Liujunze_提交作业
由bq8buwub创建,最终由bq8buwub 被浏览 25 用户
作业1:\n1)测试筛选策略不同时期的风格是否会有变化?
结论:有变化。
实验变量:策略采用一个小市值因子 c_pct_rank(total_market_cap),对比的是市场风格-市值收益率。
结果发现:策略在2020年1月至2025年8月,整体与市值因子相关系数最大,其次是beta和流动性。
阶段分析:
2020年1月-2021年2月:市场风格-市值收益率上升阶段:策略与市值因子相关系数降低,beta和流动性系数上升,其他无明显变化。
2021年2月-2024年1月:市场风格-市值收益率下降阶段:策略与beta因子相关降低,其他无明显变化。
2024年1月-2025年8月:市场风格-市值收益率下降阶段:策略与市值、beta因子相关系数上升,流动性系数降低,其他无明显变化。
\
\n2)测试机器学习策略不同时期的风格是否会有变化?(加入多个因子)
结论:风格有变化。各时期与整体差不多,各时期主要是市值、beta变化较大。
2.风格轮动框架搭建
策略运行步骤:将所有因子放入style_factors表后,策略会循环计算过去十天各因子收益率,选择收益最高的因子策略的 buy_list 股票列表进行买入操作。十天一轮动。
策略因子:采用三个因子,'-1 * total_market_cap', 'total_market_cap'], -1 * M_avg(close,5)'
策略框架:\n1、使用了嵌套for循环的方式,遍历每个因子策略前十天的累计收益率。
2、使用列表索引的方式,再每次遍历执行策略后,都会记录下各个因子的收益 key = f"{style}_{factor}" perf_dict[key] = perf_df,以及需要买入的股票列表buy_list 。
3、再使用performan 回测模块,买入对应股票列表,持仓十天,然后循环执行上面的模块
4、最后使用每日收益率和市场风格因子做相关系数分析,可以得出风格轮动策略与市场风格契合度情况。
https://bigquant.com/codesharev3/d409dbbc-8fe3-46b6-89e1-ae8b5474db98
\