导语

本文旨在向读者介绍Alpha的相关基本概念，以及寻找和检验Alpha的主要流程和方法。在上篇中我们梳理了 WorldQuant经典读本FindingAlphas的概要以及WebSim的使用，在下篇中我们会介绍相关方法在BigQuant平台上的实现。

初识Alpha

什么是Alpha?

WorldQuant中提及的alpha是一个数学表达式，用来预测各种金融工具的未来走势。alpha同时也是对每种金融证券收益率的预测。如果用alpha反映每日每种金融证券收益率，同时每种金融证券的配置头寸比例与alpha成正比，则组合的回报率与标准差之比(也称为α的信息比率)可

2021年4月22日Q1&Q2问题：

策略案例

https://bigquant.com/experimentshare/d50c07db9f7f45168dd745027c04b6d8

\

{{membership}}

https://bigquant.com/codeshare/37d36e41-2184-4342-b581-9561f199eeec

\

问题

如何利用滚动回测进行策略开发和因子挖掘？

视频

[https://www.bilibili.com/video/BV1Gr4y177FR?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086](https://www.bilibili.com/video/BV1Gr4y177FR?share_source=copy_web&vd_source=2

https://bigquant.com/experimentshare/887354a18288489e9bb5d65923da8e9b

\

阿尔法（Alpha）是衡量投资表现的金融指标，用于评估一项投资的表现是否超过了市场基准。在投资管理中，阿尔法代表了在考虑了市场波动性和投资风险后，投资相对于基准指数（如标准普尔500指数）的超额回报。BigQuant的金融市场数据因子平台以及AI量化策略平台（PC端），可以验证alpha阿尔法因子组成的AI量化策略效果。

![](/wiki/api/attachments.redirect?id=94

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

[ht

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

策略案例

https://bigquant.com/experimentshare/72d5601550164505aad979f7265f8fec

\

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

导语

本文介绍如何对一个回测结果进行深入分析。

新建一个可视化AI策略

我们先构建一个可视化AI策略，如下所示。

回测结果

回测结果一般指策略运行完毕之后输出的能够综合反映策略效果的综合图表，如下所示：

可以看出，回测结果包括收益概括、交易详情、每日持仓、

如标题

https://bigquant.com/codeshare/1d87d715-5139-432b-9267-5b99154e598b

回测曲线的相对收益线的计算公式

回测如何设置一次全仓买入一只股票

1.引言

在学术研究中，Alpha是数学表达式、计算机源代码和配置参数的组合，可以与历史数据一起用于预测各种金融工具的未来走势。而在实践中，Alpha通常意味着进行交易的合理“预期回报”。两者并不一定相同。许多情况下，能够带来合理“预期回报”的Alpha并不容易构建，因此，对于Alpha的挖掘和公式化的研究始终是业界的一个重要课题。在这样的背景下，世坤（WorldQuant）于2015年发布了报告101 Formulaic Alphas。在这篇报告中，世坤提供了101个真实生活中的量化交易Alpha的明确公式（这些也可以看作是计算机代码）。虽然其中的一些模型较为复杂，但世坤设

222

摘要

前景理论

处于收益状态时，人们往往小心翼翼、厌恶风险、喜欢见好就收；

处于亏损状态时，人们往往会极不甘心，宁愿承受更大的风险来赌一把；

白捡的100元所带来的快乐，难以抵消丢失100元所带来的痛苦

处置效应

投资者急于卖出盈利的股票，而不愿意卖出亏损的股票；

损失股票的持有时间比收益股票的持有时间长；

效用在R点发生剧烈改变

处置效应与股票供需

A点：投资者倾向于持有不卖，因此市场供给减少，容易供少于求，股价易反弹；

B点：投资者急于卖出，因此市场供给增加，容易供大于求，股价易受打压；

R点：投资者效用急剧变化，因此若在R点以下则为压

摘要

2022年以来，兴证金工团队先后推出了阐述高频研究方法论的《高频漫谈》，以及《收益率分布因子》、《收益率分布中的Alpha(2)》高频因子深度研究。在高频因子相关研报中，我们构建了七个常见的收益率分布因子，以及七个极具新意的收益率分布因子，用于追踪大额投资者投资行为、刻画投资者对极端上涨和极端下跌的心理承受能力以及挖掘日内股价震荡期和跳价期的信息差异。

