量化研究---alpha002量化因子分析研究检验

落花忆流年 · 发表于 10 小时前

继续分享量化因子alpha002，前面分析了alpha001的量化因子的思路

今天在把算法迁移到ptrade,感觉不同的平台接口不一样，还是比较考验代码能力

先了解一下因子的建立

python计算原理代码

def alpha002(data, dependencies=['closePrice','lowestPrice','highestPrice'], max_window=2):
    # -1*delta(((close-low)-(high-close))/(high-low),1)
    win_ratio = (2*data['closePrice']-data['lowestPrice']-data['highestPrice'])/(data['highestPrice']-data['lowestPrice'])
    return win_ratio.diff(1) * (-1)  # 注意：删除了 .iloc[-1]

Alpha002 = - [ R(t) - R(t-1) ]

数据原理

R 的几何意义在一根 K 线（最高价 H，最低价 L，收盘价 C）中：

close - low：收盘价距离最低点的幅度（下影线 + 实体下方）

high - close：收盘价距离最高点的幅度（上影线 + 实体上方）

相减：衡量收盘价在 K 线中的偏移方向与程度。

若 C 接近 H：close-low 大，high-close 小 → R 接近 +1

若 C 接近 L：close-low 小，high-close 大 → R 接近 -1

若 C 接近中点：R 接近 0

所以 R ∈ [-1, 1]，可视为归一化的收盘偏移强度。

Delta 与负号的作用

delta(R, 1)：R 的变化趋势（上升 / 下降）

取负号：反转变化方向

因此 Alpha002 高 → R 快速下降；Alpha002 低 → R 快速上升。

因子的交易逻辑与思路

该因子捕捉 K 线内部收盘价偏移方向的短期反转，而非趋势延续。当 R 快速上升时（收盘价持续走强），因子产生负值，提示卖出或减仓；当 R 快速下降时，因子正值，提示买入。这是一种均值回归 / 反转型因子，尤其适合震荡市场。

Alpha002 是一个典型的日内收盘偏移反转因子，通过测量收盘价在 K 线中的相对位置的变化速度，捕捉极短期的价格回归行为。它在量化交易中常用于构建高频或日内的均值回归策略，尤其适合与趋势因子搭配使用。

