IC信息系数

目录

1. Alphalen是什么？
2. 编写momentum因子
3. Alphalens数据格式
4. 计算不同Quantiles收益与标准差
5. 收益曲线可视化
6. 信息系数

1_Alphalen是什么？

Alphalens是一个Python包，用于对阿尔法因子进行性能分析。Alpha因子表示一些给定的信息和未来的回报之间的预测关系。通过将这种关系应用于多个股票，能够产生阿尔法信号，然后从中交易。开发一个好的alpha信号是很有挑战性的，那么用Alphalens能让事情变得更简单，因为一套用于分析alpha因素的常用工具会对量化交易产生很大的影响。通过Alphalens分析你在研究中的因素，你可以花更少的时间来写和运行回测。因此，这允许更快的思想迭代，以及最终的算法，您可以对它有信心。Alphalens建立了一个严格的工作流程，将使你的策略更有活力，更不容易过度拟合。

下载方式： pip install alphalens

官方网站： http://quantopian.github.io/alphalens/index.html

2_编写momentum因子

读取相应数据，编制函数需要的算法，调用talib计算momentum，输出Factor数据

import numpy as np
from jaqs.data import DataView
from jaqs.research import SignalDigger
import warnings
warnings.filterwarnings("ignore")
dataview_folder = 'JAQS_Data/hs300'
dv = DataView()
dv.load_dataview(dataview_folder)

D:\Anaconda3\lib\site-packages\statsmodels\compat\pandas.py:56: FutureWarning: The pandas.core.datetools module is deprecated and will be removed in a future version. Please use the pandas.tseries module instead.
  from pandas.core import datetools


Dataview loaded successfully.

import talib as ta
import numpy as np
import pandas as pd
from datetime import datetime
def change_time(df):
    df.index = pd.Index(map(lambda x: datetime.strptime(str(x),"%Y%m%d") , df.index))
    return df

prices = change_time(dv.get_ts('close_adj').loc[20160105:].dropna(how='all', axis=1))

def momentum(prices, period=60):
    return pd.DataFrame(
            {name: pd.Series(ta.ROCR(price.values, period), index=price.index)
            for name, price in prices.iteritems()})

alpha_mom = momentum(prices)

3_Alphalens数据格式

factor: MultiIndex（用stack()方法来转换）

prices: DataFrame

#转换成MultiIndex
factor = alpha_mom.stack()
print (factor.tail())

2017-12-22  603799.SH    0.952009
            603833.SH    1.174529
            603858.SH    0.736165
            603885.SH    1.025430
            603993.SH    0.847368
dtype: float64

#输入Alphalen所需要的数据格式
import alphalens
factor_data = alphalens.utils.get_clean_factor_and_forward_returns(factor, prices, quantiles=5)
print (factor_data.head())

                             1         5        10    factor  factor_quantile
date       asset                                                             
2016-04-06 000001.SZ -0.012127  0.008396 -0.018657  0.940351                3
           000002.SZ  0.000000  0.000000  0.000000  1.000000                4
           000008.SZ  0.000922 -0.006452 -0.037788  1.003700                4
           000009.SZ  0.000675 -0.013504 -0.065496  0.961688                4
           000012.SZ -0.015084  0.000887 -0.053239  0.964897                4

4_计算不同Quantiles期望收益与标准差

alphalens.performance.mean_return_by_quantile()

mean_return_by_q, std_err_by_q = alphalens.performance.mean_return_by_quantile(factor_data, by_date=True)
print(mean_return_by_q.head())
print(std_err_by_q.head())

                                  1         5         10
factor_quantile date                                    
1               2016-04-06  0.000450 -0.000061 -0.011166
                2016-04-07 -0.000241  0.005028 -0.010330
                2016-04-08  0.000355  0.005025 -0.012022
                2016-04-11  0.002764  0.007706 -0.003981
                2016-04-12  0.002932  0.000113 -0.010116
                                  1         5         10
factor_quantile date                                    
1               2016-04-06  0.001611  0.003794  0.004970
                2016-04-07  0.001365  0.003718  0.006356
                2016-04-08  0.001427  0.003344  0.004862
                2016-04-11  0.001571  0.004057  0.005148
                2016-04-12  0.002047  0.002551  0.003584

5_收益曲线可视化

1. 持有不同天数的收益曲线
2. 累积收益曲线

import matplotlib.pyplot as plt
alphalens.plotting.plot_cumulative_returns_by_quantile(mean_return_by_q, 1)
alphalens.plotting.plot_cumulative_returns_by_quantile(mean_return_by_q, 5)
alphalens.plotting.plot_cumulative_returns_by_quantile(mean_return_by_q, 10)
plt.show()

6_信息系数IC

度量变量的预测值与实际值之间的关系的相关值。信息系数是用来评估金融分析师预测技能的一种表现方法。

系数在-1到1之间，越大表示正相关程度强。标准是mean(IC)>0.02

spearman相关系数

其中d为秩次差。

因此IC值是代表因子排序与收益排序的相关性。

什么是秩次差？

A = [1,3,5,7,9]
B = [3,2,4,5,1]

A的排序是1,2,3,4,5

B的排序是3,2,4,5,1

d为排序相减

IC值例子

ic = alphalens.performance.factor_information_coefficient(factor_data)
# print (ic)
alphalens.plotting.plot_ic_hist(ic)
mean_monthly_ic = alphalens.performance.mean_information_coefficient(factor_data, by_time='M')
# print mean_monthly_ic.mean()
alphalens.plotting.plot_monthly_ic_heatmap(mean_monthly_ic)
plt.show()

factor_returns = alphalens.performance.factor_returns(factor_data)

alphalens.plotting.plot_cumulative_returns(factor_returns[1])
plt.show()

作业

试用alphalens不同的功能。