9.14工作笔记

M

• psy分析

• 冰红茶看看他的研究思路

https://bbs.quantclass.cn/thread/45169

• psyv4计算：首先算因子H 然后放到回测框架里算12H 衰减加权 和psyv1做比较

transperiod这个函数里面的for循环再看看

比如df是小时数据，hold_period为3D，这里offset为 0 1 2
那么在重新制定周期的时候，base 为0 1 2
比如2024-7-1 2024-7-2 2024-7-3 2024-7-4 2024-7-5 2024-7-6
offset为0:
2024-7-1 2024-7-4
offset为1:
2024-7-2 2024-7-5
offset为2:
2024-7-3 2024-7-6
并且最后把不同的offset的数据合并为新的df
这里这么做的原因是：我无论在哪天开始实盘，我都可以采用这个框架，而不用等几天再买

psy分析

• 和风格因子的相关系数 残差 资金曲线分析
• 分年份分析，和比特币的行情做对比，看这个因子在牛市还是熊市更有效果
• 因子的稳定性：看看不同offset下的因子表现（回归得到因子系数），看看因子系数是否存在很大差别
• 因子稳定性：看看不同持仓周期下的表现（回归得到因子系数）
• 流动性分析：将数据划分为不同的流动性组，对每个流动性组回归分析，观察因子在什么流动性下具有较好的表现
• 看看十分箱结果
• ic指数
• 币分析：对大币和小币进行分析，看这个因子对那种币有更好的效果

1 流动性分析，将数据按照流动性分为不同的组，分析不同流动性下因子的表现
2 因子稳定性分析：不同offset 不同持仓周期的表现 （实盘的时候做，目前12H）
3 大盘分析：和比特币行情对比，看因子在牛市和熊市哪个表现好 （做对冲，看表现如何）
4 风格因子分析（流动性 和 反转 资金曲线，分析psy的超额来自哪一部分）
5 找和psy相似的因子分析（流动性和反转风格因子的收益做比值，绘制曲线）

psyv1 psyv2 psyv3 psyv4
psy因子既是反转又是流动性因子

当涨跌幅为负数或者等于零的时候，psy为0
但是很多小币分钟内没有交易，它的涨跌幅为0
所以有了后面分离反转和风格的psyv2 3 4
1 dm_df_copy[‘涨跌分钟’] = np.where(dm_df_copy[‘涨跌幅’] > 0, 1, 0)
反转 + 流动性
2 dm_df_copy[‘涨跌分钟’] = np.where(dm_df_copy[‘涨跌幅’] < 0, -1, 0)
反转 + 流动性
3 dm_df_copy[‘涨跌分钟’] = np.sign(dm_df_copy[‘涨跌幅’])
反转
4 dm_df_copy[‘涨跌分钟’] = np.where(dm_df_copy[‘涨跌幅’] != 0, 1, 0)
流动性
_PSY = _dm_df_copy[‘涨跌分钟’].mean()

1 流动性分析，将数据按照流动性分为不同的组，分析不同流动性下因子的表现（这个在psyv1 2 3 4中已经做了）
2 因子稳定性分析：不同offset 不同持仓周期的表现 （实盘的时候做，目前12H）
3 大盘分析：和比特币行情对比，看因子在牛市和熊市哪个表现好 （做对冲，看表现如何）
4 风格因子分析（流动性 和 反转 资金曲线，分析psy的超额来自哪一部分）
5 找和psy相似的因子分析（流动性和反转风格因子的收益做比值，绘制曲线）
深度分析2

1 做大盘和因子对冲
2 得到流动性和反转风格资金曲线，分析psy的超额来自哪一部分
3 流动性风格、反转风格、psy收益做比值，做资金曲线
4 衰减加权 / 平均加权

因子分析方法

对因子进行深入分析可以帮助你更全面地理解它的表现和稳定性。除了你提到的从相关系数、残差、资金曲线、以及分年份的牛市和熊市分析外，还可以从以下几个方面进行进一步的分析：

1. 因子的统计显著性

• t-检验: 使用 t-检验来检验因子收益是否显著高于零。这可以帮助你确定因子在整体上是否具有统计上的显著性。
• p-值分析: 计算因子的 p-值，检验其统计显著性。低 p-值表示因子有可能是真实的，而不是偶然的结果。

2. 因子的多因素回归分析（done）

• 与其他因子的共同回归: 将你的因子 psy 与其他已知风格因子进行多因素回归分析，检查其在多因素模型中的表现和贡献。
• 回归系数稳定性: 观察 psy 在不同的回归模型中的系数稳定性，检查因子在多种市场环境下的表现。

3. 因子的风险调整

• 夏普比率: 计算因子的夏普比率，以评估其在调整风险后的表现。
• 信息比率: 计算信息比率来衡量因子的超额收益与跟踪误差的比率。

4. 因子的滚动回归（done）

• 滚动窗口分析: 对因子进行滚动回归分析，以检查因子在不同时间段的表现稳定性。可以使用不同的窗口长度来分析因子的长期和短期稳定性。

5. 因子的持仓分析

• 持仓分布: 分析因子在不同持仓区间的表现，了解因子是如何影响持仓的分布和构造的。
• 持仓周转率: 计算因子的持仓周转率，了解因子对投资组合调整的频率和影响。

6. 因子的投资组合测试

• 模拟策略回测: 使用因子构建投资组合，并进行回测，评估策略的整体表现，包括收益、风险、最大回撤等。
• 策略优化: 尝试优化基于因子的投资策略，调整持仓比例或权重，提升策略的表现。

7. 因子的经济解释

• 因子的经济意义: 分析因子的经济学解释，理解它如何反映市场行为或经济基本面。
• 与市场事件的关联: 研究因子在重大市场事件（如金融危机、政策变动）期间的表现，评估因子的经济意义和实用性。

8. 因子的特征分解（done）

• 特征分解: 将因子的收益分解为不同的特征（如风格因子、市场因子），分析因子表现的主要驱动因素。

9. 因子的模拟测试

• 蒙特卡洛模拟: 使用蒙特卡洛模拟对因子的表现进行模拟，评估因子在不同市场条件下的表现稳定性和可靠性。

10. 因子的适应性测试

• 不同市场环境下的测试: 在不同市场环境（如新兴市场、发达市场）中测试因子的表现，检查因子的适用性和稳定性。

11. 因子的流动性分析（done）

• 流动性影响: 研究因子对流动性的影响，检查因子是否在流动性不足时表现不佳。
• 流动性风险调整: 将流动性风险纳入考量，调整因子的表现评估。

总结

对因子进行综合分析不仅能帮助你理解因子的有效性，还能揭示其在不同市场环境下的表现和稳定性。通过多角度的分析，你可以更全面地评估因子的实际应用价值，优化投资策略，并提高因子的实用性。

脚本2