星辰,我用魔神能力做了一个年化收益百分之三十差分数七的策略,比班霸的年化收益要高百分之五,但是差分数几乎没什么变化。感觉有点效果啊。嗯,你可以讲讲你这个班霸是怎样算出来的吗? 嗯,班霸就是把因子、空中所有因子等全加到一起。嗯, ok, 没问题,等全组合其实是一个很强的班霸,也是业界通用的标准。那你说的魔神能力方法是非限行还是限行的? 没有,我,其实康博的话是用限性的单层感知机,因为我发现使用非限性的神经网络会存在非常严重的 overfitting, 样本内的数据很漂亮,但是一到样本外它就萎了,偏而是条水平的线。 嗯,没错,因为金融市场,它本来它这个数据就有很大的噪声。像我们传统的多因子模型,也是用限性回归去解释一些股票的收益,如果你非要在金融市场,你去就硬套一些非限性的算法,它很有可能就是拟合的噪声。嗯, 像我们之前经常用的,也就是统计上的现金回归去得到因子的一个权重,然后再把因子加权组合成一个 combo。 但是你觉得 combo 它其实就并不是我们真实的策略,还要经过一套图优化算法去控制一下组合的波动率,剔除常见的风险因子,比如说八二风险模型。 别高兴太早,我们先跑跑这个图优化,看看这套 combo 的 逻辑,它对最终的策略执行的实际贡献如何。
粉丝1.0万获赞2.3万


哎,星辰,我发现了一个很强的阿尔法,要么那回测年化收益有百分之三十,这不是躺着赚钱吗? 没错,其实 a 股市场 reward 性比较强,你会发现一些简单逻辑仍然有效。但是你最好关注一下你因子换手数比较高,换手高的话,其实它执行起来受滑点影响会大。你可以增加一个时间序列上 dk 的 操作,把同等位限制到零点七以下, 这样可以方便因子的 combo 以及高频的执行。然后你再看看它的 performance 怎么样。哦,原来如此。我试着用 ts 命把吞吐量降了下来,年化收益变成了百分之二十五,上分数反而提高了。 嗯,是这样的,你减少了很多不必要的 turn over。 你 再看一下这个 alpha 和英子库里其他 alpha 相关性是不是也很高?这说明我们之前其实已经有人挖出来类似因子了,这就没有提交的必要。你们学计算机的不是最爱说一句话,不要重复造轮子。你可以增加一下 operator, 发挥一下你的聪明才智,去降低它 correlation。 哦,好的,谢谢星辰,我再研究一下。

新手学量化,百分之九十九的人都踩过同一个坑。网上扒几十个因子胡乱堆砌,回测曲线漂亮,模拟盘却大幅回撤。今天五分钟,我把一套真正跑通落地的十三因子选股策略完整拆解给你看。 所有内容都在 bigq 上分析与验证。这套策略的核心逻辑只有一句话,从五个维度精选十三个有效因子, 每个交易日统一清洗数据,合成综合评分,买入打分前一百只股票,每五个交易日调仓一次。规则看着简单,但每个参数每步处理背后都是回测试错换来的结论。先讲因子挑选, 新手最大误区是觉得因子越多越好攒三四十个,其实大半都是重复指标。这里只用十三个因子,但覆盖盈利、现金流、质量、规模和换手率五个维度。 盈利看公司赚不赚钱,现金流看是不是真金白银,质量看股权结构和研发投入,规模看市值风格。换手和技术看筹码与资金。挑因子有四条铁律, 维度分散优先,避免同类扎堆。同一指标用双数据源交叉验证对冲脏数据。所有因子统一方向,数值越大越好,反向指标直接取负。最后,必须能解释经济学逻辑, 纯历史,你和的奇异因子时盘必失效。因子选完,真正决定策略稳定性的是预处理。 记住这句话,精细化清洗的普通因子,远超未处理的顶级因子。多数新手把百分之八十精力花在找因子上, 数据处理只占百分之二十,本末倒置。预处理分三步,第一步,去极值,剔除单日前后百分之零点一的极端值, a 股数据后尾固定分位数截断更稳健。第二步, z score 标准化,让净利润、换手率、流通占比,这些单位完全不同的指标站在同一尺度上。第三步,最关键, 行业和市值中性化。回答这只股票因子高是因为本身好还是恰好行业好?盘子小, 中性化后的残差才是你真正想买到的。 l 处理完的十三个因子等权合成,每个权重约百分之七点七,等权不是最优但是最诚实的基线 样本外没验证之前别轻易加权。接着用五层过滤,非 s t 股价高于一点二元,上市满一年,剔除北交所和科创板。过滤不是为了追求 alpha, 而是为了保证回测里能买的票实盘也能买到。