Alpha #4 Explained — Full Breakdown & Transcript

[00:00] 今天我们接着来给大家介绍 罗矿101第四个alpha 从这个表达式来看 这个alpha比较简单 我们读下来解析一下 这个low呢

[00:13] 它是这个股票当天的最低价 这个rank呢 其实是一种衡解面的排名 如果放到A股上重思 我们这个部分就相当于说

[00:26] 我们对5000多只股票 在某一天的当天成交的最低价进行一个排名 最低价越高排名越高 最低价越低排名越低

[00:39] 那然后对这个排名呢 再进行一个TS rank 就是在对同一只股票在纵向上 9天的时间内进行一个排名

[00:52] 计算出来一个因子 然后对它取复制 那从这个因子来看 如果说某一只股票 它低价在所有股票中排在前面

[01:08] 就说明它的价格相对较低 或者说呢 这个市场认为这个股票比较差 说明它经受着一个市场的压力 如果某个股票

[01:20] 它低价在所有股票中排在后面 说明它的股价 它的价格相对较高 对吧 因为它在所有股票 排在后面嘛 低价排在后面

[01:33] 说明市场 对它的预期比较乐观 那这个TS Rank呢 是一个时间序列的 一个排名函数 它就是对的是同一只股票 你比如说

[01:45] 这个就是我们的股票 交易期 开盘价 最高价 最低价 我们现在是对这个 进行一个排名 对吧 对这个进行排名 那计算出来因子呢

[01:57] 就这样子的 因为我们这个回测的周期呢 是用了一年 是从2024年的7月1号 到2025年的6月30号 所以我们计算因子的时候

[02:09] 就是从2024年7月1号开始算的 因为TIF rank呢 它是9个交易日 那我们从1号到10号 总共是8个交易日 7月11号是第9个交易日

[02:21] 所以呢 在这个地方呢有一个α4这个因子的值那后面有个中心化这个我们待会再说那我们这个因子呢还前头加了一个负号

[02:34] 乘以一个负1 那这个负号呢 是什么作用呢 加负号是为了改变排序结果的一个方向 那PS rank呢 本来它是按升序进行排列的

[02:46] 就是说低加越低 排名越快前 负号呢相当于给它反过来 那排名靠前的 就会得到一个负数的 一个比较大的值 排名靠后的

[02:58] 就会得到一个负数的 一个较小的值 那通过引入这个负号 那就会将低价排名靠前的股票 转换成比较低的因子值

[03:10] 而低价排名靠后的股票 它负的这个因子值就会比较高 那这么一转换呢 这个因子就可能能识别出低价被市场过度抛售的股票

[03:25] 作为潜在的买入信号 那我们再来分析一下 这个因子它给我们的买入信号和卖出信号各是什么样子 买入信号低价排名靠后的因子

[03:38] 因为它会得到一个比较高的因子值 那说明了这个股票可能被市场低估了 或者说呢 它已经从低点进反弹 意味着可能是一个买入的信号

[03:51] 那么什么时候卖出呢 就如果这个因子值比较低 因子值比较低代表什么呢 就低价财云靠前的股票 它得到是一个较低的因子值

[04:03] 你查一下账户号 那这有可能意味着说 这是股票表现比较差 需要我们卖出 那这个因子 它为什么会带来交易信号呢

[04:15] 因为低价股票在一定时间内 可能受到这种市场情绪的过度影响 就是说在市场比较恐慌的时候 这种低价股票会被过度抛售

[04:27] 那么通过捕捉这种低价的相对参与 这个因子能够帮助我们识别出 有可能的反弹机会 从而产生一种买入信号

[04:40] 这是代表这种市场情绪的一个反转 那么对于低价排名上升的股票 说明市场对它预期在改善那股票价格也有可能跟着上涨所以这个因子呢通过这种信号提供了一个买入的机会这是因子本身能够给我们带来的

