策略案例

https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d08

\

如题

作者：神乐（shen1，colol）

去量化基金公司面试，和从事量化的朋友，同事之间交流等经常会被问到一个问题，因子重要or模型重要？量化策略中最重要的是什么？有些人会认为因子比较重要，有些会认为策略的猜想比较重要。当然，关于这些问题没有标准答案，给出合理的解释，讲述对量化开发的个人观点是问题的本质。鄙人认为，一个稳健的量化策略的核心是一个合理的工业化量化策略开发体系，这也比较好的解释了某些量化公司部分核心策略工程师的离开，对公司的业绩产生影响不是特别大。工业化的量化策略开发体系包括但不限于以下流程。

5.1提出猜想：猜想的提出往往是在交易市场中对交易策略的深刻理解，从而提出相关想法，并

组合优化器是宽邦科技为满足机构投资者对于股票组合优化、绩效归因、风险控制和指数增强需求而提供的一款优化器。

使用概览

1. 调用接口：T.PORTFOLIO_OPTIMIZERS
2. 每日初始化：T.PORTFOLIO_OPTIMIZERS.get_today_factor_data
3. 权重优化：T.PORTFOLIO_OPTIMIZERS.optimize

\

调用接口

**opt=T.PORTFOLIO_OPTIMIZERS(stock_pool, start_date, end_date, model_type='daily', benchmark='00090

行业分化：主题工具类产品发展契机

回顾2019-2021年，权益市场显著回暖，Wind全A指数累计上涨82.42%。行业层面，除综合金融外，29个中信一级行业指数均实现上涨，涨幅中位数为74.35%，但行业之间呈现鲜明的首尾分化特征。

具体来看，区间涨幅排名前三的行业分别是电力设备及新能源（247.26%）、食品饮料（208.18%）和电子（170.48%），交易活跃度也远高于A股整体水平。而区间涨幅排名后三的行业分别是商贸零售（11.07%）、房地产（3.19%）、综合金融（-6.54%）。

![{w:100}](https://mmbiz.qpic.cn/mmbiz_png/

期货量化交易有什么特点呢？

1.速度快。交易市场如战场，尤其是在开盘的时候，很多品种的盘口特别活跃，成交量很大，这就是拼速度的时候。很多量化交易公司的交易办公室都在交易所附近，他们凭借速度的优势，频繁地买进卖出，拥有速度优势。

2.交易周期小。交易就是低买高卖，高抛低吸，是一个赚差价的游戏。谁都不愿意为他人做嫁衣，谁也不愿意为他人抬轿子。现在很多量化交易公司的员工都是名牌大学的高才生，他们拥有高智商，高技术，使用3秒的交易周期都嫌长。普通散户一开仓，量化交易就平仓了。因为别人在数着你的单子呢！

3.仓位灵活。很多量化交易公司都在做短线，导致许多品种早盘在大幅度的增仓，而收盘时又变成

摘要

股指期货开盘动量效应我们通过对股指期货开盘动量效应的研究发现，股指期货长期存在显著的开盘动量效应。为此我们定义：如果开盘价，最低价以及收盘价随K线依次上升，那么可以判定为上涨（多头）趋势。如果开盘价，最高价以及收盘价随K线依次下降，那么可以判定为下跌（空头）趋势。

风险控制我们在进行策略的开发与设计时，对于风险的考量永远是第一位的。因此本节首先探讨两种止损方法，对于策略的止损我们选择了反向信号止损以及吊灯止损法。其中，反向信号止损为多头趋势下连续5根K线最高价依次下跌，空头趋势下连续3根K线最低价依次上涨。吊灯止损法为多头趋势下最优价格回落2.5倍ATR止损，空头趋势下最优价格

摘要

全文摘要本文养老目标驱动型投资策略从终点投资目标出发，在控制风险的条件下逐期逆向递推，同时采用多期博弈求解纳什均衡的方法，确定生命周期各期权益资产配置比重。报告第一部分对终点目标驱动的多期投资决策思路进行了介绍；第二部分将风险因素纳入考虑后构建了待优化的目标函数；第三部分引入纳什均衡法求解基于目标函数的多期决策均衡配置问题，并对模型在养老定投场景中的实用性进行了分析和说明。第四、五部分通过敏感性分析和随机模拟实验探讨本策略实现的下滑曲线的特征，并展示了一个应用于中国市场的目标日期基金下滑曲线开发实例。