流程图

我利用因子分析框架，利用全市场的etf数据分析这个因子，计算全部的因子数据

因子的分组检验

分组统计

ic分析

IC 衰减分析

分层收益绩效

不懂的问我就可以，加我备注入群可以加入量化研究群

因子的概括，需要结合其他因子优化完善

>>> Fama-MacBeth 回归 (因子溢价) <<<
Fama-MacBeth 因子溢价 (1D): 常数项=0.000224, 因子系数=0.000238
解释: 因子值每增加1单位，未来1D日收益变化 2.38 bps
------------------------------------------------------------
【1】信息系数 IC 均值（预测方向准确率）
    IC = 因子值与未来收益的相关系数，范围 [-1, 1]。正值表示因子越大未来收益越高。
    当前 IC 均值 = 0.0216
    ⚠️ 评价：一般（0.01~0.03），有一定预测作用但较弱。
------------------------------------------------------------
【2】ICIR（信息比率，IC均值 / IC标准差）
    衡量因子预测的稳定性，越高说明每次预测的可靠性越一致。
    当前 ICIR = 0.0883
    ❌ 评价：较差（<0.2），因子预测忽高忽低，不靠谱。
------------------------------------------------------------
【3】多空组合夏普比率（做多因子最大组，做空最小组）
    衡量因子区分好坏股票后，多空对冲策略的风险调整收益。夏普 > 1 优秀。
    当前多空夏普 = 1.1659
    ✅ 优秀（>1），因子能构造出高盈亏比的策略。
------------------------------------------------------------
【4】平均换手率（每日因子分组中股票变动比例）
    换手率越低，交易成本越低，策略越容易实现。
    当前平均换手率 = 1.8747（每日约 187.5% 的股票换出）
    ❌ 高换手（>60%），频繁交易会严重侵蚀收益。
------------------------------------------------------------
【5】因子自相关系数（一阶自相关，衡量因子值的稳定性）
    数值越高，因子变化越慢，选股逻辑越连贯。
    当前因子自相关 = -0.5061
    ❌ 低稳定性（<0.5），因子频繁反转，难以跟踪。
------------------------------------------------------------
【6】Fama-MacBeth 因子溢价（单位因子值带来的日度超额收益）
    当前因子溢价 = 2.38 bps
    ✅ 溢价显著（>2 bps），经济意义强。
------------------------------------------------------------
【7】分组收益单调性检验（Spearman秩相关）
    检验因子值越大，收益是否越高（单调递增）。相关系数接近1表示单调性好。
    Spearman相关系数 = 0.4909，p值 = 0.1497
    ❌ 无显著单调性，因子区分度差。
------------------------------------------------------------
【8】极端值分析（因子值最高10% vs 最低10%）
    比较极端组的平均收益，考察因子两端是否有明显区分。
    最高10%因子值平均收益: 9.16 bps
    最低10%因子值平均收益: -3.35 bps
    极端多空收益差: 12.51 bps
    ✅ 极端组差异大，因子能有效捕捉极端机会。
------------------------------------------------------------
【9】月度IC稳定性（月度IC均值的标准差）
    标准差越小，因子在不同月份的表现越稳定。
    月度IC均值的标准差 = 0.0456
    ✅ 非常稳定，月度IC均值波动小。
------------------------------------------------------------
【10】多空组合最大回撤持续期
    最长的连续亏损天数，反映策略的“痛苦期”。
    最长回撤持续期 = 325 个交易日
    ❌ 回撤期过长，策略可能长时间失效。
------------------------------------------------------------
【11】分层收益夏普比率对比（最高组 vs 最低组）
    因子值最高组夏普比率: 0.6731
    因子值最低组夏普比率: -0.3142
    ✅ 最高组夏普显著优于最低组，因子区分度高。
------------------------------------------------------------
【12】因子值分布特征（偏度、峰度）
    偏度接近0表示对称，峰度接近3表示正态分布。极端偏离可能影响分组稳定性。
    偏度 = -0.0178，峰度 = -0.7210
------------------------------------------------------------
【13】最新20日IC趋势（滚动均值变化）
    正值表示近期因子预测能力在增强，负值表示衰减。
    最近20日IC均值变化: -0.0323
    ❌ 近期IC下降，因子可能正在失效。
------------------------------------------------------------
【14】多空组合卡玛比率（年化收益 / 最大回撤）
    原理：衡量单位回撤风险带来的年化收益，数值越大越好。
    当前卡玛比率 = 1.1298
    ✅ 优秀（>1），回撤控制好，收益风险比高。
------------------------------------------------------------
【15】多空组合回撤修复天数
    原理：从最大回撤谷底回到前高所需的天数，越短越好。
    当前修复天数 = 220 个交易日
    ❌ 修复极慢，可能策略失效期过长。
------------------------------------------------------------
【16】多空组合月度胜率
    原理：每月正收益的比例，衡量策略月度表现的稳定性。
    当前月度胜率 = 66.15%
    ⚠️ 胜率过半但仍有较多亏损月份。
------------------------------------------------------------
【17】多空组合与市场收益相关性
    原理：衡量因子策略是否与市场走势相关，低相关有分散化价值。
    当前相关系数 = 0.0163 (p=0.5613)
    ✅ 低相关，可作为市场中性策略。
------------------------------------------------------------
【18】IC序列的偏度与峰度
    原理：偏度≠0表示IC分布不对称，峰度>3表示有厚尾风险。
    偏度 = -0.0917，峰度 = -0.2720
    ⚠️ IC分布异常，可能存在极端预测值。
------------------------------------------------------------
【19】IC序列的自相关（滞后1天）
    原理：衡量今日IC与明日IC的关系，高自相关表示预测能力持续。
    当前IC自相关 = -0.0707
    ❌ IC自相关低，因子效果容易反转。
------------------------------------------------------------
【20】IC的滚动波动率（20天）
    原理：IC波动越小，因子越稳定。
    近期IC波动率 = 0.2414
    ❌ 高波动，因子预测忽强忽弱。
------------------------------------------------------------
【21】因子值极端值比例（超出±3σ）
    原理：极端值过多可能导致分组不稳定。
    当前极端值比例 = 0.00%
    ✅ 极端值很少，数据质量好。
------------------------------------------------------------
【22】因子值滚动标准差的稳定性
    原理：因子截面离散度的变化程度，变化越小越稳定。
    滚动标准差的标准差 = 0.0654
    ⚠️ 离散度变化大，因子区分能力时强时弱。
------------------------------------------------------------
【23】分组换手率的稳定性（各分位组换手率差异）
    原理：各组换手率差异小，说明因子在不同分位组间切换频率一致。
    换手率组间标准差 = 0.0972
    ⚠️ 不同组换手差异大，可能在某些组过度交易。
------------------------------------------------------------
【24】分组收益中位数差异（最高组 vs 最低组）
    原理：中位数差异比均值更稳健，反映典型收益差。
    中位数收益差 = 6.38 bps
    ✅ 中位数差异显著，因子稳健有效。
------------------------------------------------------------
【25】分组收益t检验（最高组与最低组）
    原理：检验最高/最低组收益是否显著异于零。
    最高组 p值 = 0.1298，最低组 p值 = 0.4793
    ❌ 最高组收益不显著异于零。
    ❌ 最低组收益不显著异于零。
------------------------------------------------------------
【26】各组最大回撤深度对比
    原理：各组自身的最大回撤，反映极端风险。
    最小组 (Q1.0) 最大回撤: -48.07%
    最大组 (Q10.0) 最大回撤: -25.16%
    ✅ 最大组回撤小于最小组，因子抗跌性好。
------------------------------------------------------------
【27】最高组连续盈利/亏损天数
    原理：反映策略的持续赚钱能力和风险暴露时长。
    最长连续盈利天数: 13 天
    最长连续亏损天数: 9 天
    ⚠️ 存在较长连续亏损期，需做好风控。
------------------------------------------------------------
【28】综合评级与最终建议
📊 因子综合评分 (越高越好): 3.27 / 40
各维度评分明细（括号内为满分）:
  IC均值 (0.0216)          → 2.16/10
  ICIR (0.0883)             → 0.09/5
  多空夏普 (1.1659)        → 1.17/5
  换手率惩罚 (1.8747)  → 0.00/5
  因子自相关 (-0.5061) → -2.53/5
  因子溢价 (bps) (2.38) → 2.38/5
📝 因子诊断总结
  综合评级: D (较差)
  操作建议: 不建议单独使用，请重新审视因子定义或数据。
💡 针对性优化建议：
   - IC波动大，可尝试对因子值进行平滑或使用滚动分位数。
   - 换手率过高，可延长调仓周期（如5日或10日）或使用衰减权重。
   - 因子稳定性差，可考虑加入动量约束或过滤噪声。
   - 近期IC衰减，建议暂停使用，观察市场环境变化。