最近在一家金融互联网公司工作，接触了不少股票、基金相关的东西，同时人到中年，投资理财成为了一个刚需。还好自己对这块挺赶兴趣的，加上我也算是算法领域里的一个老兵了，自然对量化产生了兴趣。
当然量化这块离不开金融基础知识，入门的话也不需要太多，基金从业资格证考试里的那些知识就足够了，感觉新手可以考一下，很水的，但是能借着这个机会快速过一遍这些知识，什么债务/权益资产定义、资产配置理论、资产评估指标、股票基金ETF等等；另外一块就是python大法了，一般就是各种数据分析包、AI包，加上notebook。有这些东西就可以实践了。
新手，比如我，最好先借助一个平台，这里我选的是聚宽，主要原因是社区做的好，不仅有分享的策略，而且一般新手需要的各种问题，都能在社区里找到解答。
对我来说，在了解基本知识后，最好的学习方法就是研读论坛里的高质量策略，我觉得高质量策略在逻辑上一定要严谨，读后能获得一种美感。今天读了一篇，在这里详细记录一下：https://www.joinquant.com/view/community/detail/4c86b71553e4181fb51289ec3a5f447a?type=1
这个策略是复现了券商的一篇研报，该研报提出了一个叫APM的因子，基于提纯后上午与下午股价行为的差异度，回测时发现如果当月该因子值越小，次月收益越高。其实该因子目前早已失效（单因子策略很容易失效），这里主要关注的是因子分析的那套流程。如果非要解释的话会比较牵强：一天内上午知情交易的成分较高，下午随波逐流成分较高，比值越小的话，说明本月知情交易者越倾向于做空，那么下个月均值回归，收益可能会提高。
整个流程非常关心因子的纯净度和有效性，详细步骤如下：
- 首先，每个月调仓一次，对于一支股票，可以统计过去20个交易日里上午和下午的开盘/收盘价，构造表达量 “收盘价/开盘价-1”
- 上述表达量肯定受市场（这里选沪深300）的影响，所以用回归方式剔除，获得残差，然后计算上午与下午残差的差异度，再除标准差归一化，得到了stat统计量
- 使用当月的净收益作为动量因子（因变量），统计所有沪深300股票，发现该动量因子和当月stat统计量高相关。为了排除这个影响，再做回归，把残差作为最终的选股因子，也就是APM因子，可见该APM因子既排除了市场的影响，又排除了动量因子的相关性，这是很重要的。
- 分析APM因子与次月收益的秩相关系数，发现有比较好的负相关关系。
- 构建策略，按APM因子排序，将股票等分为5组，按月调仓。比较组间，以及与沪深300的年化收益、夏普比率、最大回撤等（有个框架可以做这些事），发现符合预期。
- 又发现APM因子和市值有相关性，因此继续提纯，排除市值和行业（申万）的影响，同样是做回归，取残差作为新的因子
- 用新因子做回测，发现比旧因子收益更好，风险控制也更好
总结：因子提纯的这套流程，还是挺严谨的，符合我心中对高质量策略报告的要求。
网友评论