10

100

11

120

12

80

13

10

VWAP??加權平均分 （VWAP）

11

?💻 在 BRAIN 中實現動量效應

The momentum effect can be implemented in various ways. The simplest method is calculating recent price increases. Shall we calculate an asset's price increase over one year? Since BRAIN only considers business days, a year's length is typically represented as 250 days (the number of business days in a year). We can measure the change in x over a year using the time series operator?ts_delta(close,250)/ts_delay(close,250).

動量效應可以通過多種方式實現。最簡單的方法是計算最近的價格上漲。我們應該計算資產一年內的價格上漲嗎？由于 BRAIN 僅考慮工作日，因此一年的長度通常表示為 250 天（一年中的工作日數）。我們可以使用時間序列運算符?ts_delta（close，250）/ts_delay（close，250）?來衡量一年中 x 的變化。

但是，單獨使用此公式不會產生良好的 Alpha 結果。一年期回報率受近期回報率的顯著影響，包括短期回歸效應。要在 BRAIN 中將動量效應實現為 Alpha，我們需要使用不同的方法或添加條件。

因此，為了更清楚地看到動量效應，我們可以使用以下方法：

• Apply delay to one-year returns to mitigate short-term reversion effects.
  對一年期申報表應用延遲，以減輕短期回歸效應。
  • ts_delay(ts_delta(close,250)/ts_delay(close,250),10)
    ts_delay（ts_delta（收盤，250）/ts_delay（收盤，250），10）
• Count the number of days with price increases over one year.
  計算一年內價格上漲的天數。
  • ts_sum(returns>0? 1:0, 250)?*
    ts_sum（返回>0？ 1：0， 250）?*

*?<condition>? <if_true>:<if_false>?returns if_true value when the condition is true, and if_false value when it's not.?if_else(<condition>,<if_true>,<if_false>)?means the same thing.
*?<condition>？ <if_true>：<if_false>?在條件為 true 時返回 if_true 值，在條件不為 true 時返回 if_false 值。if_else（<condition>，<if_true>，<if_false>）?表示相同的內容。

?ts_sum(if_else(greater(returns,0),1,0),250)

解析?ts_sum(if_else(greater(returns,0),1,0),250)

這個表達式是金融時間序列分析中的一個復合函數，用于統計過去 250 天內收益率為正的天數。下面我來逐步拆解它的邏輯：

函數拆解與執行流程

1.?內層函數?greater(returns,0)

• 功能：判斷每日收益率是否大于 0。
• 輸入：returns?是每日收益率序列。
• 輸出：布爾值序列，收益率 > 0 時為?True，否則為?False。

2.?中間函數?if_else(...)

• 功能：根據布爾值進行條件賦值。
• 邏輯：

  plaintext

  if returns[i] > 0:賦值為 1
  else:賦值為 0
  

• 輸出：由?1?和?0?組成的序列，其中?1?代表當天收益率為正。

3.?外層函數?ts_sum(...,250)

• 功能：計算過去 250 天內的累積和。
• 滑動窗口：對每個時間點?t，統計?[t-249, t]?區間內所有?1?的總和。
• 輸出：每個時間點對應的過去 250 天內正收益天數。

數學表達

對于時間序列?returns = [r?, r?, ..., r?]，該函數計算：

plaintext

result[t] = ∑_{i=t-249}^{t} I(r_i > 0)

其中?I(r_i > 0)?是指示函數，當?r_i > 0?時為 1，否則為 0。

Python 實現示例

python

運行

import numpy as npdef ts_sum(if_else_result, window=250):"""計算滑動窗口內的累積和"""return np.convolve(if_else_result, np.ones(window), mode='valid')def greater(returns, threshold):"""判斷序列中每個元素是否大于閾值"""return returns > thresholddef if_else(condition, value_if_true, value_if_false):"""根據條件進行賦值"""return np.where(condition, value_if_true, value_if_false)# 示例數據：生成1000天的隨機收益率
np.random.seed(42)
returns = np.random.normal(0.0005, 0.01, 1000)  # 假設日均值0.05%，標準差1%# 計算正收益天數
condition = greater(returns, 0)
binary_result = if_else(condition, 1, 0)
positive_days = ts_sum(binary_result, window=250)# 輸出前10個結果
print("過去250天內正收益天數:", positive_days[:10])

