Index¶

2024年8月4日
需要 1 分钟阅读时间

论如何白嫖论文

上一期我们介绍了金融人最常看的顶刊。有同学问，要怎么订阅这些杂志。

其实答案只有一个，就是美金。因为它们的订阅地址在官网都有。

养活这个世界的，是阳光、雨水和知识。我知道我们都应该尊重知识产权。不过，作为个人研究者，订阅所有的杂志、软件和书籍也是不太现实的。

我通常的做法是，先看先用，如果确实有用且需要，我会去书店、电影院、官网加倍返还。我的书也是这样，我也赞同你先免费看，只有你真正喜欢了，才去购买纸版。

这里就介绍两个免费下载论文的网站。

75%

sci-hub，它已经保存了 25million 篇论文，光是索引，压缩包就达 478M。

不过，它的搜索方式稍微有一点不好用，只能按标题和按引用，似乎不支持模糊匹配。如果你有了 DOI 标识，只是无法下载的话，会比较好用。

能找到你想要的论文吗？史上引用次数最多的论文是发表于 1951 年的一篇研究蛋白质的，标题是《Protein measurement with the folin phenol reagent》，要不您试试？

freefullpdf，如果你没有完整的论文信息，只有只言片语在手，那么试试 freefullpdf 吧。它的搜索使用了 google，提供了不错的搜索体验。

75%

2024年8月3日
需要 5 分钟阅读时间

动能反转：二阶导动量因子年化Alpha达到61%！

这一期，我们将介绍一个二阶导因子。我们将演示二阶导因子的探索优化过程，进一步介绍因子分析的原理，包括：

如何让 Alphalens 使用我们指定的分层
二阶导动量因子的数学原理
By quantiles or By bins, 分层究竟意味着什么

最后，我们在 A 股 40%的抽样中，得到最近半年二阶导因子的最佳参数是 5 天。在此参数下，年化 Alpha 分别是 38.4%（多空）和61.5%（单边做多）， beta 为-0.12，即收益独立于市场。

这是在不同周期、多空组合条件下产生的收益情况：

条件	Alpha	Beta	累计收益
多空、2	30.6%	-0.06	15%
多空、4	35.3%	-0.1	17%
多空、5	38.4%	-0.12	19%
多空、6	37.3%	-0.12	18%
多空、8	32.4%	-0.06	14.8%
多空、10	23.2%	-0.07	11%
单多、10	17.6%	-0.60	15%
单多、5	61.5%	-0.58	37%

我们任意抽取一天选出的样本，绘制7天的走势平及样本均值的趋势线，验证因子分析结果可靠：

全部代码及数据购买本文后，私信留言，您将会收到一个在线网址和登录密码。这里有本文全部代码、A股2005年以来的行情数据（含分钟线）和回测引擎，支持在线运行和验证。

上一期我们检视了斜率因子。本质上，斜率因子是一阶导动量因子。比如，以如下方式生成的数组，它的斜率和一阶导是相等的：

from scipy.stats import linregress

slope = 0.2
x = np.arange(10)
y = slope * x + 1

d1 = np.diff(y).mean()

# 如果我们通过线性回归来求斜率
alpha, beta, *_ = linregress(x, y)

print(f"slope is {slope:.1f}")
print(f"first derivative is {d1:.1f}")
print(f"slope by linear regression is {alpha:.1f}")

三项输出都是 0.2。如果我们对价格序列求二阶导作为因子，它会对未来趋势有预测作用吗？我们先看结果，再来讨论背后的原理。

二阶导动量因子检验

def d2_factor(close: NDArray, win: int = 10) -> NDArray:
    n = len(close)

    d1 = close[1:]/close[:-1] - 1
    d2 = d1[1:] - d1[:-1]

    factor = move_mean(d2, win)
    # 进行左填充，使之与输入等长
    factor = np.pad(factor, (n-len(factor), 0), ...)

    return factor

上面这段代码可以生成一个二阶导动量因子。注意我们用close[1:]/close[:-1]-1代替了通常意义上的一阶导，以起到某种标准化的作用。如果我们不这样做，那么高价股的因子将永远大于低价股的因子，从而永远有更高的因子暴露。