最后,每五个交易日选得分前一百只等权重吃仓, 为什么五天每天调仓,双边成本一年能吃掉百分之二十五收益,为什么一百只五十只太集中,两百只太分散, 一百支是平衡 alpha 暴露和风险分散的。折中看看最终的回测结果,表现不错,累计收益百分之两百六十七点七五,夏普比例零点七八,胜率百分之五十七点三四,想要原码的可以私信我。最后总结一下,因子选择靠维度思维,数据处理比选因子更重要。 等权合成是最诚实的基线,一百只五日调仓是在成本和收益之间找平衡,等这套基线跑通,再去做权重优化,组合优化、机器学习增强。但记住先跑通基线,再逐层迭代, 每次改动都要做样本外验证,别一上来就堆复杂模型,否则你根本不知道超额收益是能力还是运气。

ok, 跟各位股东们汇报一下,昨天晚上已经完成了建厂这条视频,我们来聊一聊什么是因子投资。传统来说,人们在进行金融投资的时候,总会习惯了去分析公司,对吧?这个公司是好还是坏?他的商业模式怎么样?这种其实非常主观的想法,因为同一家公司可能有不同的看法,有人觉得 这个商业模式上有人觉得不好,那另外还有呢,在传统做资产配置的时候,有人可能会根据,比如像是地理位置啊,甚至根据资产类别啊,来去进行一个资产,呃,资产的配置,哎,我要买多少的日金,我要买多少的这个标普,我要买多少黄金,多少债,多少股, 他们会通过这样的方式去进行配置,这些都是一种方法。那因子投资也是一种方法,只不过因子投资呢?第一个呢,也不依据所谓的资产 a、 b、 a, 它是根据一些数学或者统计学上的这种数据特征来去进行分配,它更加多基于一些可量化的数据特征。那这些可量化的数据特征就是我们说的因子,比如说我们能不能量化一下这个市场上面哪些公司有价值,哪些公司有质量,哪些公司长得好? 这个其实就是我们所对应的质量因子、价值因子、动量因子。这做一个简单的比喻啊,如果我们把投资比喻成吃饭的话,就好像有的人每天他会想说,哎,我今天是吃麦当劳还是吃兰州拉面还是吃日料?但是呢,健身人就会想,麦当劳拉面、日料皆是表面的现象, 他更关注的是每天吃了多少蛋白质,吃了多少纤维,吃了多少碳水化合物,他根据他每天要吃够的这些营养元素来去决定每天吃什么。那就像我们平时看到你要买多少股票,买多少证券,买多少黄金,这个就是表面上面的,你要吃什么汉堡,你要吃日料的,但底层的这一些元素,这些 蛋白质、碳水纤维就是对应的我们各个可量化的因子。好,那我们接下来说一说这些因子以及怎么去构建的。那这个世界上呢,有很多的这些因子,这些因子是不是越前年越好,越新越好?甚至你一个策略里面是不是越多因子越好呢? 其实不是的,我个人呢更加喜欢一些更古老的因子,比如说什么价值因子、质量因子、低波动因子、动量因子、小盘因子这一类的。因为其实我们看到有很多的学术论文,现在每年都还会去挖掘新的因子,但这些新的因子就给人感觉,哎,他又找到一个好像可以赚钱的数据量化特征。但其实你跑下来不一定 长期有超额收益,反而是那些传统的被时间无数人验证过的长期有效的因子,这些东西我比较喜欢。 那接下来我们就聊几个比较经典的因子。首先第一个呢就是小盘因子和价值因子。那小盘因子呢?这个非常经典的,因为在因子这一个流派最早的这个 farma french 三因子模型出来的时候,就带有市值因子, 当时他们就认为小盘股的超额收益可能会比大盘股来的更高。那这个呢,就是小盘因子,就相当于你发现了这个市场上面,哎,市值小的公司啊,长期来看,它的收益比市值大的公司更大,对吧?然后你就专门去投些市值小的公司,但有朋友会想说,就这么简单吗?没错,就这么简单 啊,只不过说纯粹的小盘因子呢,现在很多的论文的研究都看起来好像是失效了,好像纯粹的只是因为市值小,好像并没有带来超额收益。这里我也差一句话,怎么去定义这个市值小啊? 比如说你就在呃全市场取一个市值的中位数,那么低于这个中位数的这些市值的公司呢,就属于小市值,高于它就属于大市值,可以这样去处理。但是呢,也有很多大佬做过研究,就是市值因子其实并没有失效,而是因为小盘股里面太多垃圾了, 如果把那些垃圾公司剔除掉之后,然后剩下来的那些公司小盘依然是有明显的超额收益的。所以这就呃展开了,像是小盘因子跟价值因子的结合,或者小盘因子和质量因子的结合, 那我们就继续往下讲,什么是价值因子和质量因子,以及这些怎么去构建价值因子和质量因子,很多人它会混淆,但其实这两个是不一样的啊,价值因子指的是要买的便宜,便宜的东西有价值,其实它更加像一个性价比的概念,只不过说在一开始的时候定义了叫做价值,叫做 value, 然后就一直被传下来叫价值因子。 