表现不佳，因子择时大显身手在历史上表现良好的规模、反转和流动性因子在17年以来都出现了明显的回撤，导致主流多因子选股策略表现欠佳。在这样的大背景下，如何把握Alpha因子的风格轮动，选择最有效的风格因子，成为重要的研究课题。

基于机器学习的因子择时框架本报告选择常见的7个风格因子，通过机器学习方法，基于历史数据提炼因子风格轮动的规律，将因子IC历史信息、宏观经济变量、市场变量等信息作为特征，采用性能优良的XGBoost模型对因子未来的IC进行预测，来衡量不同风格因子未来选股的有效性。在因子配权时，赋予预期表现好的因子更高的权重，而减小预期表现不佳的因子的权重。

基

摘要

本篇报告是量价互动选股因子的续篇，笔者将前几篇中低频（日频）Alpha因子的研究结论和构建方法移植到日内高频数据上。研究发现，日内高频量价关系和日度量价关系之间有着微妙的联系，因子构建的逻辑可以相互印证，因子构建的方法基本可以迁移，但两者时间尺度上的差异导致微观交易结构出现变化，使得因子构建的细节呈现出一定的差异。

我们从“价-量”、“涨跌幅-量”两个视角出发，讨论了常态下量价关系与异常量价关系蕴藏的Alpha，构建了三个不同的Alpha因子。因子算法捕捉的是微观层面的量价纠缠，或许反映的是宏观层面的个股投机与泡沫，日内交易平稳的股票次月更容易上涨。

进一步，我们通过时间序列

摘要

在中国股票市场中，传统动量因子不是好的Alpha因子。方正金工团队基于“市场行为特征在日内不同时段存在差异”的基本事实，考察了动量因子的日内精细结构，重新构造出了最优化的动量因子。

基本思路：不同的交易者群体，会有不同的行为模式，这是几乎不证自明的命题。对于交易日内的不同时段，交易者成分的系统性差异，会导向不同的市场行为特征，从而形成各式各样的日内模式（intraday patterns）。按照这个思路，我们将每日股票的涨跌切割为5个时段，再重新加权组装得到最优动量因子。

选股能力：最优动量因子在全市场的五分组多空对冲，年化收益为17.4%，信息比率为2.30，月度胜率为84

摘要

传统因子表现不佳，因子择时大显身手

在历史上表现良好的规模、反转和流动性因子在17年以来都出现了明显的回撤，导致主流多因子选股策略表现欠佳。在这样的大背景下，如何把握Alpha因子的风格轮动，选择最有效的风格因子，成为重要的研究课题。

基于机器学习的因子择时框架

本报告选择常见的7个风格因子，通过机器学习方法，基于历史数据提炼因子风格轮动的规律，将因子IC历史信息、宏观经济变量、市场变量等信息作为特征，采用性能优良的XGBoost模型对因子未来的IC进行预测，来衡量不同风格因子未来选股的有效性。在因子配权时，赋予预期表现好的因子更高的权重，而减小预期表现不佳

研究结论

Alpha因子和因子组合FMP完全等价，在一个股票协方差下，两者可以相互转换，通过因子组合可以完全的表征alpha因子。理想情况下，均值方差优化框架下的组合权重完全正比例与因子组合的权

风险中性因子组合和风险中性因子的简单因子组合成比例，因子组合的收益受IC、因子组合标准差、股票截面波动等因素影响。

Alpha因子的线性组合和alpha因子对应的FMP的线性组合有一一对应的关系，传统的alpha因子线性加权可以等价于线性加权各个alpha因子的FMP形成目标FMP，由目标的FMP反解出加总的alpha。

均值方差优化框架下加权因子组合权重，等价于最大化目标因子组合的夏普

作者：woshisilvio

策略思路

Alpha因子构成--大部分因子的来源

选股思路

我们采用传统量化的选股思路，把条件选股转换成布尔型变量的因子

![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachme

研究结论

Alpha因子和因子组合FMP完全等价，在一个股票协方差下，两者可以相互转换，通过因子组合可以完全的表征alpha因子。理想情况下，均值方差优化框架下的组合权重完全正比例与因子组合的权重。

风险中性因子组合和风险中性因子的简单因子组合成比例，因子组合的收益受IC、因子组合标准差、股票截面波动等因素影响。

Alpha因子的线性组合和alpha因子对应的FMP的线性组合有一一对应的关系，传统的alpha因子线性加权可以等价于线性加权各个alpha因子的FMP形成目标FMP，由目标的FMP反解出加总的alpha。