因子本身的参数是win，表示我们是在多长的时间段内计算的二阶导。

然后我们通过 Alphalens 来进行因子检验。第一次调用 Alphalens，我们按 quantiles 分层，分层数为 10。

从分层图来看，继续进行收益分析是没有意义的，我们必须先进行优化。

第一次调优

考虑到做多收益在第 9 层达到最大值，所以，我们考虑 drop 掉第 10 层后进行分析，看看结果如何。

通过 Alphalens 进行分析中，一般有三个步骤：

构造因子。
数据预处理，一般是通过调用 get_clean_factor_and_forward_returns 来实现的。
调用 create_full_tearsheet 来执行因子检验并输出报表。它的输入是第 2 步中的输出。

Alphalens 是在第二步实现的分层。然后它将第二步的输出，用作第 3 步的输入。

所以，我们可以在拿到第 2 步的输出之后，drop 掉第 10 层，然后调用 create_full_tearsheet 来进行收益分析。这样，在 Alphalens 看来，top 分层就是第 9 层，所有的分析都是在这个基础上进行。

根据 Alphalens 的官方文档，这样做是允许的。

第 2 步输出的是一个 DataFrame，它的格式如下：

所以，要 drop 掉第 10 层，可以这样做：

factor_data = factor_data[factor_data.factor_quantile <= 8]

Tip

这是本文介绍的第一个技巧。在前面的课程中，为了让 Alphalens 按照我们的意愿，按指定的对空分层进行收益分析，我们使用的是改造因子本身的方法，比这个方法在阶段上更提前一些。两个方法都可以使用，但这里的方法更简单。

这一次我们得到了令人满意的分层收益均值图，单调且递增，完全适合进一步进行因子分析。

这个图其实基本上就是完全还原了上一个图，只不过缺少第 10 层而已。但是，现在第 9 层就成了 top 分层，这是 Alphalens 在计算多空收益时，将要做多的一层。

Tip

由于我们在实盘交易中也一样可以 drop 掉第 10 层，因此这种操作是合理的。类似的手法，我们在 Alpha101 中也可以看到。

现在我们得到的 Alpha 是 23.2%（1D 年化），Beta 是-0.07，7 个月的累计收益是 11%左右。

纯多的情况

我们在之前的几期里讲过，由于制度因素，并不是所有人都能条件做空。所以我们看看纯做多的情况下，因子表现如何。

这一次，年化 Alpha 只有 17.6%，beta 为-0.6。但 7 个月的累积收益是 15%左右，还略高了一些。

条件	Alpha	Beta	累计收益
多空、10	23.2%	-0.07	11%
单多、10	17.6%	-0.60	15%

我们对比一下前后两次的累积收益图，可以发现，多空组合绝对收益低了一些，但平抑风险的能力更强了：

多空组合

单边做多

为什么多空的 Alpha 大于纯多，多空组合的累积收益还低于单边做多？这可能是在对二阶导因子做空的过程中，有一些负面效应。一些强势股，在急杀之后（二阶导为负），往往还会有一个小反弹，如果刚好在小反弹前做空，就会带来损失。

寻找最有效的窗口

到目前为止，我们使用的都是 10 天的窗口来计算的二阶导。如果使用其它窗口呢？我们分别测试了 2、4、6、8 天的数据。现在，我们把所有的数据汇总起来：

条件	Alpha	Beta	累计收益
多空、2	30.6%	-0.06	15%
多空、4	35.3%	-0.1	17%
多空、5	38.4%	-0.12	19%
多空、6	37.3%	-0.12	18%
多空、8	32.4%	-0.06	14.8%
多空、10	23.2%	-0.07	11%
单多、10	17.6%	-0.60	15%
单多、5	61.5%	-0.58	37%

看起来在 A 股市场上，二阶导动量因子使用周期为 5 时表现最好。此时如果能构建多空组合，年化 Alpha 是 38.4%，今年以来累计收益是 19%；如果只能构建单多组合，年化 Alpha 是 61.5%，今年以来累计收益是 37%。

回顾一点高中数学

前一期讨论的斜率因子（即一阶导因子）反映的是价格上涨的速度。

那么二阶导因子代表什么呢？

二阶导因子反映的是价格变化的加速度。当一阶导为正，而二阶导为负时，价格将仍然上涨，但趋势减缓，有可能出现变盘。反之亦然。下面的公式显示了一个存在二阶导的函数：

\[ y = a x^2 + b x + c \]

