量价因子之alpha004

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
量价因子之alpha003

---

---

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、alpha004因子逻辑表达式

((((SUM(CLOSE, 8) / 8) + STD(CLOSE, 8)) < (SUM(CLOSE, 2) / 2)) ? (-1 * 1) : (((SUM(CLOSE, 2) / 2) <
((SUM(CLOSE, 8) / 8) - STD(CLOSE, 8))) ? 1 : (((1 < (VOLUME / MEAN(VOLUME,20))) || ((VOLUME /
MEAN(VOLUME,20)) == 1)) ? 1 : (-1 * 1))))

理解：
1.考虑价格，根据近2日平均收盘价，是否介于近8日平均收盘价的正负一个标准差之间，来设计。
2.考虑量，当日成交量是否大于等于近20日成交量的均值，来设计。
3.价格，大于一个标准差，取-1，小于负一个标准差取+1，介于之间且满足成交量大于等于近20日成交量的均值，取+1，小于，取-1；
3.因子返回值为+1或者-1，两个值；
4.可以理解成，超跌了（小于负一个标准差）会反弹（+1），超涨了（大于一个标准差）会下跌（-1），正常涨跌（介于正负一个标准差之间）看成交量，放量（成交量大于等于近20日成交量的均值）则看涨（-1），缩量（成交量小于近20日成交量的均值）看跌（-1）。

二、因子Python实现

Python代码如下（示例）：

import numpy as np
import pandas as pd

def alpha191_004(data,roll_close_long=8, roll_close_short=2, roll_vol=20):
	# 价格
    roll_close_long_mean = data['close'].rolling(roll_close_long).mean()
    roll_close_long_std = data['close'].rolling(roll_close_long).std()
    roll_close_short_mean = data['close'].rolling(roll_close_short).mean()
    # 成交量
    roll_vol_ratio = data['volume'] / data['volume'].rolling(roll_vol).mean()
    # nan处理
    na_map = roll_close_long_mean.isna().astype(float).replace(1., np.nan) + roll_vol_ratio.isna().astype(float).replace(1., np.nan)
    
    # 大于一个正标准差
    condition1 = (roll_close_long_mean + roll_close_long_std) < roll_close_short_mean
    # 小于一个负标准差
    condition2 = (roll_close_long_mean - roll_close_long_std) > roll_close_short_mean
    # 放量
    condition3 = roll_vol_ratio >= 1
    
    # 根据condition取值
    alpha = (~data['close'].isna()).astype(float).replace(0,np.nan) # 初始化 非nan为1，nan仍为nan
    alpha[condition1] = -1
    alpha[(~condition1)&(~condition2)&(~condition3)] = -1
    
    return alpha + na_map    
   

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alpha004因子和收益gain之间的相关系数。

data['gain'].corr(alpha191_004(data))
0.09117828062406358

---

四、总结

alpha004量价因子，不过它先考虑价，后考虑量。价考虑超涨转跌，超跌反弹，是均值回归的思想。价格合理波动放量则涨，缩量则跌。回测结果为正值，表示正相关，有合理性。