但它其实更像性价比的概念,比如说最经典的呢,就是这个市盈率、市净率、市销率这三个,对吧?啊?你就把市场上面,比如说整个市场所有的这些公司的市盈率去做一个排序,然后挑市盈率低的那百分之三十的公司拎出来,这里就构建了一个 价值因子的选股的一个结果。但当然你过程当中还可以做一些市值中心的,行业中心这之类的啊,这个我们就不去细说了,但是原理是不原理,那质量因子有什么呢?如果说价值因子的核心是要买的便宜的话,追求一个安全边际,那质量因子呢,就是要买的好。 我不管你这个东西便宜还是贵,但是我买到的东西必须要是好的。所以质量因子它更多是跟一些财报基本面有关的,比如说你的 o e 的 变化,你的净利润的增速啊,现金流的增速这一些,你通过财报的数据设定一些筛选条件,然后去筛出这个市场上面好的公司,不管它价格贵不贵,直接买进去啊,这个就是质量因子。 那么当你这样做呢,可能会塞出来一些估值比较高的公式,但没有关系的,相信模型,相信策略,贵有贵的道理嘛?所以价值因子呢是买的划算,质量因子呢是买的好。但在这里也说一下,同一个因子可能会有不同的构建方式啊,比如说有一些人觉得质量因子就应该更加侧重现金流层面的 来去构建,有一些人呢,可能会呃,在质量因子这里更加侧重凹义。质量因子里有些人可能更加侧重的数据特征,可能是呃利润表上面的营收的编辑变化,利润的编辑变化,但是这些本质上面都是质量因子,只是构建的方式有所不同而已。其讲到这里插一句话,你会看美股市场上有很多很成熟的那些呃 量化有关的 etf 的 产品,就是通过这些不同的因子构建而成的。比如说有一个 avu 啊,这个不构成任何推荐的,就只是做一个这个案例的一个展示。 avu 其实就是把小盘因子 和价值因子去做了一个结合利用的,就是我前面说的论文研究,就是在小盘股里面找出有价值的东西, 剔掉那些垃圾之后呢,可能仍然存在超额收益。还有像美股市场上面有一些跟质量因子有关的 e t f, 比如说 q l t y q l t i 啊,一个是美股本土的找那些高质量的公司,还有一个呢是去找国际上的高高质量的公司,但是这些在美股市场上一般来说流动性会差一点了, 它这个 e t f 因为这些比较冷门,所以流动性可能会比较差,但从他们上市以来的长期表现呢?看起来还行。然后再接下来我们说什么?再接下来我们说说动量因子和低波动因子啊, 这两个呢是我最喜欢的两个因子,一个进攻,一个防守。先说动量因子,动量因子是非常非常经典的,全球各个市场做金融人有很多人都去研究动量因子,因为它的逻辑非常的简单,强者恒强,弱者恒弱, 长得好的东西接下来会继续长得好,长得差的东西在接下来一段时间里面会继续长得差,对吧?但这个里面其实也有很多的误区, 比如说动量,很多人就会以为就是一家公司在过去长得好,他接下来就会长大,他不是这个这么简单啊,他首先最起码的你要分成横截面的动量跟时间序列的动量。那横截面的动量呢?就是比如说我在某一个时间点, 我去看市场上面的排名的这些公司有标普里面的五百家公司,这五百家公司长得好的靠前,长得差的靠后,这是一个相对的,这种比较长得好就叫横截面动量。还有第二个时间序列动量。时间序列动量就不不比较只看自身的绝对 一家公司在过去如果十二个月都是在上,呃,这个,这个连续上涨了多少多少个月的话, ok, 那 他就存在一个持续动量,他就走出了一定的趋势。 其实啊,其实持续的这种动量呢,更多时候我会把它愿意叫做趋势跟踪。那我自己平时所说的动量呢,更更加指的是横截面动量,因为横截面动量呢,是最传统最纯正的动量因子。好的,那么横截面跟持续动量可以解决我们什么叫做长得好,对吧?相对的长得好和绝对长得好。 那你怎么定义过去一段时间呢?哎,这里也是有一些门道的,我也看了,网上有很多的这种对于动量因子的定义,什么过去一个月长得好的,过去一天长得好的,我觉得都不太靠谱,因为这个是有实际的论文,并且呢是这个 cliff essence 啊,是很牛逼的一个人,大家可以去搜一下啊, fame french 的 学生 写过的一篇论文,做的一个研究,在动量因子这里,他去测试了过去一个月的动量,过去一年的动量和过去六十个月的相对长期一点的动量。 这三个不同时间维度的动量里面呢?