当 a 和 b 分别在 [-1, 0, 0, 1] 和 [10, 10, -10, -10] 之间取值时，我们就得到下面的图形：

50%

这个图说明，二阶导对证券价格运行的趋势具有修正效应。本来处于上涨趋势的品种，如果二阶导持续为负，它迟早会到达峰顶、然后转为下跌；反之，本来处于下跌趋势的品种，如果二阶导持续为正，它迟早会触及谷底，然后转为上涨。

正因为这样，与一阶导不同，二阶导有能力提前预测价格趋势的变化。它是一种反转动能。

在测试中，表现最好的参数是 5 天。考虑到二阶导需要额外多两个窗口才能计算，因此我们实际上是基于过去 7 天的数据来发出交易信号。

7 天，这是上帝之数。

眼见为实

看到 38%的 Alpha，老实说有点吃惊。

这是真的吗？还是说什么地方 Pseudo-Logoi，这位谎言之神悄悄地溜了进来？

尽管可以相信 Alphalens 是品质的保证，但比起一堆统计数字，你可能更愿意相信自己的卡姿兰大眼睛。

所以，我决定把第 9 层的个股走势画出来。绘制方法是，先取出某一天（记为 T0）quantile = 9 的所有标的，然后再取出最近 9 天（截止 T0 为止）的收盘价。在绘图之前，先对收盘价起点归一化到 1。

绘图中，我们共使用了199个样本，代表性和稳健性都足够了。

图中的红色线是趋势线，其斜率是 0.001，表明总体上是上涨的；颜色的深浅，代表了样本的分布密度，可以看出，零线上方分布更多一些。

我很喜欢从一些股谚中寻找灵感。因为公司底色、市场机制和交易制度的不同，照搬海外股市的做法是行不通的。我们这边博弈的底色更重一点。

按理说，跟二阶导动量因子有关的股谚是黄金坑和圆弧顶，或者 V 反。那么，能直观地画出来在这些标的中，有多少漂亮的黄金坑吗？

很难只用一张图、同一个参数就绘制出来：每个黄金坑的周期、深度和构造阶段等指标都是不一样的。环肥燕瘦，我们很难一笔画尽美人风姿。

By bins, or By quantiles？

在这次测试中，我们一直使用的都是 by quantiles 进行的分层，没有探索 by bins 分层。

by quantiles 是一种排名分层。这是 quantiles 的定义决定的。使用 by bins 方法，我们更关注的是因子值本身的金融含义。

比如，对 RSI 来说，它的值在 0 到 100 之间，大家会认为超过 80 的值是“超买”，低于 20 的值是“超卖”。因此，直接使用因子值是有意义的。

本文没有使用 by quantiles 方法，一方面因子值本身的信号意义可能没那么强：

我们寻找买入或者卖出信号，是根据后面是涨还是跌来验证的。但是，二阶导只能告诉我们趋势的改变方向，并不能立即决定涨跌。

因此，我们可能更应该使用它的排名来做因子，因为资金往往会寻找反转动能最强的标的。

Info

题外话：by quantiles 分层用的是排名，有点 Rank IC 的感觉，但计算收益时，又是根据因子值来进行权重分配的，则与 Ranked IC 的方法区别。

通过这些参数以及它们之间的混搭，Alphalens 赋予了我们强大的探索能力。

另一方面，我并不清楚它的最小值、最大值和分布情况，所以在实操上难以给出bins数组。这也是没有使用 by bins 的原因。

当然，这并非绝对。也许，有时间的话，也应该探索下 by bins 分层。

2024年8月2日
需要 2 分钟阅读时间

7月：斜率动量因子表现回顾

斜率因子是动量因子中的一种，它由Andreas F. Clenow 首先发表在Stocks on the Move: Beating the Market with Hedge Fund Momentum Strategy一书中。

这个因子比起卡哈特的动量因子更符合人的直觉，特别是喜欢看K线的投资者，因此也得到了很多人的喜爱。其实现在Quantopian和QuantConnect网站上都有文章讨论。

题图：Andreas Clenow的著作： Stock on the Move 封面

Tip

我们简单回顾一下Mark Carhart提出的动量因子，它是计算单个股票过去一年的回报率，排除最近一个月数据（以防股价操纵），再按回报率排序，取前10%的股票作为买入信号，末尾10%的股票作为卖出信号。

在Andreas Clenow的策略中，他使用了过去90天的年化指数的回归斜率作为动量因子。由于信号只响应过去90天的数据，因此，信号就比卡哈特的动量因子更灵敏一些。

