量化交易 米筐 多因子合成（回测中使用）

最新推荐文章于 2024-03-23 15:41:26 发布
最新推荐文章于 2024-03-23 15:41:26 发布
阅读量825 收藏 4
点赞数
分类专栏： 量化交易 文章标签： 量化交易 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45875105/article/details/121621444
版权
本文介绍了如何在量化交易中使用PCA方法合成多个相关因子，通过结合inc_revenue_ttm和operating_revenue_growth_ratio_ttm两个因子创建新的因子inc_operating。
摘要由CSDN通过智能技术生成

多因子合成

1、因子合成

将一些相关（高、低）的因子合成一个因子

方法: 使用PCA方式（使用于较强相关性）

2、核心代码

将因子 inc_revenue_ttm 和 operating_revenue_growth_ratio_ttm 合成为一个因子
inc_operating

from sklearn.decomposition import PCA
pca = PCA(n_components=1)
# 因子合并
fund['
了解本专栏 订阅专栏 解锁全文 超级会员免费看
廷益--飞鸟
关注
专栏目录
订阅专栏
量化交易 米筐 单因子回测框架（因子方向性确定）
廷益_飞鸟的博客
11-10 1681
因子方向性确定 当筛选出部分因子后，其实我们还要去观察它在回测过程中真实的收益率情况， 所以需要建立每个因子的回测框架，主要对不同分位上的股票进行统计。 也就是 以下图： 代码 # 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。 # 对每个因子, 在股票位置上（因子的方向）的回测结果统计 import numpy as np # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。 def init(context):
量化交易 米筐 策略回测总结
热门推荐
廷益_飞鸟的博客
10-11 1万+
量化交易 实战第八课 单因子回测框架
我是小白呀的博客
03-22 1万+
量化交易 实战第八课 单因子回测框架.
利用米筐量化回测平台实行量化炒股
weixin_42218868的博客
09-21 5531
1、主要属性 2、代码 # 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。 import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression#线性回归算法正规方程求解 # 在这个方法中编写任何的初始化逻辑。contex...
单因子测试框架和单因子回测框架搭建
黑马程序员官方博客
12-27 1269
刚才我们在研究平台上所做的因子IC分析和因子收益率分析都属于因子的测试框架，因为我们使用的第三方平台，所以没有办法做一个比较完整的通用的测试系统。但是目的是为了测试选出表现较好的，如果我们建立好了测试结果？因子分析完了接着做什么？当筛选出部分因子之后，其实我们还要去观察它在回测过程当中真是的收益率情况。所以要建立每个因子的回测框架，主要对不同分位数上的股票收益进行统计。统计完结果之后我们需要对上百个因子进行一次筛选，在这里采取打分排名。
多因子权重优化方法比较
Ricequant的博客
12-14 7956
多因子权重优化方法比较  在多因子量化投资体系中，具有稳定的预期收益，可解释的经济驱动理论，与其他因子的低相关性是选择alpha因子的关键指标。本篇文章中，我们以此为因子选取标准，简单地构建了自己的因子库，总共包括八个大类因子，每个大类因子中包含四到五个子类细分因子。为了比较不同的权重优化方法的优劣，本文首先采取不同的方法对各个大类因子下的细分因子进行合成，确定了不同大类因子的各自最优的合
米筐四季度策略精选
Ricequant的博客
01-08 2330
阅读原文请点击链接：https://www.ricequant.com/community/topic/4691/?utm_source=CSDN     白马过隙，随着最后一代90后正式踏入成年大关，我们也与2017正式说再见。在过去的一年里，公众号的粉丝成功翻番。在我们普及金融科技教育的同时，收获了与用户间的深厚友谊。本篇文章将为大家梳理2017年四季度一起度过的美好回忆。  
单因子回测
最新发布
qq_49635902的博客
03-23 1314
市场中性的 Alpha 策略旨在利用资产的价格波动，而不受整个市场的整体涨跌影响核心思想是通过同时买入和卖出相关联的资产，以达到对冲市场风险的目的，从而专注于捕捉资产之间的价差或其他价格不一致性所产生的 Alpha。
单因子测试框架
纸上得来终觉浅
06-01 4485
单因子测试框架：分层回测、回归法、因子IC 值分析1. 首先，我们对各换手率因子依次进行详细的分层模型回测，分析各分层组合的业绩表现和多空组合的表现，判别因子区分度、单调性、稳定性和在不同规模公司、不同一级行业间的业绩强弱。2. 接下来我们使用回归法进行因子测试，对因子收益率序列和回归产生的t 值序列进行统计层面上的分析。3. 我们还计算了各因子的IC 值序列、IR 比率，综合识别有效因子。...
量化交易 米筐 构建一个完整策略
廷益_飞鸟的博客
10-10 2605
实现第一个股票策略 1、选股简单介绍 选择某些表现比较好的股票作为股票池，从中进行交易的判断或者直接购买。 2、需求 选股：获取市盈率大于50且小于65，营业总收入前10的股票 调仓：每日调仓，将所有资金平摊到 10个股票的购买策略， ​ 一次性卖出所有不符合条件的股票 3、代码 # 选股：获取市盈率大于50且小于65，营业总收入前10的股票 # 调仓：每日调仓，将所有资金平摊到 10个股票的购买策略，一次性卖出所有不符合条件的股票 # 在这个方法中编写任何的初始化逻辑。context对