實際應用場景

1. 市場強度指標：

   • 正收益天數占比高（如超過 130 天），表明市場處于強勢。

2. 勝率分析：

   • 對策略回測而言，該指標反映策略在歷史上的勝率。

3. 風險評估：

   • 連續低正收益天數可能預示市場風險上升。

注意事項

1. 邊界處理：

   • 對于前 249 天的數據，無法形成完整窗口，需特殊處理（如返回 NaN 或 0）。

2. 參數選擇：

   • window=250?通常對應一年交易日，但需根據實際需求調整。

3. 與其他指標結合：

   • 單獨使用意義有限，建議結合收益率均值、波動率等指標綜合分析。

這個函數本質是一個動量類指標，通過統計正收益天數的頻率來衡量市場或資產的強勢程度。

編輯

分享

如何解釋ts_sum(if_else(greater(returns,0),1,0),250)的輸出結果？

ts_sum(if_else(greater(returns,0),1,0),250)和ts_sum(if_else(greater(returns,0),1,0),120)有什么區別？

ts_sum(if_else(greater(returns,0),1,0),250)的計算結果可以用于哪些分析場景？

解析?ts_sum(if_else(greater(returns,0),1,0),250)

這個表達式是金融時間序列分析中的一個復合函數，用于統計過去 250 天內收益率為正的天數。下面我來逐步拆解它的邏輯：

函數拆解與執行流程

1.?內層函數?greater(returns,0)

• 功能：判斷每日收益率是否大于 0。
• 輸入：returns?是每日收益率序列。
• 輸出：布爾值序列，收益率 > 0 時為?True，否則為?False。

2.?中間函數?if_else(...)

• 功能：根據布爾值進行條件賦值。
• 邏輯：

  plaintext

  if returns[i] > 0:賦值為 1
  else:賦值為 0
  

• 輸出：由?1?和?0?組成的序列，其中?1?代表當天收益率為正。

3.?外層函數?ts_sum(...,250)

• 功能：計算過去 250 天內的累積和。
• 滑動窗口：對每個時間點?t，統計?[t-249, t]?區間內所有?1?的總和。
• 輸出：每個時間點對應的過去 250 天內正收益天數。

數學表達

對于時間序列?returns = [r?, r?, ..., r?]，該函數計算：

?

plaintext

result[t] = ∑_{i=t-249}^{t} I(r_i > 0)

?

其中?I(r_i > 0)?是指示函數，當?r_i > 0?時為 1，否則為 0。

Python 實現示例

python

運行

import numpy as npdef ts_sum(if_else_result, window=250):"""計算滑動窗口內的累積和"""return np.convolve(if_else_result, np.ones(window), mode='valid')def greater(returns, threshold):"""判斷序列中每個元素是否大于閾值"""return returns > thresholddef if_else(condition, value_if_true, value_if_false):"""根據條件進行賦值"""return np.where(condition, value_if_true, value_if_false)# 示例數據：生成1000天的隨機收益率
np.random.seed(42)
returns = np.random.normal(0.0005, 0.01, 1000)  # 假設日均值0.05%，標準差1%# 計算正收益天數
condition = greater(returns, 0)
binary_result = if_else(condition, 1, 0)
positive_days = ts_sum(binary_result, window=250)# 輸出前10個結果
print("過去250天內正收益天數:", positive_days[:10])

實際應用場景

1. 市場強度指標：

   • 正收益天數占比高（如超過 130 天），表明市場處于強勢。

2. 勝率分析：

   • 對策略回測而言，該指標反映策略在歷史上的勝率。

3. 風險評估：

   • 連續低正收益天數可能預示市場風險上升。

注意事項

1. 邊界處理：

   • 對于前 249 天的數據，無法形成完整窗口，需特殊處理（如返回 NaN 或 0）。

2. 參數選擇：

   • window=250?通常對應一年交易日，但需根據實際需求調整。

3. 與其他指標結合：

   • 單獨使用意義有限，建議結合收益率均值、波動率等指標綜合分析。

?