短期一个月的跟长期六十个月的动量都不太靠谱,也就是你不能衡量过去一个月长得好,或者过去六十个月长得好,你未来就长得好。如果是按照这样的时间维度去定义的话,不太靠谱的,最靠谱的就是一年的维度,就是从现在这个时间节点过去一年, 但是要剔除最近的这个二月份,剩下的那些月份里面 的累计收益也好,平均收益也好,对全市场的工具取一个排名,然后把靠前的那些挑出来去投资,这个就是最纯粹纯正的横街面动量因子, 我自己试了一下,效果非常之猛,猛的我都有点怀疑人生了,但也有很多朋友说,就这么简单吗?动量因子确实就是这么简单,动量因子就是长得好的在未来会继续长得好。呃,其实这个里面它也是有道理的,因为本身价格就代表了很多的市场的指标。 动量因子呢,就是逻辑非常简单。那只不过你在处理数据的时候可能要麻烦一点。那美股市场上有很多 e t f 是 尝试去捕捉这个动量因子,什么 m t u m 啊,还有什么 s p m o 啊,但是 我觉得没有我的那个动量三十来的猛啊,我自己自己对比了一下。而动量因子还有一个玩法,就是它不只做 long lonely, 它去做 long shot 的 一个结合,去做多动量高的,做低动量差的那些,这个也是一种玩法, 去构建一些零贝塔的策略,但这个以后有时间再给大家展开来说吧,时间不要拖太长。最后再讲一个低波动因子,低波动因子这个也很简单,就是把市场上面波动率低的公司挑出来去进行投资,当然这个因子在构建的时候也是不同有不同定义,多低算低呢?排最后的那百分之三十,最后那百分之二十,最后那百分之十。 ok, 那 本质上面就是去挑选低波动的公式,这个是我觉得一个蛮反直觉的一个事情。那我没有去做过验证啊,因为正常来说,我们说你的收益本质上面是一种风险补偿,而波动又是风险, 你低波动了,你都低波动了,那风险补偿应该低啊,怎么可能会存在超额收益呢?但是我看你有一些论文说低波动因子也能创造一些的超额收益,所以其实在这一点上我自己是没太想明白的。但是看美股市场上面那些低波动因子的走势,哎,感觉还蛮有蛮蛮不错的哈。 这个感兴趣的朋友们呢,也可以继续研究,但我后面也会去看更多的一些跟低波动因子有关的一些研究啊,论文这些 深入了解一下,我还蛮感兴趣的。低波动因子,那为什么低波动还能有操作收益?好吧,那这条视频就给大家介绍一下什么是因子投资。那我自己呢,就是因为我自己工作和家庭的原因呢,工作上面会接收到比较多的我自己处理不过来的信息噪音, 然后在家庭层面呢,又有两个娃,所以实在是没有时间去再做主观多头去研究这些公司。那不如就把投资做的系统化一点,做一些不用钉盘的相信策略就好了。 那相信策略了之后,做了之后我发现不要相信自己,也不要相信别人,相信数据。好的,不知道这条视频这样讲对大家会不会有一些帮助啊?如果你们也对量化感兴趣呢?可以在评论区里面告诉我,后面可以多给大家出一些更加详细的关于基本变量化的一些视频。

ai 挖掘因子跑了两天了,然后我发现现在因子挖掘经常挖一些重复方向的因子,针对这个问题,我给 ai 引入了 quantum 算法的遗传算法思路。挖掘因子的时候会分为三步,第一步是从零生成新的因子, 同时保留因子生成轨迹。第二步是把效果比较好的因子进行变异方向去进行挖掘。 最后一步的话是把一些好的因子进行融合,产生新的因子,同时配合 m a b 多臂老虎机调度去对因子产生进化性的挖掘。现在给大家看一下报告, 报告中会打印出这些因子的进化路程,以及报告中还会把这些因子的挖掘的改进方向有写出来,这样 ai 挖掘因子就可以像进化论一样,好的基因越变越强,慢慢挖出来更有用更有效的因子。

一分钟学会一个金融小知识,为什么有的股票能长期跑赢市场?很多时候背后藏着同一个东西,因此今天一分钟讲明白。 因此就是一个能解释甚至预测股票收益的共同特征。说白了,就是什么样的股票更可能涨,理的那个什么样。 举个例子,历史上估值便宜的股票,长期平均表现往往更好,这个便宜就是一个因子,叫价值因子。 常见的因子还有不少,小盘股的规模因子,涨势延续的动量因子,盈利好负债低的质量因子,还有波动小的低波动因子。 量化就是用这些因子给成千上万只股票打分、排序选股。但记住,因子不会永远有效,会失效,会变拥挤。所以通常要多个因子一起用,而不是只压一个。 一句话,因子就是把什么样的股票更好。这个模糊的问题变成一个能测量的答案。关注我,下期继续!

