反转因子的精细结构-研报复现

由ypyu创建，最终由ypyu更新于2021-07-30 07:26 被浏览 536 用户

反转因子计算方法

反转因子的W式切割经过长期反复的摸索，我们找到了一个反转因子的有效切割方案，简称W式切割。具体操作步骤如下：

在每个月底，对于股票s，回溯其过去N个交易日的数据（为方便处理，N取偶数）；
对于股票s，逐日计算平均单笔成交金额D（D=当日成交金额/当日成交笔数），将N个交易日按D值从大到小排序，前N/2个交易日称为高D组，后N/2个交易日称为低D组；
对于股票s，将高D组交易日的涨跌幅加总[1]，得到因子M_high；将低D组交易日的涨跌幅加总，得到因子M_low；
对于所有股票，分别按照上述流程计算因子值。

W式切割的核心步骤是，按照“单笔成交金额”对交易日进行排序分组[2]。我们以20日收益率因子为例（即N取20），来说明W式切割方案的出色效果。样本空间为全部A股（剔除ST和上市未满60日的股票），回测时段仍为2010年至2018年。统计结果如图表4所示，结论是：M_high因子是非常强的反转因子（rankIC均值为-0.082），而M_low因子是较弱的动量因子（rankIC均值为0.018）[3]。

反转因子抽取和计算实现

m3，反转因子需要用到的两个因子
m15，抽取需要用到的基础因子（amount_0, deal_number_0, high_0, low_0）
m16，计算衍生因子
m4，在自定义模块中，计算 M_high, M_low，代码如下。第一个版本用的是pandas dataframe的rolling来实现；第二个版本优化了代码，去掉了rolling，使用中位数等方式，速度提升了～50倍。
m21，计算 M=M_high-M_low

def bigquant_run(input_1, N=20):
    assert N % 2 == 0

    import pandas as pd
    import numpy as np
    N2 = N // 2
    df = input_1.read()

    def process_instrument(x):
        x['Median'] = x['amount_0/deal_number_0'].rolling(N).median()
        high = None
        low = None
        for i in range(N):
            y = x['amount_0/deal_number_0'].shift(i) > x['Median']
            h = y.astype(np.int32) * x['high_0/low_0'].shift(i)
            if high is None:
                high = h
            else:
                high += h
            l = (~y).astype(np.int32) * x['high_0/low_0'].shift(i)
            if low is None:
                low = l
            else:
                low += l
        x['M_high'] = high
        x['M_low'] = low
        return x

    g = df[['amount_0/deal_number_0', 'high_0/low_0']].groupby(df['instrument'], as_index=False)
    df2 = g.apply(process_instrument)
    # 并行计算版
    # df2 = pd.concat(T.parallel_map(process_instrument, [{'x': x[1]} for x in g]))
    df['M_high'], df['M_low'] = df2['M_high'], df2['M_low']

    data_1 = DataSource.write_df(df[['date', 'instrument', 'M_high', 'M_low']])

    return Outputs(data_1=data_1)

完整策略代码

这里使用AI可视化模版策略

将反转因子作为唯一的特征
使用StockRanker算法
在2015～2017的数据上训练模型
预测2018～2019年
使用默认目标，未来5日收益
其他参数也都使用默认的

结果：多头策略，有15.49%的相对收益。

StockRanker可以最大限度的挖掘因子的alpha。一般一个长期有效的因子，通过StockRanker优化，都会有比较显著的收益。从结果看，这个因子似乎并没有研报里显示的那样长期效果。

改进建议：

可以结合其他因子使用：反转因子的精细结构-结合其他因子使用
N=20，可以修改为其他参数
预测更短或者更长的时间目标收益（比如20日或者2日？）
使用日内数据（分钟？？）
..

你可以克隆策略，做更多尝试

策略案例

https://bigquant.com/experimentshare/54a95f0bc9dc4b86ad06b8dd2ba0438d