這個函數本質是一個動量類指標，通過統計正收益天數的頻率來衡量市場或資產的強勢程度。

When creating Alpha, you can fine-tune Alpha positions using conditions, using operators like?if_else()?or?trade_when().
創建 Alpha 時，您可以使用條件微調 Alpha 位置，使用?if_else（）?或?trade_when（） 等運算符。

您可以使用常用邏輯運算符（>、<、>=、<=、==?等）創建條件。例如，如果您只想在交易量高于平時（20 天平均值）時更改位置，則可以將條件設置為交易量 > adv20。以下是一些需要考慮的條件，但您可以創建所需的任何條件。請注意，設置過于嚴格的條件可能會減少數據點的數量并增加過度擬合的風險。

在實現 Alpha 時，有時您需要根據特定條件返回不同的值。if_else 運算符是一個基本但功能強大的運算符，可讓您簡單地實現條件邏輯。

You can also use?if_else?in the form of?condition? if_true:if_false. For example,?ts_sum(returns>0? 1:0, 250)?uses this format.
你也可以用?condition if_else 的形式 if_true：if_false。?例如，ts_sum（returns>0？ 1：0， 250）?使用此格式。

使用?trade_when?運算符，您可以決定何時更改 Alpha 中的值。trade_when?運算符僅在特定條件下更改 Alpha 值，否則保持較早的位置。

trade_when takes three inputs:?entry condition, Alpha expression, and exit condition.
trade_when 接受三個輸入：?進入條件、Alpha 表達式和退出條件?。

• When the?entry condition is true, it?updates the Alpha expression value daily.
  當輸入條件為 true?時，它每天更新 Alpha 表達式值?。
• When the?exit condition is true,?it?liquidates the position?(NaN).
  當退出條件為 true 時，?它會清算倉位?（NaN）。
• When?both are false, it?maintains the last Alpha value?from when the entry condition was true.
  當兩者都為 false?時，它將保持進入條件為 true 時的最后一個 Alpha 值?。

  讓我們設置入場條件。基于動量在成交量激增時起作用的假設，我們可以使用以下方法檢測成交量增加：

• volume > adv20?#adv20: 20-day average volume
  交易量 > adv20?#adv20：20 天平均交易量
• volume > ts_mean(volume, N_DAYS)
  Volume > ts_mean（volume， N_DAYS）
• volume * vwap > ts_mean(volume * vwap, N_DAYS)
  交易量 * VWAP > ts_mean（交易量 * VWAP， N_DAYS）

• You can test different values for?N_DAYS.
  您可以測試?N_DAYS?的不同值。

  Since momentum is a long-term effect, it's effective to set the?exit condition to –1?to keep positions longer once established. Or you can set your own exit condition which you think is effective.
  由于動量是一種長期影響，因此將退出條件設置為 –1?以在建立后保持更長時間是有效的。或者您可以設置您認為有效的退出條件。
  Also, since momentum effects tend to occur across industries rather than within them, it's better to?set Neutralization options to avoid overly detailed grouping?such as Market or Sector.
  此外，由于動量效應往往發生在行業之間，而不是行業內部，因此最好設置 Neutralization 選項以避免過于詳細的分組?，例如 Market 或 Sector。

你提供的代碼是一個量化交易策略，結合了兩個關鍵信號：正收益天數頻率和成交量異常。下面我來詳細拆解這個策略的邏輯和應用場景。

• 功能：統計過去 250 個交易日中，收益率為正的天數總和。
• 信號含義：
  • positive_days?越大，說明近期市場強勢（上漲天數多）。
  • 典型閾值：若?positive_days > 130，意味著超過半數時間市場上漲。