對離群值怎么操作。這個就是擬合操作的。用更彎曲的曲線去擬合，如常見函數log????????

多元回歸和單元回歸

Comments???評論

1 comment??1評論

• WL13229

  • 1 year ago

  您的觀察是正確的，多元回歸運算符在后續才會推出，目前暫不提供。可以思考有無替代性的方法。

  想法邏輯落地到表達式中

  假設股票有量價特征A、B

  那么這樣的邏輯應該怎么表達呢：過去x天內，屬性A達到前x%的股票的屬性B-屬性A達到后y%的股票的屬性B

  定義振幅，此處簡單將振幅定義為過去1個月的收益率的標準差

   wave = ts_std_dev(returns, 20);

  簡單振幅就是對這個回報率2-天的波動率

  2.使用bucket進行分組后直接取收益率。

  my_group = bucket(rank(wave),range="0.1,1,0.1");

  對股票排名分組

  對mygroup

  3.以分組的值取收益率：

  my_return = if_else(? my_group <=2 || my_group >=8, returns, nan)

  條件篩選

  含義：

  • 當波動性處于最低的 2 組（my_group <=2）或最高的 3 組（my_group >=8）時，保留原始收益率（參與交易）。
  • 否則，將收益率設為nan（不參與交易，相當于空倉）。

  金融意義：

  • 高波動策略：在市場波動極大時（如危機、重大利好），可能存在趨勢性機會，因此參與交易。
  • 低波動策略：在市場波動極小時，可能預示即將突破，提前布局以捕捉潛在趨勢。
  • 回避中等波動：中等波動市場通常缺乏明確趨勢，交易成本可能吞噬收益，因此選擇空倉。

  策略邏輯總結

  該策略通過波動性篩選交易時機，核心邏輯是：

  
  高波動捕捉趨勢：在市場劇烈波動時，趨勢性行情更明顯，此時參與交易。 低波動布局突破：在市場極度平靜時，可能醞釀突破行情，提前介入。 規避震蕩行情：回避波動適中的區間，減少無方向交易帶來的虧損。

  潛在應用場景

  期貨 / 外匯市場：在重大數據發布（如非農、利率決議）前后，波動性激增，適合該策略。 趨勢跟蹤策略：結合波動性過濾，避免在震蕩市中頻繁止損。 期權交易：高波動時期權價格昂貴，可選擇在低波動時買入期權，等待波動放大時獲利。

  需要注意的是，實際應用中還需考慮交易成本、滑點及參數優化等因素。

  weight concerntration在某一天過高的原因

  Follow??跟隨Followed by 2 people

  CW51623

  • 1 year ago

  在測試時發現如下的問題，想請教一下這一現象的原因，及相應的改進措施。

  0

  Comments???評論

  1 comment??1評論

  Sort by???排序方式

  WL13229

  • 1 year ago

  這大概率是因為您的raw Alpha value 在某天出現了極端的數值，過高或者過低。請嘗試考慮到極端值并處

  極端值過大或過低，我們需要對極值進行nan操作，平滑或其他處理

  昨日換手率相比

  volume/sharesout

  volume/sharesout

  什么樣的因子是Average，什么樣的是Good、Excellent、Spectacular？有具體的劃分標準嗎？

  fitness的比較標準

  目前發現的規律是--Fitness在如下區間時，Alpha為對應的等級：

  Average：(1 - 1.5]??平均：（1 - 1.5]

  Good：(1.5 - 2]??好：（1.5 - 2]

  Excellent：(2 - 2.5]??棒棒噠：（2 - 2.5]