不过，我们今天测试的因子，是用过去10天的回归斜率作为动量因子。主要目标是尝试下新的可能性，也是考虑到在A股，动量因子的半衰期一般比较短的缘故。

我们的计算方法如以下代码所示：

def moving_slope(close: NDArray, win:int, *args):
    # 创建滑动窗口的视图
    shape = (win, close.size - win + 1)
    strides = (close.itemsize, close.itemsize)
    cw = np.lib.stride_tricks.as_strided(close, 
                                         shape=shape, 
                                         strides=strides)

    # 对每个窗口应用linregress，获取斜率
    x = np.arrange(win)
    slopes = np.apply_along_axis(lambda y: linregress(x, y)[0],
                                  axis=0, arr=cw)

    return slopes

测试参数如下：随机抽取2000支，从今年的1月4日，测试到7月31日，计算斜率时，使用过去10天的收盘价；计算收益时，使用开盘价，从次日起。

因子分层如下：

分层收益均值图如下：

显然，10期的斜率因子成了反向指标，也就是短期上涨越快，买入后亏损越多。

既然如此，我们就取斜率因子的负数作为新的因子，再运行一次：

理所当然，这个图只是前面的图的镜像。我们来看看收益：

7个月的累积收益接近15%了，最大回撤5%左右，在今年来看，表现还可以。

Tip

上一篇RSI的因子测试中，我们也对因子构成做了一些微调。有同学认为，微调之后，数据变好，这是过拟合了。今天写这个因子时，想起来在Alpha101中，他们抛弃掉了动量最大前n%的因子，这也是一种修正。警惕过拟合是对的，但不是数据一变好就是过拟合。

再深入到分层累积收益：

可以看出，因子的稳定性比较好，期间没有发生明显的风格转换的情况。

当然这个因子要投入实战的话，可能不适合个人和中小机构。因为从分层图来看，它的收益主要是由做空产生的。

如果我们没有机会做空，因子的表现又将如何？下图是纯多情况下的收益：

这个表现并不出人意料。在2月有一个强反弹，在此期间，因子的表现不错。但随后市场越走越弱，动量因子的半衰期越来越短，单多收益就一路走低。

L50

前天，七八月之交，A股出现一轮牛市，跨越两个月，长达86400秒。随后再次进入休眠状态。这个现象，也许不能用今天的介绍的动量因子来预测，但动量因子表现如此之弱，却能在一定程度上，说明为什么连续上涨未能出现。

另一个结论，正是因为做空的收益比较确定，所以易跌难涨。方主席下岗了，看看后面做空机制上能否有所变化。毕竟，能做空的机构也只是少数。制度应该对所有参与者都公平。

左图是Andreas Clenow的著作，Stocks on the Move: Beating the Market with Hedge Fund Momentum Strategy。Andreas Clenow是一位瑞典裔瑞士籍作家、资产管理人及企业家，现居于苏黎世，在一家家族办公室担任首席投资官。在其辉煌的职业生涯中，他曾是一名科技创业者、金融顾问、对冲基金经理、金融工程师、量化交易员、财务顾问、董事会成员，以及企业中层管理官僚。

在这本书中，Clenow详细解释了动量策略的原理，即买入过去表现优秀的股票，卖出或做空表现不佳的股票，利用市场趋势的持续性来获利。书中对比了技术分析和基本面分析在动量策略中的应用，以及如何结合两者的优势来提高交易效果。

2024年7月29日
需要 2 分钟阅读时间

当我在星巴克连上家里的服务器，IPV6，你是值得的

我们的课程环境是构建在一个256GB内存，192核CPU的集群上，学员可以通过浏览器，输入地址访问。要在阿某云上租这样一个服务器，价格并不便宜。所以，这些服务器一直放在公司里，创业期间，公司也就是租的民用宽带，没有公网IP，所以，在阿某云上租了个机器，做的端口转发。

有了这个端口转发，也就把VPN装上了，这样一来，也可以在回家或者外出时，连回公司办公。但最近VPN不知为啥，坏了。

刚好今年国家政策在推IPV6。于是决定试一把。IPV6最大的优点，就是地址管够，所以，每一台设备都可以获得一个公有的IPV6地址。

花了4小时左右，把IPV4和IPV6都弄通了，并且增加了免费的DDNS，这样，就可以在星巴克办公了。

意外的惊喜，我之前开的阿某云服务器带宽是5M。用了IPV6后，直连的效果真棒，现在我们的教学网站是秒开了。

Info

如果你的路由器支持IPv6桥接模式（一般在网络、或者Wan设置里），那么可能直接打开它、打开光猫中的IPv6就ok了。直接跳转到第3节检查是否获得了IPV6地址。