均值方差优化框架下加权因子组合权重，等价于最大化目标因

摘要

风险因子与因子。我们将主动权益基金的因子库归类成风险因子与因子两大类，风险因子也可称为广义上的Beta因子，特指长期来看并不能产生正收益的因子，包括市场面、风格面以及行业面，而Alpha因子特指长期来看能够产生正收益的因子，包括技术面与基本面。每一支基金的收益均可分解为风险因子贡献、Alpha因子贡献以及基金经理PureAlpha三部分，其中风险因子所占据的比重最大。

业绩排名靠前的基金一定是好基金吗？从FOF择基角度，这些基金并不一定是FOF择基的最佳选项。行业收益和风格收益是主动基金亮眼业绩的最主要的贡献来源。我们认为，这些基金的亮眼业绩是否能持续，取决于：如若基金经理坚持

报告摘要

从行为金融学去寻找alpha因子传统的因子研究均基于历史上有效市场风格的选取、回测，但今年以来风格因子全面失效，风格因子逐渐从Alpha因子转为风险因子。行为金融学则是从微观个体行为以及产生这种行为的心理等动因来解释、研究和预测市场的发展，其挖掘的是市场波动的更深层次的驱动因素，自20世纪80年代起随着行为金融学的发展，越来越多的结论在市场上得到了定量化的论证。利用市场上长期存在的市场非理性行为可以为多因子体系贡献新的有效的alpha因子。

处置效应与前景理论投资者在投资股票时，倾向卖出盈利的股票、继续持有亏损的股票，这就是行为金融学上的处置效应。处置效应导致了当投

研究结论

策略Alpha收益的定义取决于投资者控制了哪些风险，Alpha因子的ZSCORE可以通过多期横截面回归取平均的方式转化成预测收益率，输入后续的组合优化过程。

在两个变量满足正态分布时，Pearson 和Spearman相关系数的数值很接近，但Spearman秩相关系数在做显著性检验时不依赖于变量的正态分布特性，更稳健，因此因子选股计算IC时多采用后者。

Alpha因子是否需要做风险中性化处理取决于做组合优化时是否做了对应的风险暴露控制，并非风险因素剔除的越多越好。当构建的组合完全控制了风险暴露时，风险调整IC（risk adjusted IC）会比Purifed

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

https://bigquant.com/experimentshare/28a454b6532144eb819a78efae160768

\

研究结论

策略Alpha收益的定义取决于投资者控制了哪些风险，Alpha因子的ZSCORE可以通过多期横截面回归取平均的方式转化成预测收益率，输入后续的组合优化过程

在两个变量满足正态分布时，Pearson 和Spearman相关系数的数值很接近，但Spearman秩相关系数在做显著性检验时不依赖于变量的正态分布特性，更稳健，因此因子选股计算IC时多采用后者。

Alpha因子是否需要做风险中性化处理取决于做组合优化时是否做了对应的风险暴露控制，并非风险因素剔除的越多越好。当构建的组合完全控制了风险暴露时，风险调整IC（risk adjusted IC）会比Purifed alph

因子选股研究通常采用月频调仓模式，但是Alpha因子的效用并非在未来一个月均匀分布，而是呈现逐步衰减的形态，也就是说我们从月初获得的alpha要比月末获得的alpha高，持仓一个月不动的调仓方式在当月后半段资金利用效率较低，有必要在alpha衰退之前调仓

子的alpha衰减速度可以用其IC的半衰期度量，基本面因子、估值因子的衰减速度较慢，例如CFP_TTM指标的半衰期长达四个月；而技术类指标的衰减速度较快，CGO_3M指标11天左右IC即衰减了一半

实证发现，不论是做主动量化还是做指数增强组合，周频调仓方式在交易成本较低的情况表现都明显优于月频调仓组合，但当单边交易成本达到0.5%时，高频

作者：bigquant
阅读时间：5分钟
本文由BigQuant宽客学院推出，难度标签：☆☆☆

导语

本文目的是介绍如何使用bigexpr表达式对WorldQuant公开的101个alpha进行因子构建，并进行因子测试。

一、背景介绍

根据WorldQuant发表的论文《101 Formulaic Alphas 》 669 ，其中公式化地给出了101个alpha因子。与传统方法不一样的是，他们根据数据挖掘的方法构建了101个alpha，据说里面80