00:00 / 07:26
连播
清屏
智能
倍速
点赞1823
00:00 / 05:54
连播
清屏
智能
倍速
点赞2167
00:00 / 04:40
连播
清屏
智能
倍速
点赞1304
00:00 / 11:13
连播
清屏
智能
倍速
点赞1990
从0到 1 搭建一套真正可用的因子体系🪜 很多量化同学一提因子库,第一反应是: 👉 我现在有多少个因子? 但做得越久你会越发现: 因子库的核心,从来不是数量,而是体系。 🔹 什么才是真正的因子库? 因子库 ≠ 一堆 Excel / Python 脚本 一个合格的因子库,至少要回答 4 个问题: 因子是怎么来的? 有没有未来函数? 不同市场环境下是否稳定? 能不能被长期维护和复现? 如果答不上来,那更像是「研究素材」,而不是「生产系统」。 🔹 因子库一定要分层 从零搭建,我强烈建议把因子库拆成三层: 1️⃣ 数据层 行情、财务、行业、停复牌、交易日历…… 👉 所有数据,必须严格对齐“当时是否可得”。 2️⃣ 特征层 收益率、波动率、换手、估值、财务比率等 目标是:干净、稳定、可复用 3️⃣ 因子层 因子 = 特征 + 规则 + 变换 去极值、标准化、中性化、参数版本 👉 因子一定是“有定义、有版本”的对象 🔹 因子工程的关键,不是多,而是统一 很多人一开始就想造 500 个因子, 但更重要的是先做这两件事: ✅ 每个因子都能一句话说清楚 ✅ 所有因子走同一套后处理流水线 否则因子之间根本不可比。 🔹 评估因子,别只盯着收益 一个因子能不能进因子库, 不是看某次回测赚不赚钱,而是看: IC 是否长期稳定、牛熊阶段是否有效、是否过度暴露行业/市值、换手和交易成本是否可接受、是否和已有因子高度相关 收益好但不可控的因子,更像研究样本,而不是生产因子。 🔹 因子库不是终点,而是开始 真正成熟的因子库,还一定包括: 因子注册表(谁做的、用的什么、什么版本)、严格的版本管理、覆盖率、分布、IC 的持续监控和回滚机制。 因子是资产,是要长期维护的。 ✅ 一句话总结 搭建因子库,本质上不是在找“神因子”,而是在构建一套让普通因子也能长期发挥价值的系统。 #量化投资 #因子研究 #因子库 #量化工程 #系统化投资
00:00 / 02:37
连播
清屏
智能
倍速
点赞552
【量化入门03】手撸8个经典技术因子 你将学到什么 - 区分因子、特征与Alpha信号三个概念的不同层面 - 掌握三大类因子的构建方法:技术因子、基本面因子、另类数据因子 - 理解动量、反转、波动率、换手率等技术因子的构建逻辑 - 掌握PE、PB、ROE等基本面因子的含义与使用注意事项 - 学会因子处理三大技术:Z-score标准化、截面排名、行业中性化 - 理解IC(信息系数)和IC_IR的计算方法与评价标准 - 掌握Rank IC(Spearman秩相关)为何优于Pearson IC 课程特色 - 真实美股数据实战(非模拟数据) - 可运行的Python代码(Jupyter Notebook) - 华尔街从业者视角:量化研究员的核心日常工作 - 因子从构建到处理到评估的完整方法论 - 行业中性化的必要性与实现方式 适合人群 - 想掌握量化选股核心技能的投资者 - 对因子投资感兴趣的金融专业学生 - 想从数据科学转向量化金融的工程师 - 需要系统学习特征工程方法的策略开发者 课程大纲 本节课内容概要: 1. 因子、特征、Alpha信号的定义与区别 2. 技术因子构建:动量、反转、波动率、换手率 3. 基本面因子:PE/PB/ROE等价值与质量指标 4. 另类数据因子:新闻情绪、Amihud非流动性 5. Z-score标准化与截面排名 6. 行业中性化——消除行业偏差 7. IC与IC_IR的计算、可视化与评价标准 配套资料 购买后你将获得: 1. 环境安装教学视频 2. Python源代码(Jupyter Notebook,可直接运行) #量化交易 #量化 #量化交易策略 #股票知识 #投资
00:00 / 01:29:28
连播
清屏
智能
倍速
点赞721
00:00 / 01:08
连播
清屏
智能
倍速
点赞NaN
00:00 / 01:15
连播
清屏
智能
倍速
点赞78