  Spectacular：(2.5 - ∞)??壯觀：（2.5 - ∞）

  終止中性化，用做多來實現多頭盈利

  中性化會讓alpha vector有負數，關閉掉外部的中性化選項，alpha公式、中性化都由alpha_func(.)來完成。

  最終公式為max(alpha_func(.),0)，這樣模擬A股只可以做多的模式可以嗎。

  或者是否有更好的方法來模擬回測適用于A股的因子？您好，這樣的方式是可行的。但我個人并不建議您構建一個只有多頭的Alpha,這樣你會暴露在市場的風險之下。建議你可以使用if_else等函數，使得做空的股票更多是屬于滬深300等指數類型的成分股，這樣其實也非常貼近于現實情況

  for循環

  最近用fast expression實現for循環，但嘗試多次后無果，想知道brain平臺上能實現for循環的用法嗎？

  感謝提問，平臺本身每天都會重新計算一次Alpha的值，因此它本身就是一個循環。

  希望上述答案能幫到您，如否，煩請提供稍微具體的Idea，讓我們一起思考如何解決。

  用這個策略運用于每天的數據

  策略實現

  請問如果我在不同行業算出了一個行業的值，我想把這個值賦給行業內所有公司，使得該行業中的所有公司權重相同，然后再按行業排序，怎么操作呢？

  比如A行業3個公司算出來一個行業值為2，B行業4個公司算出來一個行業值為3，然后我想讓A行業3個公司都是2，B行業4個公司都是3，然后再rank（【2，2，2，3，3，3，3】）得到7個公司的

  這個操作并不難實現，你只需通過以下操作即可。

  value = group_mean(數據點名稱，grouping)；rank(value)

  以分組，如對行業或市場對mou

  代碼	參數說明	計算邏輯	金融含義	輸出結果
  value = group_mean(returns, grouping)	returns：收益率序列 grouping：分組依據（如my_group）	按分組（如波動組、行業、市值等）計算平均收益率。	衡量各組的歷史表現，用于比較不同組的盈利能力或風險特征。	每個分組的平均收益率（如組 1：0.5%/ 月，組 10：2%/ 月）。
  rank(value)	value：分組統計值（如平均收益率）	對分組結果從高到低排序（1 為最高，

  步驟	核心目標	關鍵工具 / 函數	數據流向	策略意圖
  1	衡量市場波動風險	ts_std_dev	收益率序列 → 波動性數值（wave）	識別市場風險狀態
  2	劃分市場波動區間	bucket?+?rank	波動性數值 → 波動分組（my_group）	將市場分為低、中、高波動環境
  3	篩選交易時機	if_else	波動分組 → 有效收益率（my_return）	僅在極端波動區間交易，規避震蕩
  4	評估分組表現與排序	group_mean?+?rank	收益率 → 分組統計值（value）→ 排名	比較各組歷史表現，驗證因子有效性

  ?

  通過表格可以直觀看到，該策略通過波動性過濾和分組排序，實現了 “在極端波動環境中捕捉趨勢機會，在中等波動環境中空倉避險” 的邏輯，適用于趨勢跟蹤或事件驅動型交易策略。

  目前在平臺上只會使用ts_mean計算簡單移動平均，但如果想要計算指數移動平均該怎么辦呢？比如計算下圖所示ema指標

  參考這個operator：

  ts_decay_exp_window(x, d, factor = f)
  ts_decay_exp_window（x， d， 因子 = f）

  Returns exponential decay of x with smoothing factor for the past d days.?Detailed description
  返回過去 d 天具有平滑因子的 x 的指數衰減。?詳細說明

  分類指標方法論 指的是一種分類grouping數據的方法論： At a Glance: FactSet Hierarchy DataFeed
  指的是一種分類分組數據的方法論： At a Glance： FactSet Hierarchy DataFeed

  量綱不匹配。如矩陣max和vec

  Ts_Step(n)是一個生成從n開始遞減的值序列的函數。

  在任何模擬日di，Ts_Step(n)返回的是di日的表達式值為n，di-1日的值為n-1，依此類推。這形成了一個從n到1的倒數序列，跨越最近的n個模擬天。

  將Netrua設置成none后，下列的回測圖像也證實了上述的描述

  setting中的計算順序

  Decay??衰變 Pasteurization??巴 氏 殺菌 Neutralization (Market for risk neutralization)
  Neutralization （風險中和市場） Truncation??截斷 Risk handling (for risk neutralization)
  風險處理（用于風險平衡） Scale to book size??縮放到書籍大小

  我們對Pasteurization這個理解，就是對超出范圍的股票數據為nan

  用rank()后面和前面為什么不會反過來。

  有沒有去年該時間的stock return

  ts_delay(returns, 200) ?