[05:02] 那我们下面看一看呢 这个因子在我们A股里边 测试出来是什么样子的 那我们做了一个回测 我们首先来看一下 我们前面一个数据点

[05:14] 我们不说了 我们把这个数据 就是用我们刚才看到的 这个时间区域的一个数据 这所有的A股上公司 从2023年到2025年中选的 那这第三步

[05:27] 就是我们计算的因子的过程 就首先呢 我们是先计算这个 曾经的rank 按照意大利计算的 然后呢

[05:39] 在TS rank在九个交易日内 计算纵向的这么 对每一种票进行计算 这么算出来呢 就是我们刚才看到的这个因子值 这是原始的因子值

[05:51] 那根据这个原始的因子值呢 我们进行了一个回测 进行回测 回测时间周期呢 就是从2024年的7月1号 到2025年的6月30号 那得到的这个 得到的是这么一个结果

[06:05] 我们看到蓝色的呢 是我们的因子的一个收益曲线 明显呢 它比这个互认300是要低的 就说明说我们原来的因子 得到的结果不是太好

[06:17] 那为什么因子表现会比较差呢 大家想一想啊 我们这个因子是每天计算出来的 对吧 那你首先呢 你在进行相当于你每天对所有的五层次股票

[06:31] 对这个因子进行一个排序 然后买它因子大的 卖出因子小的 你每天都在调仓 那每天调仓的话 其实这个成本交易成本是比较高的 那么另一方面呢 这个市值的影响系统也没有好

[06:45] 其实这个因子呢 我们需要对它进行按市值进行中心化处理 就是现在我们这一列的一个数字 那为什么对市值进行中心化很有必要呢 因为市值大小对因子表现

[06:59] 它会产生一些干扰 因为大市值的股票在策略中 占的比重也特别大 那么我们现在怎么去中心化呢 就是按市值进行分组

[07:11] 在每一个市值组内 重新计算这个因子值 这个就是我们看到 重新计算的因子这样的计算的结果它就减少了市场结构性因素的影响那我们现在这个中性化后的因子它就能够更加专注于捕捉股票自身的特征

[07:30] 这样会提高我们因子选择的精确度 那我们看一下优化后的结果 我们看到优化后之后啊 我们这个策略呢 就明显比沪深三百这个要好

[07:42] 而且尤其在有些有些地方 它本来是 那我们这个优化呢 主要优化两点 第一个呢就是 调仓我们从每天调仓 换成了中性调仓

[07:55] 第二点呢 就对因子进行中性化的处理 消除了外部因素 就是那个视值因素 对因子信号的一个影响 第三个呢 我们在这个代码里头 还做了一些工作

[08:07] 就是对于风控进行一个过滤 这个风控过滤呢 就是增加流动性和波动率的一个控制 就避免在流动能力差 或市场波动太大的时候进场

[08:19] 这样的话能够降低 极端市场情况上的风险 我们再回头来看一下 这个策略曲线的一个变化 那么我们看到这个因子 它其实非常的简单

[08:31] 它的表达是非常简单 但是呢 这一个因子在稍微优化之后呢 这个策略表现还真是不错的 就说明这个因子 还是一个非常好的因子

[08:44] 如果我们再另用它的时候 能够掌握到特点 是能够取得不错的收益的 当然的话 我们一般的情况下 在做这个工作的时候呢 可能我们还进行一些股票的选择呀

[08:57] 前头比如说做一些 比如说这个不是ST呀 什么收益率呀 不能亏损等等 你做一些这样的筛选 你把股票实在收缩一下 那然后再对因素进行一个回撤

[09:10] 那效果呢 可能会比现在更好 其实做这个α101啊 这个因子 我觉得还是很有意义的 因为这个因子呢 是通过美国市场 冻结出来的

[09:22] 那我们放在A股里头 去测一测呢 看看这个因子 到底在A股市场上 有没有一些 显著的变化 那这里头呢 比如说这个是9 那我们也可以把它 比如说拆成条一条啊

[09:34] 比如换成10啊 会不会更好啊 当然这是 我们对因子 也细的研究 这个细节 我觉得说 如果大家想会好的话 我希望能够一直过来 好 如果大家觉得说有点关注的话

[09:47] 请帮忙点赞点关注 谢谢大家