【量化交易】量化分析概览

因学识经验有限,如有不正之处望读者指正,不胜感激;也望借此平台留下学习笔记以温故而知新。这一篇博客是最近在做的多因子指数构建内容梳理,希望对您有所帮助。

1 背景

在股票量化投资领域,多因子模型仍是使用最频繁的模型之一。

2 多因子理论基础

2.1 资本资产定价模型-CAMP

r_{i} = r_{f} + \beta_{i}(r_{m} - r_{f})

CAMP模型为单因子-系统风险模型,可以理解为收益仅随市场。

2.2 套利定价模型-APT

r_{i} = \alpha _{i} + \beta _{i}^{(1)} F^{(1)} + \cdots + \beta _{i}^{(K)} F^{(K)} + \epsilon_{​{i}}

APT模型已具备多因子模型的形式,但是没有指出因子具体代表的是什么特征。

2.3 FF3因子模型

r = R _{f} + \beta _{3}(R _{m} - R _{f}) + b _{s} SMB + b _{v} HML + \alpha

FF3模型将超额回报率由三个因子来解释,分别是市场风险溢价因子、市值规模因子(SMB)以及价值因子(HML)。过去20年里,很多学者对三因子模型实测发现,有些股票的alpha显著不为0,说明FF3的三个因子不能完全解释所有的超额收益。

2.4 FF5因子模型

r_{i} = a_{i} + b_{i}R _{M} + s _{i} E(SMB) + h_{i} E(HMI) + r_{i} E(RMW) + c_{i} E(CMA) +e_{i}

FF5在FF3的基础上增加了盈利因子和成长因子,其参数估计方法仍然是多元线性回归方法。

3  多因子策略研究流程

3.1  基础流程

数据获取 --> 数据挖掘 --> 策略构建 --> 策略回测 --> 策略分析 --> 模拟交易 --> 实盘交易。

3.2  一般流程

1、数据获取:数据准备,数据处理(去极值、标准化、市值中性化)

2、数据挖掘:单因子有效性分析与检验(单因子IC分析、因子收益率分析等),多因子分析与检验(多因子相关性分析、多因子组合分析等)

 3、策略构建:因子权重确定(打分法、回归法计算因子权重),确定股票池及股票排序选股(因子相关性强弱、因子排序方向等)

4、策略回测:回测区间,调仓周期(日、月、季等)

5、策略分析:计算组合业绩表现

6、模拟交易:在交易软件上实时模型炒股收益

7:实盘交易:经历模型交易的考验,上实盘

3.3  导图概览

猜你喜欢

转载自blog.csdn.net/sinat_41842926/article/details/122394657