量化交易 米筐 使用Alphalens因子分析
廷益_飞鸟的博客
10-20 1578
4、因子分析工具-Alphalens 官网说明书 收益率分析 Returns Analysis 信息IC分析 Information Coefficient Analysis 换手率分析 Turnover Analysis 分组分析 Grouped Analysis 4.1 alphalens的数据结构 处理之前需要 准备因子数据、价格数据、行业分组数据 alphalens.util alphalens.utils.get_clean_factor_and_forward_returns(facto
量化交易 米筐 案例：市值因子选股策略
廷益_飞鸟的博客
10-11 1813
案例：市值因子的选股策略 1.结果 获得超额收益 年化 49% 2. 从股票中选择市值小的股票 选定财务数据筛选 进行每日调仓(多因子选股调仓 周期频率会小一些) 3. 代码 估值有关指标 # 在沪深300股票中，选出市值比较小的10只股票 # 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。 def init(context): # 沪深300组合 stocks = index_components('000300.XSHG') # 沪深3
因子回测效果框架
kangzuoning的博客
08-03 1173
输入：开始日期、结束日期、因子名、调仓间隔、滑点、手续费、基准、分组个数、资金、股票池输出：因子效果图、对数图转化
量化交易 米筐 因子数据处理--去极值
廷益_飞鸟的博客
10-12 802
2. 去极值处理 不是删除，而是拉回正常范围。 2.1 三种方法 分位数去极值 中位数 绝对偏差去极值 正态分布去极值 3.分位数去极值 3.1 中位数 排序后，处于中间位置的那个数。Median 奇数：中间的那个数 偶数：中间两个数的平均值 3.2 四分位数 第一四分位数（Q1）排列后25% 第二四分位数（Q2）排列后 50% 中位数 第三四分位数（Q3）排列后75% 3.3 百分位数 百分位数：数据所处位置为整体的某个%位数 0 quantile = 0 percentile 0.25qua
米筐开源量化框架 RQalpha 安装使用
Leo的博客
12-30 9245
RQalpha 是 Ricequant 开源的量化框架，提供数据获取，算法交易，策略回测，实盘模拟，实盘交易，数据分析等功能。RQalpha 的安装过程并不十分友好，本文讲述如何安装 RQalpha。安装环境是 Mac OS 操作系统。 安装步骤 1. 创建虚拟环境 RQalpha 推荐使用虚拟环境来安装，以避免由于各种环境问题导致安装失败。可以使用 conda 来创建虚拟环境，为使用 conda...
《Python量化投资》01 量化投资之单因子测试（概述，Pandas的适用）
当回首往事的时候，不会因虚度年华而悔恨，也不会因碌碌无为而羞愧。
01-19 5061
一、 股票aplha多因子策略介绍 量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。从全球市场的参与主体来看，按照管理资产的规模，全球排名前四以及前六位中的五家资管机构，都是依靠计算机技术来开展投资决策，由量化及程序化交易所管理的资金规模在不断扩大。 1.1 股票alpha多因子 多因子投资：先去找一些系列单个的因子，将单因子进行合成，完成一个大的因子alpha。利用大的a
量化交易 实战第十课 多因子合成
我是小白呀的博客
03-24 8431
量化交易 实战第十课 多因子合成.
分享米筐量化的使用方法
1841085904的博客
12-08 2328
我们以上图所提到的股票月线为例，df = pro.monthly(ts_code='000001.SZ', start_date='20180101', end_date='20181101', fields='ts_code,trade_date,open,high,low,close,vol,amount')以上米筐量化的使用方法部分内容，对于熟悉编程的用户来说，并不是很复杂。可以看到，ts_code是要分析的股票代码，然后是两个开始与截止时间，后面的fields跟着的是关注的数据。
基于python的个人量化交易系统设计与实现代码
01-11
基于Python的个人量化交易系统的设计与实现代码主要包括以下几个部分：数据获取、策略制定、交易执行和风险控制。 首先，数据获取是量化交易的基础。我们可以利用Python的库如Pandas、Numpy或者Quandl等获取金融市场的历史数据或者实时数据，包括股票、期货、外汇等各种金融工具的行情数据。 其次，策略制定是量化交易系统的核心。我们可以利用Python编写各种量化交易策略，如均线策略、动量策略、套利策略等。通过Python的数据分析和机器学习库（如Scikit-learn、Tensorflow等），我们可以进行策略的优化和回测，评估策略的盈利能力和风险水平。 接着，交易执行是量化交易系统的重要组成部分。我们可以利用Python的交易API接口，将编写好的交易策略与交易账户连接起来，实现自动化交易。Python的交易API包括各种证券公司的交易接口，如雪球、米筐等。 最后，风险控制是量化交易系统的关键。我们可以利用Python编写各种风险控制模块，包括止损、风险分散等。通过Python的数据分析能力，我们可以对交易策略的风险进行监控和管理，保证交易系统的稳健性和安全性。 综上所述，基于Python的个人量化交易系统设计与实现代码需要充分利用Python的数据分析、机器学习和交易API等功能，完成数据获取、策略制定、交易执行和风险控制等各个环节，从而构建一个完整的量化交易系统。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

廷益--飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值