到期日养老目标驱动的权益资产下滑曲线设计思路目标驱动型投资指的是投资者在未

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

摘要

指数增强型公募基金以量化方式为主，通过多因子模型能够有效控制风险指数增强型基金是主动投资和被动投资的有机结合，其目标是在控制跟踪误差的前提下追求稳定、持续超越基准指数的表现。我们整理了目前所有跟踪上证50、沪深300、中证500、中证1000指数的公募指数增强产品，共有36只，其中有32均采用量化方式增强。在量化指数增强策略中，又以多因子模型为主流。多因子模型本质是将对𝑁只股票的收益-风险预测转变成对𝐾个因子的收益-风险预测，通过控制投资组合在风险因子上的暴露达到科学控制跟踪误差的目的。本报告实证了两个简单的量化指数增强策略，均能在较小的跟踪误差下获取一定超额收益。 指数增强

https://bigquant.com/experimentshare/4653b9de9090496ba06147ce444eeb36

\

报告摘要

构建基于宏观变量的资产配置分析体系基于收益和风险成正相关的基本假设，我们搭建了完整大类资产配置的体系。配置模型重视资产价格之间的相对强弱，核心目的不再是预测资产价格的方向，而是把握不同经济状况下，资产价格的相对强弱关系，战略配置相对强势的资产，该策略关注3-6个月的中期配置，核心目标是控制组合波动率与最大回撤；择时模型相对灵活，从战术层面调整组合内各类资产的相对权重，决定基础资产的超配与低配。最后战略性配置与战术性择时模型通过模型进行融合。其中配置模型层面，我们开发了兼顾经济逻辑和数量逻辑的模型，覆盖了投资时钟、美元时钟和库存周期等，从配置策略的角度，进行资产配置。

定量划分

20220623-StockRanker多因子选股策

https://bigquant.com/experimentshare/5f74d02dff0e45d595f7494edb417019

\

作为量化，如何轻松甩锅？市场大跌了、游资爆仓了、成交缩量了、主观扑街了、公募回撤了、人菜瘾大了、对冲成本涨上去了？

如何回应尽调？策略理念：价值+成长，自上而下+自下而上，时间的人质/敌人/朋友？团队：发际线坚挺，没有核心人员流失，走的都不是核心？

一招解决，做好Quant社牛？

方法1：直接把回复做成模板：保存图片——微信——我——设置——通用——聊天背景

方法2：https://bigquant.com/activity点击报名

![{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=14fb0f9

https://bigquant.com/live/shared/strategy?id=60243

需要的留下联系方式

https://bigquant.com/experimentshare/fb090a47d5a14348828be56e969cd9ce

\

在默认的AI策略里，交易股数并不是整百，这和实际交易确实有一些不同。之所以这样做，是因为回测主要是验证思想，不想让资金管理、风险控制影响最初的策略思想。

但是，用户是可以手动修改代码，达到整百下单的目的的。

具体方法是修改handle_data函数里交易接口API，同时修改回测类型为：真实价格回测。相关文档可以参考：回测与交易引擎。具体要修改的位置为回测模块trade中的主函数，截图如下： ![image|572x355](/community/upload

策略案例

https://bigquant.com/experimentshare/0062e380d1b5400ca5fe4522ac948649

\

摘要

指数增强方法汇总及实例

量化多因子指数增强策略实证

指数增强型公募基金以量化方式为主，通过多因子模型能够有效控制风险

指数增强型基金是主动投资和被动投资的有机结合，其目标是在控制跟踪误差的前提下追求稳定、持续超越基准指数的表现。我们整理了目前所有跟踪上证50、沪深300、中证500、中证1000指数的公募指数增强产品，共有36只，其中有32均采用量化方式增强。在量化指数增强策略中，又以多因子模型为主流。多因子模型本质是将对𝑁只股票的收益-风险预测转变成对𝐾个因子的收益-风险预测，通过控制投资组合在风险因子上的暴露达到科学控制跟踪误差的目的。本报告

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

多因子选股模型的整个投资流程包括alpha模型的构建，风险模型的构建，交易成本模型的构建，投资组合优化过程以及组合业绩的归因分析。从国内市场上已公开的量化模型看，采取的大多是打分法选股或者行业、市值分层构建组合，这种组合构建方式缺乏对风险和alpha的精确控制，最终组合可能偏离预定的投资目标

多因子结构化风险模型(如Barra, Axioma)目前仍然是市场上的主流风险模型。股票收益率的样本协方差矩阵面临的主要问题是：在股票数量N超过时间样本区间T时，协方差矩阵不可逆，并且包含着较大的估计误差，这些都会严重影响到投资组合优化，使得优化器给出错误的权重分配。

根据Ledoit and Wo

https://bigquant.com/experimentshare/90893ae479534a35b18333465ba620b2

\

/wiki/static/upload/3d/3d8e35a0-80b4-43e6-8974-99aefe971cee.pdf

\

策略案例

https://bigquant.com/experimentshare/5c5e31cf67c94de099b00aeab9676e48

\