|
背景 说来也很有趣，本人计算机毕业，写了十多年代码，无意之间接触到了量化领域，便开始了一系列的克肝之路 由于缺乏金融知识，甚至连K线图是什么都不知道的情况下，便开始了这场金融之旅。每天除了本质工作以外，一空阅读大量的基础金融知识，从最基础的知识入手，不断的学习大佬们的一些成熟经验。好在自己程序猿出生，Python的一些基础也终于坐到了信手拈来，一切觉得变得美好起来。
然而事与愿违，匮乏的金融知识在编写策略的时候被无限放大，拉跨的回测曲线一次次的打击我，也许就快放弃的时候，接触到了AI的知识，包括机器学习、深度学习，喜欢数学的我立马开始研究案例和研报，寻找大量的资料，终于，让我摸到了门槛 （激动中）
因子的本地化计算因子作为量化交易里非常重要的因素，直接决定量化策略的质量如何。每个因子都代表一些有效的（产生正超额收益，即最高分位）和无效的投资策略（产生负超额收益，即底部分位），因子之所以如此重要，是因为一旦认定一个因子具有投资价值，它就可以与其他因子相结合创建复杂的模型，从而产生强大且稳定的超额收益。 古语云工欲善其事必先利其器，在编写策略中我们花费了很多时间花在因子上，例如因子挖掘、因子计算、因子分析，因子组合、因子测试等等，所以好的工具尤为重要。好的因子以及相互组合，无论在传统策略，或者配合上AI模型（机器学习、深度学习），都会有一些不错的收益。目前量化平台上受限于技术平台（服务器资源，例如CPU、内存等因素），很多因子计算都需要自定义方法去做大量去计算，从获取基础数据、基础特征，再去计算因子值，这样的计算耗时耗力。那能不能通过简单的公式表达式去计算一些因子呢？ 我这里给出一些示例：
- <blockquote>Factor1=close_0/ts_min(close_0,20)
- Factor2=ts_max(high_0,3)/close_0
- Alpha001=(rank(correlation((high_0+low_0+close_0+open_0)/4,volume_0,4))*rank(correlation(rank(low_0),rank(mean(volume_0,50)),12)))
传统的方法计算factor1、factor2还行，计算这种alpha101中的因子是一个很棘手的问题，而且服务器的资源也是一大瓶颈（1核6G内存），因此我把因子计算拉到本地，用一套因子计算引擎，来解决这类的问题。
效果还可以，2013年~2023年的11年A股的全部数据，三个因子计算耗时在1min4s左右。 初入量化领域可能对因子的概念比较模糊，至少我当年刚开始的时候，几乎只知道一些择时、风控等方式，对于一些诸如alpha101因子有啥作用完全是懵逼状态，根本不知道怎么用。随着不断的研究、学习，才发现因子才是量化的一个基础。我们平时所用的一些条件其实都可以称作为因子，例如5日均价、macd的值，10日波动率等等。因子既然如此重要，所以计算、分析必须要有个趁手的工具才行。下面我就把本地化的因子研究来做个抛砖引玉，欢迎各个大佬批评指正。 例如有如下因子，我把因子值分为10个分位，把未来2日收益作为目标，查看此因子是否有不错的区分度。
此时发现，1~10分位这几年的累计收益会有明显的区别，尤其是1分位和其他分位有着明显差距，那么此因子就可以拿来做过滤，取1分位（因子值的rank>0.9）来过滤，那效果因该还可以。过两天我会以此清洗来做个策略来测试下效果如何，各位朋友感兴趣的话可以关注后续。 AI模型的加持对于新起的AI模型，我想很多人和我一样，抱着谨慎的态度去观望，我前后研究大概也有一两年时间，相对于传统策略，AI模型更像是一种玄学，然而捉摸不透才有意思，不是么？ 本人程序员出生，从传统策略入门 ，因为没有金融学知识背景，发现这个传统策略异常困难，匮乏的金融知识直接导致策略难以盈利，甚至收支平衡都难以企及。难道真的没有办法了么？ 无意间接触到了AI智能模型，从原理到案例阅读了上百次，最后选择了CNN卷积神经网络作为模型，相对于传统策略，这类卷积模型对因子的要求并不是很高，在传统策略中相对较弱的因子在CNN中效果还不错。因此靠着计算机基础和自己擅长的代码领域，通过大量的计算和分析做出了一个自认为还不错的AI策略。
23年4月底开始到年底，收益还不错哈。今年一月开始的股灾已经空仓。 当然，基于深度学习的AI策略需要大量的计算，而且还需要大量的资源，因此只能把项目放在本地，有兴趣的朋友可以一起研究交流哈~ 总结本地化主要做了哪些事情我简单概述一下： - 数据本地化存储、数据每日更新（目前仅日频数据）
- 因子计算公式化
- 数据处理（空值处理、去极值、标准化）
- 引用了一些经典的机器学习、深度学习模型
- 本地的策略回测
- 本地策略模拟、实盘
本地化代码研究当然少不了硬件加持，i9-14900K+128G内存，让代码飞起来~~ 本地项目开发已经发布了beta版本，欢迎大家测试Bug！链接
| 