本文中，我们将聚焦于日内成交量数据，并基于数据特征构建了七个常见成交量分布因子与六个特异成交量分布因子。具体地，我们根据分钟成交量的不稳定性与成交量极值来构造日内成交量分桶熵和极大值分布因子。此外，我们将日内成交量按收盘价异构，

摘要

在系列专题报告《选股因子系列研究（五十六）——买卖单数据中的Alpha》、《选股因子系列研究（五十七）——基于主动买入行为的选股因子》、《选股因子系列研究（五十八）——知情交易与主买主卖》中，我们从不同的角度对于逐笔成交数据中的信息进行了挖掘，并得到了一些具有显著选股能力的因子。本文旨在对于筛选得到的有效因子进行梳理。

逐笔因子在正交后具有显著的全市场月度选股能力。因子月均IC在0.03~0.04之间。正交后的各逐笔因子皆呈现出了较强的稳定性。除了买单集中度之外，其余因子年化ICIR皆超过2.0。

指数范围会对因子选股能力产生影响。在中证800指数内，大买成交金额占比、盘中

摘要

本篇报告是日内高频选股因子的续篇，主要基于日内分钟频度上的成交额来构造因子。

研究发现，个股之间分钟成交额在时序上的不对等分布特征与传统换手率因子有着独特的关系，在此基础上，我们构造了240分钟的成交额占比因子来细致分析，发现独立于传统因子的增量Alpha信息主要集中在尾盘，因此构建尾盘成交额占比因子。此外，本篇报告也补充分析了分钟成交额的高阶矩因子，自相关性系数因子等，发现这些因子的大部分效果都被传统的换手因子所解释。总结来说，构造的尾盘20分钟成交额占比因子𝐴𝑃𝐿20，月度因子以指数加权移动平均法合成。

对常见因子中性后，𝐴𝑃𝐿20因子的IC均值为-5.43%

摘要

通过分析因子暴露来获取ESG的Alpha

本文章基于美国市场的股票及其基金数据，在国内市场中ESG评分因子与风格因子是否也有类似的相关关系值得进一步研究

如果这种相关性在国内市场依旧显著，那么则可以通过投资于特定因子实现ESG的暴露

正文

/wiki/static/upload/71/714d8fe1-84d6-4616-9a88-cad66f276348.pdf

\

摘要

在《选股因子系列研究（五十六）——买卖单数据中的Alpha》中，我们尝试基于逐笔级数据中的叫买单号与叫卖单号构建选股因子。本文同样基于逐笔级数据，并构建了选股因子刻画投资者的主动买入行为。

可使用逐笔数据降频计算得到主买占比因子以及主买强度因子。基于逐笔成交数据，我们可降频合成得到分钟级别的主动买入金额以及主动卖出金额，并用该数据刻画投资者的主动买入以及主动卖出行为。本文基于主动买入金额以及主动卖出金额构建了主买占比以及主买强度两类因子。

因子具有显著月度选股能力。在正交剔除了常规低频因子后，部分主买占比类因子以及日内主买强度类因子依旧呈现出了较为显著的月度选股能力。盘中主买

摘要

“量价结合”的选股因子的构建。本文将股票在短期内的量价走势分类为量价背离与量价同向，并通过量价相关性来衡量量价走势的背离/同向程度。通过回测，我们发现量价相关性在半个月的换仓周期下具有十分好的选股效果并具有显著的Alpha。在控制了常见风险因子后，该因子依旧对于股票收益具有较好的区分效果

因子多空收益明显。半个月的维度上看，该因子多空收益达1.07%。多空收益中，多头收益约占30%而空头收益约占70%，所以可以说因子具有较强的空头效应。进一步观察多头端组合（第1组、第2组）可以发现组合收益表现区分度较低，而空头端组合（第9组、第10组）从收益上看依旧具有较强的区分效果。从Ran

摘要

随着传统因子研究的深入，通过使用日级别数据已经很难发现能够在传统技术选股因子之外提供额外选股能力的因子了。考虑到传统因子多使用日级别数据刻画股票日间的形态特征，通过引入日内高频数据刻画股票日内的特征也许能够为模型带来新的信息以及Alpha。这一观点也在本系列前一篇研究（《选股因子系列研究十八——价格形态因子》）中有所印证

本报告主要使用了股票1分钟价格数据构建了相关因子，对于股票高频收益分布特征（方差、偏度以及峰度）进行了刻画。报告主要分为三部分，第一部分讨论了因子的构建以及计算方式。第二部分从单因子的角度对于因子的选股能力进行了分析。第三部分对比分析了加入高频因子的改进模型以