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 401 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
\