哈喽,大家好,如果关注量化交易,肯定绕不开一个词,就是因子,什么因子?挖掘因子库啊等等,感觉这些词好像很耳熟,但真要问大家是什么意思,又有点说不清楚了。 没关系,今天啊,咱们就花点时间把这些概念掰开揉碎了,让大家一次听得明白。首先我们来搞清楚因子到底是什么。说白了,因子就是一个能帮我们解释股票为啥会涨,为啥会跌的特征,你可以把它想象成藏在股票背后的一种基因。 一个因子要想有用,关键就在于它的预测能力。但是这里有个非常重要的提醒就是,过去有效并不代表未来就一定有效,在历史数据里找到的规律,在未来的市场里啊,随时可能失灵,光知道定义还不够。因子至少可以分成两大类, 一类是风险因子,他们是用来解释市场风险和回报的,比方说我们经常听到的大盘股、小盘股的差异,但现在风险因子预测未来的能力已经很弱了。 另一类是阿尔法因子,这才是量化机构真正的秘密武器,他们存在的唯一目的啊,就是预测未来,去寻找那些能超越市场的阿尔法收益。那么常见的风险因子有哪些呢?像市值大小、市盈率高低、市净率等等,这些都是我们经常听到的,现在他们已经变成了市场的共识了, 是大家用来衡量风险的一把尺子,而不是用来赚取超额收益的工具。这里有一个特别有意思的现象,大家知道吗?几乎我们今天所说的所有风险因子,在他们刚被发现的时候,都是曾经能够挣钱的阿尔法因子, 但随着这个秘密被越来越多的人知道,他们的效果就被市场慢慢稀释掉,最后从一个秘密武器变成了一个人尽皆知的常识。虽然阿尔法因子这么厉害,那他们到底是从哪里来的呢?下一期我们继续揭晓。我是 jerry, 关注我,学习更多的氧化干货。

ok, 这条视频开始呢,会给大家开一个系列讲量化啊。那我们主要来讲一讲因子的构建。 what? 矿四坤公司呢?曾经公布了一百零一个因子的构建方式,那虽然我们今天再去复现这些因子做出来超额收益并不会有多少, 不过它里面会给我们提供一些呃去构建因子的思路,尤其是对于那些想要入门量化的朋友,我觉得去研究四坤一零一他是怎么构建因子的,对以后自己构建因子是有好处的。 今天这个视频我们就不废话,直接来看第一个吃亏的因子啊。这个因子看着还是蛮复杂的啊,但是我们一层一层去拆解倒还好,我们从里到外去看。在看之前,我先给大家说一下这个因子它大概是要找什么类型的公司,它大概呢就是要找到那些市场上面最耀眼的公 司。什么叫最耀眼?举个例子,我们可以把风险分成两波,一波是上涨的,一波是下跌的,价格冲的最猛的。那么第二类呢?如果是下跌的,他就想要找到跌的最恐慌的 问题就是你怎么定义涨得最猛和怎么定义最恐慌啊?我们先看最里面这一层,最里面这一层呢,其实就是每天去给每只股票去打一个 这种强度分。比如说如果一家公司在当天它的价格格是收涨的话,那它就价格越高,分数越高,用收盘价来去打分。所以你看它这里是个 close。 如果说一家公司在当天是下跌的话,那它就用过去二十天的波动率来去打分, 波动率越大,恐慌程度就越高。那为什么要这样去区分?因为在上涨的时候,价格本身就是很好的动量的指标,其实关于动量相关的因子基本都是由价格本身去构建的。但如果公司在下跌呢,再去看价格,它的意义就不大了。反而我们要看价格变化的离散程度,也就是波动率, 来去衡量下跌时候的恐慌程度。好,那这是它的第一层,对这里的一个公司打了分之后,然后呢再做一个带负二的平方,那作用其实就是应该是 让原本这个分数可能每家公司打出来差一点点,那你平方之后差距就会放大,能够让我们更好的看出每家公司在数值上面的差异。而我们往下来看第三层,这一层呢,就把每个公司的强度分返成了一个时间位置啊,就是在过去的 五天的时间里面,找出哪一天这个强度分最高,那么就返回当天的时间越近,那他在这里的得分就越大。 去理解这个呢啊,向前面说,不管是上涨的时候价格涨得高,还是说下跌的时候恐慌最多,这个是一个强度分,相当于是一个股票的高峰时刻, 但是我们想要去找的是,你的高峰时刻是不是离现在最近?时间位置离当下越近,是不是表明说你当下越处于你的高光时刻,所以这个是第三层。好,那我们再来看最后一层,第四层,第四层呢,其实就是 rank 去做一个排名啊,把前面的结果呢做一个横向比较,变成一个横截面的排名,然后在 应该是要做个归一化吧,归一化到零到一之间之后,再减个零点五,这样就可以结果变成是零轴为中心。正数就代表说这个股公司是 数值比较强的,负数就比较弱的,那这四层结合一起就是。