量化 - 多因子策略1
一、Alpha 和 Beta
alpha难得，想获得alpha就需要通过多因子策略等方法，来获得！
二、多因子策略 理论介绍
2.1 什么是多因子策略
特征：因子
目标值：股票收益（需要计算）
2.2 多因子(Alpha因子)的种类
按照因子分析角度：
按照因子来源的角度：
2.3 多因子策略的优势
三、必背模型
3.1 单因子模型 - 系统风险因子：资产定价模型 CAPM
详细请看：CFA - 投资学 - 4.资本资产定价理论CAPM - Capital Asset Pricing Model
这个模型只关注了β因子，收益只跟着市场走
3.2 多因子模型 - 套利定价理论（APT模型）
详情请看：CFA - 投资学 - 5.套利定价理论APT - Arbitrage Pricing Theroy
只是理论！！没有实际结果！！
3.3 FF三因子模型
这“三因子”指的是三类因子，每类因子还包括多了小因子，需要自己去挖掘。
SMB，通俗的理解是，规模小的公司，更会受宏观因素的影响。那么小公司要给出更高的收益率，来吸引投资者。
HML，通俗理解是，规模大的公司，更容易出现财务困难
3.4 FF五因子模型
四、数据挖掘怎么做？
最重要的一环就是数据挖掘，构建策略反而没那么难...
五、多因子策略流程
5.1 流程图
重点在 因子的处理和探索
5.2 多因子策略确定的事情
5.3 因子挖掘怎么做？- RiceQuant的研究平台
5.4 研究平台的函数
get_price - 获取合约历史数据
示例：
注意这里只能显示二维的结构。一旦第二个例子把“fields='close'”删去，二维就塞不下了，会返回pandas Panel结构
查看某个数据的类型：
get_trading_dates - 获取交易日列表
get_fundamentals - 查询财务数据
六、面板/截面/序列数据
6.1 面板数据(DataPanel) vs 截面数据(DataFrame) vs 序列数据
面板数据 DataPanel，由 截面数据 和 序列数据 组成：
截面数据DataFrame ：
序列数据：
将面板数据 转换为 截面数据：
七、因子数据处理 - 去极值
7.1 什么是因子去极值处理
7.2 去极值的三种方法
7.3 去极值 - 分位数去极值
中位数：
四分位数：
百分位数：
分位数去极值 原理
分位数去极值 API
举例：limits = 0.25, 那么所有处于0.25 quantile左边的都会被重置为0.25 quantile的值，所有处于1-0.25 = 0.75 右边的都会被重置为0.75 quantile
（这里的limits理解可能有误，需要double check）
示例
自定义分位数去极值
np是numpy包
7.4 去极值 - 中位数绝对偏差去极值（推荐）
计算方法
7.5 去极值 - 正态分布去极值（不推荐）
3sigma方法实现
八、因子数据处理 - 标准化
8.1 需要导入sklearn.preprocessing StandardScaler
rice quant还支持更多的Python库：
8.2 标准化函数
九、因子数据处理 - 市值中性化
9.1 为什么需要中性化处理？
9.2 怎么去除市值影响
对于某受市值影响的因子：使用回归 y = a*x+b法，来去除市值影响
9.3 市值中性化处理 - 回归法
9.4 示例：去除 [市净率] 与 [市值] 之间的联系部分
步骤：
步骤：
posted on 2022-04-23 01:32 frank_cui 阅读(2035) 评论(0) 编辑 收藏 举报
【推荐】国内首个AI IDE，深度理解中文开发场景，立即下载体验Trae
【推荐】编程新体验，更懂你的AI，立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包，你的智能百科全书，全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell：AI 加持，快人一步
· DeepSeek 开源周回顾「GitHub 热点速览」
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· .NET 10首个预览版发布：重大改进与新特性概览！
· AI与.NET技术实操系列（二）：开始使用ML.NET
· 单线程的Redis速度为什么快？