红利低波与创成长，加上动量过滤，年化12.6%（python代码）

原创文章第618篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。

未来几周，我们会做的几件事情：

1、数据方面：

基础量价数据自动更新，目前计划三类数据：指数、ETF、期货。（日线），期货是主连合约日线。

其他如果大家有需要，或者有好的数据源，请提供。

自动dump到csv供回测引擎使用，自动更新网站上策略的结果，产生交易信号。

basic信息，instruments列表信息。

2、整合单因子分析框架，主要是alphalens分析框架。

结合因子表达式，对单因子进行分析。

3、单因子回测策略。

4、因子挖掘整合进来——主要使用deap（也许会纳入gplearn这个看需要）。

5、StockRanker——基于lightGBM，多因子排序。

A股的指数，我同步了126支，至少有一支ETF基金的指数，也就是说，这个指数是可以交易的。

ETF排重之后（像沪深300指数的ETF有几十支）有150多支，从量化的角度，我们选择交易量最大的，通常也是规模最大的一支即可。——像黄金ETF，不方便同步指数数据的，直接使用ETF数据。

大家可以会好奇，为何不直接使用ETF，使用ETF自然是方便，但有些ETF的上市时间很短，所以数据很有限。而指数则会从更早的时间开始。

因此，我们把两份数据都提供。

昨天有同学留言，说希望提升因子挖掘的优先级，安排。

在因子挖掘之前，还是要新增单因子分析功能，否则你如何知道单个因子是好或不好。

在大类资产上，两周（10天）的动量IC值是明显的，因此，我们之前的周调仓，应该优化成两周调仓。

因子单调性一般：

单因子分析的代码如下——其实形式上与notebook还是streamlit无关——streamlit可以做交互，比如大家自己一选就可以直接查看结果，而notebook需要修改一点代码：

import streamlit as st


def build_page():
    from config import DATA_DIR
    instru = DATA_DIR.joinpath('instruments')
    import os

    files = os.listdir(instru.resolve())
    filename = st.selectbox('请选择投资标的集合:', options=files)
    with open(instru.joinpath(filename).resolve(), 'r') as f:
        symbols = f.readlines()

    symbols = [s.replace('\n', '') for s in symbols]
    st.write(symbols)
    factor_expr = st.text_input('请输入因子表达式', value='roc(close,20)')
    if st.button('加载数据并计算因子值'):
        with st.spinner('回测进行中，请稍后...'):
            from datafeed.dataloader import CSVDataloader

            loader = CSVDataloader()
            df = loader.get_df(symbols=symbols, set_index=True)
            df = loader.calc_expr(df, fields=[factor_expr], names=['factor_name'])
            # df.set_index(['date', 'symbol'], inplace=True)
            factor_df = df[['factor_name','symbol']]
            factor_df.set_index([factor_df.index, 'symbol'], inplace=True)
            close_df = loader.get_col_df(df, col='close')

            from alpha.alphalens.utils import get_clean_factor_and_forward_returns

            results = get_clean_factor_and_forward_returns(factor_df, close_df)
            # st.write(results)

            from alpha.alphalens.streamit_tears import create_full_tear_sheet
            create_full_tear_sheet(results)

代码位置如下：

历史文章：

量化策略优选发布，支持策略发布到服务器持续运行（附python代码）

年化26.4%，quantlab5.5发布——多任务机器学习组合优化，可视化策略生成向导（代码+数据）

AI量化实验室——2024量化投资的星辰大海