101个α因子#1

(rank(Ts_ArgMax(SignedPower(((returns < 0) ? stddev(returns, 20) : close), 2.), 5)) - 0.5)

worldquant brain平台上调整后的语法：

(rank(Ts_Arg_Max(Signed_Power(((returns < 0) ? ts_std_dev(returns, 20) : close), 2.), 5)) - 0.5)

这个alpha因子的逻辑可以分为以下几个步骤：

1. 条件选择数值源：

   • 当某天的收益率为负时，使用过去20天收益率的标准差（波动率）。
   • 当收益率为非负时，使用当天的收盘价（close）。

2. 符号保留的平方变换：

   • 对上述选择的数值进行Signed_Power（保留符号的平方运算）。由于标准差和收盘价均为正数，此处等价于普通平方操作，结果均为正数。

3. 寻找最大值位置：

   • 计算过去5天内平方后的最大值出现的时间位置（Ts_Arg_Max）。该值越小，表示最大值越近（0为当天，4为5天前）。

4. 横截面排名：

   • 对所有股票的“最大值位置”进行排名（rank），转化为0到1之间的分位数。

5. 中性化处理：

   • 将排名减去0.5，使因子值围绕0对称，正值表示近期出现极值，负值反之。

逻辑解析：

• 下跌时波动放大：当收益率为负时，使用波动率平方，捕捉恐慌或超卖信号。
• 上涨时价格动量：当收益率为正时，使用收盘价平方，追踪价格趋势强度。
• 时间敏感性：通过Ts_Arg_Max识别极值的新近程度，近期极值可能预示趋势延续或反转。
• 横截面比较：排名机制筛选近期表现突出的股票，做多强势股，做空弱势股。

潜在策略意图：
该因子试图结合波动率突变和价格动量，捕捉短期市场过度反应后的修正机会或趋势延续信号。近期出现极值的股票可能更具方向性动能，通过排名中性化处理构建多空组合。


目前没有调整至可提交的状态。欢迎留言交流！