优秀策略分享——数据标准化策略
由bqpguj9o创建，最终由bqpguj9o 被浏览 53 用户
影响策略效果的因子有很多，每个人所选择的因子也各有不同，选取因子后，如何分析数据，找出有效选股逻辑模型就成为重点。该数据分析工作是策略逻辑编写中最耗时的部分，本文介绍，如何简化数据分析的工作：数据标准化处理
举例说明：
当天收益因子：5000支票，可能会有1000+个不同的值，如：1.01%，1.02%, -0.1%,-0.2%….，实际上收益值1.01%,1.02%对于策略数据分析来说，理论上无本质区别，固1.01%、1.02%这类数值接近的值，需要把它标准化为同一个值，就可以大大提升数据分析上的效率
数据标准化处理方法：
1、可以按天为维度，把因子的值，按数量划成n等份，如：
df[‘return0'] = pd.qcut(df['return0'],q=10,labels=False,duplicates="drop")
这样标准化处理后，当天收益这个因子的值，就会变成1、2、3….10
2、可以按天为维度，把因子的值，按值的整体区间划成n等份
3、可以按因子值的整体区间，按数量划成n等份或按值的区间划成n等份
4、可以自定义数值区间进行数值转化，如：1%至2%之间，因子值转化成1，2%-4%之间，因子值转化成2
具体数值转化的代码编写方法，也比较简单，可以用deepseek等AI工具，让它帮你写下代码转化
下面我的这个策略就是用此方法做数据分析后，编写的策略：
主要用到的因子：大盘情绪因子类、板块特征因子类、个股量价/相对位置/排名等因子类
回测效果：
上架到模拟盘运行效果：