  應用場景：
  計算長期趨勢（如 200 日移動平均線）、動量因子（Momentum）或滯后回報相關性。
  例：

  • 若當前是第T天，ts_delay(returns, 200)?表示第T-200天的收益率，可用于計算過去 200 天的累計收益率（如?sum(ts_delay(returns, 1):ts_delay(returns, 200))）。
  • 識別長期趨勢反轉信號（如 200 日收益率由負轉正，可能預示牛熊轉換）。

  金融邏輯：
  通過滯后數據捕捉長期市場動量，過濾短期噪音，適用于中長期趨勢跟蹤策略。

  2.?風險管理與滯后效應分析

  應用場景：
  評估資產價格對宏觀事件（如政策調整、經濟數據發布）的滯后反應。
  例：

  • 分析某行業指數在 “碳中和” 政策發布 200 天后的收益率表現，判斷政策對行業的長期影響。
  • 計算滯后波動率（如用滯后 200 日的收益率計算波動率），用于風險模型（如 VaR）的參數估計。

  • 金融邏輯：
    市場對信息的消化可能存在延遲，滯后數據可用于驗證因果關系的時間跨度。

  3.?多因子模型與滯后特征構造

  應用場景：
  在量化投資中，將滯后收益率作為因子輸入模型，捕捉價格序列的自相關性或記憶效應。
  例：

  • 構造因子?Factor = ts_delay(returns, 200) + ts_delay(returns, 100)，用于預測未來收益率。
  • 檢驗 “長期反轉效應”（Long-term Reversal）：若某資產 200 日前收益率極高，未來可能出現均值回歸。

  金融邏輯：
  利用價格序列的歷史依賴性（如動量或反轉特性）構建預測信號。

  我有觀察到各市場(US、GLB、CHN)在 covid 區間是沒有交易的，所以好奇是否可以將中國市場 2015 年 6、7 月的交易拿掉，這段時間很容易有較大的 drawdown (部分邏輯在這段時間相斥)，或是有推薦 de risk 的方法，謝謝。

  您好。感謝提問。感謝您細致的觀察和深入思考。然而，您說的“各市場(US、GLB、CHN)在 covid 區間是沒有交易的”是不準確的。我們的IS目前僅給到21年，但實際上21-23年這兩年的歷史是屬于semi-OS即樣本外的歷史，您的Alpha在這兩年的表現至關重要，您的Alpha是否會被選擇入庫也會跟其有關。因此，它只是被隱藏了，并非不交易。

  粗暴地將中國市場 2015 年 6、7 月的交易拿掉，可能導致過擬合。您可以思考系統性的風險對沖方式，例如對沖掉一些常見的風險因素。可用的運算符為vec_neutral

  對于擬合度

  今天提交的每一個因子都和前幾日提交的一個因子（rank（mdf_rds））相關度極高，可是確實是完全不一樣的idea呀（比如group_rank（fam_est_eps_rank， pv13_r2_min20_3000_sector），group_rank（-returns，densify（subindustry））等等）

  您是否打開了neutralization

  用遞歸

  如題，比如我有一個因子的遞推公式是Y(i，x) = F（Y（i-1，x）） ，其中i是下標，x是自變量，想問一下如果要寫這種因子，應該怎么寫呢？

  歡迎參加我們的office hour與研究員進行討論。初步來看，您的idea可以通過ts_Delay（）等運算符實現。核心的一件事情是，您希望做多哪類股票，做空哪類股票？計算出數據可能僅是開始的一步