量价因子之alpha003

系列文章

量价特征因子的量化分析
量价因子之前言
量价因子之alpha001
量价因子之alpha002

---

---

说明

关于本系列文章的背景、引用报告、因子表达式中的变量、函数、回测等说明，请参考：量价因子之前言

一、alpha003因子逻辑表达式

SUM((CLOSE=DELAY(CLOSE,1)?0:CLOSE-(CLOSE>DELAY(CLOSE,1)?MIN(LOW,DELAY(CLOSE,1)):MAX(HIGH,DELAY(CLOSE,1)))),6)

理解：
1.只考虑价格，根据当天收盘价是否大于前日收盘价（当日涨或跌）来设计。
2.当日收涨，用CLOSE-MIN(LOW,DELAY(CLOSE,1))，阶段性最大涨幅；
当日收跌，用CLOSE-MAX(HIGH,DELAY(CLOSE,1))，阶段性最大跌幅；
当日不涨不跌，用0.
3.用每天的前6个交易日的2的sum，来得到alpha因子值

二、因子Python实现

Python代码如下（示例）：

import numpy as np
import pandas as pd

def alpha191_003(data, sum_period=6):
    """
    SUM( (CLOSE=DELAY(CLOSE,1)?0:CLOSE-(CLOSE>DELAY(CLOSE,1)?MIN(LOW,DELAY(CLOSE,1)):MAX(HIGH,DELAY(CLOSE,1)))),6)
    """
    # DELAY(CLOSE,1)
    delay1 = data["close"].shift(1)
    
    # CLOSE>DELAY(CLOSE,1)
    condition2 = data["close"] > delay1
    
    # CLOSE<DELAY(CLOSE,1)
    condition3 = data["close"] < delay1

    part1 = data["close"] - np.minimum(data["low"][condition2], delay1[condition2])
    part2 = data["close"] - np.maximum(data["high"][condition3], delay1[condition3])
    alpha = part1.fillna(0) + part2.fillna(0)
    alpha = alpha.rolling(sum_period).sum()
    return alpha

三、因子回测

因子和收益之间的相关系数

简单以某只股票的量价回测alpha003因子和收益gain之间的相关系数。

data['gain'].corr(alpha191_003(data))
-0.381759372433842

---

四、总结

alpha003单纯价格因子，考量阶段性最大涨幅或跌幅。回测因子和收益之间的相关系数为-0.38（不同股票不同时期计算得到的系数不同，仅做参考），负值表示负相关，有阶段性涨多了会跌，阶段性跌多了会涨的意思，即均值回归。