Alpha101_rqalpha

WorldQuant根据数据挖掘的方法发掘了101个alpha，据说里面80%的因子仍然还行之有效并运行在他们的投资策略中。Alpha101给出的公式，也就是计算机代码101年真实的定量交易Alpha。他们的平均持有期大约范围0.6-6.4天。平均两两这些Alpha的相关性较低,为15.9%。回报是与波动强相关，但对换手率没有明显的依赖性，直接确认较早的间接经验分析结果。我们从经验上进一步发现换手率对alpha相关性的解释能力很差。

1. 因子组成元素

• 价量因子（52/101）：
  
  • HLOC
  • ADV
  • VWAP
  • Volume
• 价格波动因子（21/101）:
  
  • HLOC
  • Return
  • STD()
• 组合因子(8/101): 价量与价波因子组合
• 市值因子（1/101）:
  
  • Return
  • Cap
• 板块组合因子（19/101）: 板块分类结合价量与价波因子

常用代码

将因子选股结果存成Excel。

import alphalens
factor = DataFrame.stack()
factor_data = alphalens.utils.get_clean_factor_and_forward_returns(factor, prices, quantiles=5)
cond = factor_data['factor_quantile'] == 5
Q5 = factor_data[cond]
stocks = pd.Series(True, index=Q5.index)
stocks = stocks.unstack()
stocks[stocks != True] = False
print(stocks)
stocks.to_excel('alpha.xlsx')

将选股Excel表格导入引擎回测

def init(context):
    codes = pd.read_excel('alpha.xlsx')
    codes.index = codes.pop('date')
    context.codes = codes
    scheduler.run_weekly(find_pool, tradingday=1)
def find_pool(context, bar_dict):
    codes = context.codes.loc[context.now]
    stocks = codes.index[codes == True]
    context.stocks = stocks
def handle_bar(context, bar_dict):
    pool = context.stocks
    if pool is not None:
        stocks_len = len(pool)
        for stocks in context.portfolio.positions:
            if stocks not in pool:
                order_target_percent(stocks, 0)
        result = []
        for codes in pool:
            if codes not in result and codes not in context.portfolio.positions:
                result.append(codes)
        if len(result):
            for r in result:
                order_target_percent(r, 1.0/stocks_len)

notebook链接：https://github.com/ChannelCMT/QS/tree/master/Class_1_Alpha