再说如果一家公司他离自己的高光时刻越近,他的排名就越高,那怎么定义高光时刻?如果它是上涨的话, 涨的价格越高,如果他下跌的话,跌的恐慌程度波动率越大。讲到这,我们从数学构建上了解了这个因子,但很多朋友肯定还是有疑惑为为什么要这样做?他想要去反映什么样的一个东西?他其实想要去找的就是那些刚刚经历过极端状态的股票啊。短期的这个极端状态,比如说你短期动量 非常猛的,比如说你短期跌得非常恐慌的把这些公司挑出来,然后他认为短期高光的公司可能会继续被市场去追捧,短期动量可能会得到一定的延续,涨得猛的继续涨,而短期跌得最恐慌的那些,可能也会迎来反转。 所以这个因子呢,它是同时在找动量、趋势和均值反转,只不过呢,它的这个是一个非常短期的因子而已。那像我自己呢,其实是不太认可这一个因子的,因为不管动量效应还是反转效应,在短期里面的效果应该都是不佳的。但我没有试过日内啊,至少你说这个这个 月度为单位的话,不管是反转效果还是动量效果,其表现都很一般。但这个因子构建这里呢,我觉得很有收获的点是在数学上面帮助我们把两种看似相反的逻辑用一个数学公式给统一联动了起来,那上涨就找动量,下跌就抓反弹, 那本质的核心都是那些有近期极端表现的公司股票,值得关注。这个就是市坤里面的第一个因子,好的朋友们,不知道你们喜不喜欢这个系列,这个系列可能有一点点的门槛,门槛吗?我尽量讲的啊,简单直白一些,让大家知道说在因子投资里面,我们可以怎么用数学的方式去把 市场的这个表现给传达出来。如果你也喜欢我的视频,记得啊,拜拜,祝大家投资顺利。

这是一个量化因子回测的 ai 工作流,我不仅可以用它来做因子分析,还可以利用因子分析的结果筛选股票。这就是潘德 ai, 一个低代码的量化工作流,他把原先复杂的量化研究和策略开发过程拆解成了清晰可见的工作流节点。 你可以通过节点链接的方式,把原本需要编辑大量代码的量化流程转化为节点化、格式化的操作,实现因子计算与分析、 股票筛选与排序、策略的规则设定、回测验证策略的效果,最终形成一条完整的量化研究与策略回测链路。在这里,你只需要拖入 python 代码助手,向它输入你想要的因子条件,再通过这几个节点,你就可以完成对于这个因子的分析与回测,而这个节点则是可以下载 基于你这个因子筛选出来的股票信息。紧接着,通过这一条串联的策略回测工作流,就可以根据因子值的输出与代码助手交互。比如说你的策略规则、风控、开销条件等 运行成功之后,你就可以看到整个策略在历史中的表现,而在详情和账户信息中,还有基于回测时间具体的买卖信息,这样的话,你只需要五分钟的时间就可以完成你的策略回测。更值得一提的是,完成回测之后,右上角内置了一个 ai 分 析,它 会根据你的收益情况做出策略改进的思路与建议,就像一位非常专业的量化分析师帮你复盘整个策略的过程, 而这一切就是潘代 ai 提出的利用 ai 提高策略研究效率的最好方式,并不是让 ai 替你直接生成交易策略,而是把策略构建的思考权还给交易者,让 ai 去完成数据处理、计算、回测这些他真正擅长的工作。

你肯定见过这种场面,某只股票突然暴涨,散户一联盟,而量化交易员早在三周前就默默建好了仓位,他们凭什么?靠的就是一个东西,量化因子。 说白了,量化因子就是市场里的规律公式,比如市盈率低于十倍,且营收增长超过百分之二十,这就是一个选股因子。 但单一因子就像半杯水,借号太弱。真正厉害的是多因子组合,把估值、动量、波动率凝成一条绳。 怎么做?先选十个有效因子,比如低波动、高盈利、强趋势,再按历史数据给他们打分排名,取前百分之二十的股票构建组合,最后每月调整一次,剔除烂的、借好的。这就是方法论的基础。 但亮点在哪?因子会失效?你辛辛苦苦跑出的规律,突然某天就不灵了。真正的量化交易员,不是找永远赚钱的圣杯,而是动态追踪因子的生命周期,发现它,湿透它,在它失效前果断抛弃。 你能比别人早一周意识到因子开始退化,你就站在了收益曲线的顶端。一分钟的理解,可能就是财富的分水岭。

