来自 WorldQuant 的 101 个 Alpha

[thinkingmind]

2015 年底World Quant发表了论文《 101 Formulaic Alpha 》，论文中给出了 101 个现实中的 alpha 。

原文 pdf ： https://arxiv.org/pdf/1601.00991.pdf

—— We emphasize that the 101 alphas we present here are not “ toy ” alphas but real-life trading alphas used in production. In fact, 80 of these alphas are in production as of this writing. 其中强调 80%都仍在使用（当然，这个信着先吧....）。

论文中还科普了一下 alpha 的简单分类，也就回答了一下收益能解释关联程度等一些问题，其中这些 alpha 是可以做空使用的，但是在大 A 股方面做空需要比较复杂，这里只实现做多的一面，然后阶级止损。

在 Appendix A ：分为了两部分

   A.1 是 101 个 alpha 的计算公式和使用的函数的定义和解释，其中一部分的函数解释：

rank(x) 是一个排名的函数

abs(x) ， logx)， sign(x)都是按照命名定义的函数分别是绝对值，对数还有信号函数

delay(x,d) 在 d days 以前的 x 的值

delta(x,d) 今天的 x 值减去 d 天以前 x 的值

correlation(x,y,d) 在过去长度为 d 天， x 和 y 的相关性

covariance(x,y,d) 在过去长度为 d 天， x 和 y 的协方差

ts_min(x,d)， ts_max(x,d) 时间序列函数， d 天内的最小值和最大值

ts_argmax(x,d)， ts_argmin(x,d)是计算 ts_min(x,d)， ts_max(x,d)发生在哪一天

    A.2.部分是描述了我们需要输入的一些数据，大部分跟名字相关。

returns 每日收盘之后的收益

open ， close ， high ， low ， volume 对应是开盘价，收盘价，最高价和最低价还有成交量。

vwap 成交量加权平均价

cap 市值

adv(d) d 天的平均成交额

还有部分的工业指数（这是美国市场方面的）

我们使用了其中的单因子 alpha 2 来对 399968 创业成长成份股进行了回测（我们自己添加了阶级止损的方法），然后收益率是很可观的。

alpha2 ：(-1*correlation(rank(delta(log(volume),2)),rank(((close-open)/open)),6))

嗯...就是用-1 去乘一个 6 天的相关系数。

相关系数的 x是成交量的 rank(delta(log(volume),2)) 也就是当天成交量的对数和 2 天前的成交量对数的差值的排名~

相关系数的 y就是 rank(((close-open)/open))，收盘价减去开盘价的差去除以开盘价的一个排名~

     （我知道这很拗口而且也神难懂，所以我们就有了文末的亮点~）

代码方面：

alpha ：

每天初始化：

买卖：

最后收益图：

亮点：

我们Ricequant 已经把其中的 60 个 Alpha 写成了一个 demo，我们已经把 alpha 都写进去了，每一个 alpha 都可以独立使用，但是我们鼓励大家去使用这些 Alpha 去做一个组合。 比如说：

alpha 1 和 alpha 40 去做一个组合，经过各自的回测，我希望看看在 alpha 1 与 alpha 40 的权重比设置为 30%和 70%的情况，会是怎么样的呢？

对 alpha 值进行计算获得一个新的 alpha 也是可以的。

使用方法： 在 before trading 中设置 alpha_use=alpha.alpha002()的时候更改后面数字的部分就可以使用不同的 alpha ，但是注意不同的 alpha 返回的数值可能是 NaN 或者是负数，要另作处理呢。

有基础的同学如果使用多因子的话，就要自己手动去增加多个 alpha_use 然后去计算结果根据自己的方法去回测啦~

策略源码和一键克隆，还请到策略原帖： https://www.ricequant.com/community/topic/2129

[thinkingmind]

策略源码和一键克隆，还请到策略原帖： https://www.ricequant.com/community/topic/2129