根据隔夜涨跌因子构建stockranker模型回测
由aqtank创建,最终由qxiao 被浏览 366 用户
更新
本文内容对应旧版平台与旧版资源,其内容不再适合最新版平台,请查看新版平台的使用说明
新版量化开发IDE(AIStudio):
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略:
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平台:
https://bigquant.com/data/home
https://bigquant.com/wiki/doc/dai-PLSbc1SbZX
新版表达式算子:
https://bigquant.com/wiki/doc/dai-sql-Rceb2JQBdS
新版因子平台:
https://bigquant.com/wiki/doc/bigalpha-EOVmVtJMS5
\
- 本文接上个因子分析帖子《研报因子复现:如何将隔夜涨跌变为有效的选股因子?——基于对知情交易者信息优势的刻画-国盛证券》,结合平台自带的stockranker机器学习(基于搜索内容优化思想),进行选股模型训练和股票回测。
收益率曲线更新:
2. 训练日期:2013-01-01至2021-01-01, 股票池:全A市场
3. 回测时间:2021-02-01至2022-05-19,股票池:全市场和 ['交通运输', '化工', '有色金属', '汽车/交运设备']行业
4. 结论:1. 结合行业因子选股(根据研报和行业预期定行业股票池),推测结合行业轮动策略选股模型效果更佳。2. 全市场选股表现重点关注2022年4月26号左右的变现,体现为急涨急跌,因此正如上篇帖子,隔夜涨跌因子应该结合动量因子或者反转因子使用。因为衡量的是过去20个交易日知情交易者的程度。
- \
- ['交通运输', '化工', '有色金属', '汽车/交运设备']行业(没有进行全市场选股的原因有二:1.剔除ST股票,冲击成本和坐庄效应的存在;2. 因为是单因子回测,不同于多因子选股更多的筛选条件存在,因此可以结合行业整体表现和预期,加上主观的行业因子,从特定行业板块选股)
代码为全A选股,回测是行业选股,加上行业选股,效果比全A好,全A的可以自己运行来看。
https://bigquant.com/experimentshare/9347e7e184164b508ff4efe72727829d
\