在量化投资里,很多经典的教科书理论到了 a 股,往往会发生一些有趣的质变。比如华尔街某家顶级对冲基金非常核心的 alpha 六号因子,它在海外原本是专门用来捕捉量价背离黑马股的。 但在我们对 a 股中证五百成分股进行过去三年多的实测后发现,这个指标不仅原有的多头逻辑失效了,甚至连反向操作都没能跑赢大盘,直接变成了一个让人容易踩坑的伪信号。这里是国金量化工坊,致力于带你看遍八百个因子, 如果你有想检验的因子或者策略,我们准备了学习资料,更有对接到实盘的量化软件免费提供。在拆解数据之前,我们先用大白话看看这个指标的底层逻辑。 他的设计非常直观,就是去计算过去十个交易日里,股票每天的开盘价和当天成交量之间的相关性。按照传统的经典量价理论,如果开盘价和成交量呈现负相关,也就是所谓的量价背离,往往意味着价格下跌时众人恐慌抛售或者价格上涨而无人问津。 这在理论上是很好的左侧潜伏机会,属于应当买入的高分优选组。反过来,如果开盘价和成交量高度同步,也就是追涨杀跌的形态,理论上应该坚决回避。 然而,当我们以中证五百成分股为标地尺,进行长达三年多的严格回测时,结果却很有意思。 按照传统理论,买入量价倍里最严重的高分阻,径直遭遇了一路下行,累计收益是负的百分之三十五点九四,年化收益为负的百分之十二点七二大幅跑输大盘,最大回撤也高达负的百分之四十二点三六。 而那些理论上应该回避、属于追涨杀跌的量价同步组,表现稍微好一些,累计收益率略得正的百分之十四点七九。虽然他调转方向后做到了正收益,但尴尬的是,同期的精准指数足足涨了百分之四十二点五九, 这个正确方向的组合依然没能跑赢大盘。更需要注意的是,这个看似能带来正收益的量价同步组,背后还隐藏着一个致命的结构性陷阱。 如果我们仔细拆解他的月度收益,就会发现他的稳定性非常差。在二零二四年九月份,这一组产生了一个单月暴涨百分之三十点五的极端异常值。 可以说,整个策略三年多的绝大部分收益,全靠这一个月在死撑。如果剔除掉这个疯狂的九月,他的累计收益将瞬间缩水,甚至直接转负。不仅如此, 在二零二五年的牛市中,精准指数暴涨了百分之三十四点六一,而这个因子选出来的股票,却完美错失了主升浪,几乎颗粒无收。为什么经典的量价背离指标在 a 股会彻底失效,甚至反转后也无法贡献超额收益? 通过深入分析,我们发现,这个因子值高的股票,往往天然自带低波动和低悲塔的特征。在 a 股中,证五百这种极其看重短期资金情绪和题材驱动的小盘股生态里,所谓的量价背离往往意味着彻底被资金遗忘。在强趋势行情中,这种反向思维反而成了作茧自缚, 追涨杀跌的量价同步反而更具投资价值。这也再次向我们证明,任何海外的经典量化指标,如果不结合 a 股独特的行为、金融学特征和市场微观结构,进行行业或市值的中性化改造, 直接单兵作战注定会走弯路。感谢您的观看,我们下一期继续拆解下一个神秘的量化因子。

你买的股票为什么总是跌?秘密可能藏在四个字里,量化因子,别被名字糊住。量化因子就是帮你筛股票的科学筛子。比如适应率因子,专挑便宜货,动量因子,专追涨得快的股票。 怎么做?第一步,选一个因子,比如低波动因子,只买价格波动最小的股票。第二步,回测十年数据,看他是否长期跑赢大盘。第三步,用程序自动执行交易,避免情绪干扰。 根据金融计量学研究,多因子组合的稳定收益能力远超单打独斗。举个例子,二零一五年股价平均只跌了百分之五,而大盘跌了百分之三十。 高手甚至用机器学习因子抓出隐藏规律,比如财报里研发费用占比普遍的公司,四年股价平均涨百分之十八。其实,变化因子不是魔法,它是把投资从拍脑袋变成批数据,掌握它,你也能在股市里做个有章法的聪明。

大家好,我是老黄一分钟因子系列第七集 f 零零七,它其实我目前可能讲过最复杂的一个因子,所以先跟大家一句话总结,它是用来找到市场对它分歧最大,并且用量去进行确认的这么一个因子。那为什么这么说呢?其实我们看这个因子, 它其实分成两个部分,它就是两个东西的基,一个是 rank tail volume, 一个用量做出来的一个 rank, 还有一个是左边的这一部分,它是通过一些价格信息做的一个 rank, 让我们来看一下它这左边这一部分里面在讲什么事情, 最核心的是它底层的这个括号里面有一个 v web 减 close, 这个事情在说什么?就是说 v web 大家都知道是成交量加权均价,我在之前的视频里面有讲过,成交量加权均价你可以认为是一天内在市场博弈之后,最终通过成交量确认出来的一个公允价格,你可以认为是那一天市场对这个标的的一个定价。 对那 close 是 什么?收盘价,你可以认为是收盘时刻市场对这个标的的一个观点,那么你想一下,如果收盘时刻的这个价格会比成交量加权均价要稍微低一点, 说明什么?收盘时刻市场相对于一整天来讲看跌的,在这个时候 vw 减 close 就 会是一个正数。同样的,如果收盘时刻 close 比 vw 要稍微大一点,那么 vw 减 close 就 会是一个负数,但是这其实是一个看涨的,说明市场的收盘时刻觉得啊应该再往上一点。那有了这么一个理解之后,我们再去看它这个 max vw 减 close 三,再说一件什么事情,它就说在近三天内,我们去找 vw 减 close 最大的那一天的那个数字,哦,它实际上是找到最弱的收盘时刻 在三天内最弱的那个程度的这么一个值。对,那同样的你去做命,因为大家要知道 vw 减 close 它越小说明越好,越大说明越不好。你如果取这个 minimum, 那 也是一样的,是找到这三天内收盘时刻最强的时候,那个强的幅度。它这里面有一个操作,其实是有一点小思考的,用 rank max ui 减 close 三,加上 rank min ui 减 close 三,你会想为什么你要去找这个最弱时刻的最弱的程度,但是你要还要加上这个最强时刻最强的程度, 这感觉是有点混淆,但实际上我认为它是在讲说如果有一个标地,它在最近三天内最弱的时候超弱, 最强的时候特别强,这时候说明了什么?说明市场对它的价格分歧非常大,就它这三天内有一个巨大的波动,你可以认为它其实就是用波动去确认,哇,就找哪个标的,这个市场分歧很大,在三天内它再乘以一个 rank delta volume 三,就这三天内量比它用量比去进行一个确认。 所以我们才回到开头说这个因子,它讲的其实上就是找到分歧最大,然后用放量或者缩量去确认的这么一个因子。那今天就跟大家分享到这里,谢谢大家,拜拜。

清晨我做了一个 volta t 的 因子,它在样本内的 safari 六 temperature 百分之四十和因子库的现有因子的最大相关性呢,也控制在零点四,感觉没什么问题,应该可以提交了吧。 嗯,这个 safari 六是在哪个 uni 四下测出来的?我是在中正一千这个 uni 四下测的, 你去测一下沪深三百里这个阿尔法强不强,抵 k 了多少。哎,沪深三百里上坡数只有三垒了好多。我去,怎么会这样! 是这样的没错,大的 uus 里的阿尔法普遍比小的 uus 要强,你在不同的 uus 里回测,相当于做了交叉验证。一个好的阿尔法应该在不同的 uus 里都有效。上坡数呢?基本上正比于 uus 数量的平方根。在沪深三百里上坡三的因子其实已经算不错了,其实可以提交了。 yes, 终于提交了第一个因子,也算是为公司业绩做点贡献了。看来我上十盘指日可待啊,对吧?星辰 一定要小心 overfitting, 等你提交后,观察一段时间真实的样板外表现再说吧。

带你看遍八百个量化因子第三期。这期的主角,华尔街某顶级对冲量化基金的公开因子编号阿法丹。他的核心逻辑非常简单,盯着股票的开盘价和成交量。如果在过去十天里,一直股票价格在涨,成交量却在缩, 也就是我们常说的量价背离,因此就会给他打高分。相反,如果是量价齐升的量价同向因子,就会给他打低分。按照美股的经典理论, 量价被离代表市场出现了定价异常,未来大概率会迎来反转,所以被离越严重的股票越值得投资。老规矩,我们直接上 a 股回测。我用沪深三百成分股做了一个长达三年半的回测,我把股票分成了两组, 一组是专门买量价被离的理论优选组,另一组是专门买量价同向的理论列式组。结果出来以后,好家伙又是一个反向指标。这三年半里,沪深三百指数自己涨了百分之二十七点八,而拿着顶级美股公式的理论优选组,累计收益居然也只有百分之二十七点八, 一分钱超额都没赚到,中间还一度亏的理论列式组,却拿到了近百分之三十的收益, 全程把优选股按在地上摩擦。为什么会这样?其实是因为美股和 a 股根本就不是同一个物种。美股是一个高度机构化的市场,当一只股票出现量价背离,机构投资者会迅速发现这种异常,然后进场做逆向套利,把价格强行拉回理性。 所以美股更讲究反转。但 a 股完全不同, a 股是一个情绪和流动性驱动的市场。在 a 股,由于散户基数大,大家天然喜欢追涨杀跌, 当资金看好一个赛道,所有人一拥而上的时候,就会形成极其强烈的放量暴涨。这种量价齐升在 a 股根本不是什么定价异常,而是最强烈的趋势信号, 你顺着这个趋势走,也就是买入理论列式组,在正当事里反而能跟紧主力,非常抗跌。这个因子在 a 股的失效,本质上就是美股的反转逻辑撞上了 a 股的动量趋势。通过这两期的回测,我们能看清一个真相,局生淮南则为局,生于淮北则为止。