光猫改桥接

IPV6地址也有公网和私域之分。公网地址以2开头，私域地址以F开头。如果你的设备用的是F开头的IPV6，仍然是不可通的。

新装的宽带，民用的基本上都默认开通了IPV6。我们要做的是，其实是如何打通光猫与内部路由器之间的IPV6屏蔽。

这主要是，

你的路由器太旧，不支持IPV6
路由器设置没有支持IPV6

首先，我们将光猫的连接方式由PPPoE改成桥接模式。这一步完成后，光猫就不再担任路由器的功能，因此拨号的工作也交给你自己的路由器。

Info

这一步需要超级管理员密码，跟负责片区的宽带师傅要，只要你能证明自己懂网络，他们一定会给。

在网络配置中，找到宽带设置，找到最符合当前网络设置的那一项。比如，在我这里，这一项如下图所示：

我们要修改的正是红框内的连接，而不是其它连接。当前它的连接方式是PPPoE，一般来说，其它模式，比如桥接，也会在这个单选框下。另外，IP协议版本这里要注意，一定要选择IPv4/IPv6。

在同一个对话框中，还显示了PPPoE的账号。我们必须把这个账号及其密码记录下来。因为我们改为桥接模式之后，建立连接的任务将由你的路由器来完成，路由器需要知道这个账号。

密码是以mask的方式显示的。如果你不知道密码，可以在chrome中打开开发者模式，找到密码框，将它的type="password"去掉，这样密码就还原显示了。

下图就是我们修改后的配置：

注意核心点就是IP协议版本、模式，其它保持不变即可。

配置路由器

Notice

注意路由器与光猫的物理连接。要用线缆将路由器的wan口连接到光猫的lan口，而不是lan对lan。如果是后者，那么路由器将无法进行拨号。

路由器的配置中，我们要调整wan与lan的设置。有的路由器本身有IPv6桥接模式，在将光猫改为桥接之后，我们是要禁掉这里的格桥接模式的。

在WAN设置中，我们将连接方式改为PPPoE，并填写光猫的IP地址、用户名和密码。如果它同时提供了IPv4和IPv6两个选项，我们在IPv6中，选择启用，并且设置为复用IPv4拨号线路即可。其它的都保持默认。

再转到LAN设置，我们需要对IPv6进行一些设置。

我们还要开启DHCPv6服务，并设置IPv6地址池，重点是设置DNS：

测试是否获得公网IPv6地址

ipw.cn网站提供了测试服务。喜欢命令行的可以使用以下命令：

1	`curl 6.ipw.cn`

如果你的机器有了IPv6地址，它就会返回你的IPv6地址。再检查如果它是以2开头的，则说明是公网IP。如果是以F开头的，那你的设置仍然是在私域。

通过下面的命令检测IPv4是否仍然工作：

1	`curl 4.ipw.cn`

这会返回你的IPv4地址。

如果不习惯使用命令行，也可以登录ipw.cn的网站。它将返回你当前的IP地址。如果使用了IPv6，它将提示IPv6优先，否则，就是配置不成功。

配置DDNS

尽管IPv6地址是公网地址，而且很充裕，但也不排除ISP有时候会更换你的IPv6地址。因此，我们需要DDNS服务，及时更新变化后的IP。平常只使用域名来访问。

最好用的DDNS服务是Cloudflare。要做到这一点，首先，你要在Cloudflare上已有托管的域名。然后，在dashboard中，申请一个API token。

DDNS使用go-ddns的容器就好。每一个需要在外网能独立访问的设备都需要安装。

sudo docker run -d --name ddns-go --restart=always --net=host -v /opt/ddns-go:/root jeessy/ddns-go

然后打开 http://ip:9876 更新配置即可。由于于API token，所以不需要在Cloudflare上事先创建子域名。直接在这里的界面输入子域名，go-ddns会自动帮你创建。

设置完成后，看一下日志就好了。

注意事项

不要通过域名暴露你的http服务。有可能被ISP封。据说使用https服务和高于40000的端口会降低风险。

2024年7月28日
需要 6 分钟阅读时间

[0728] QuanTide Weekly

本周要闻回顾

高频交易费率或将提升 10 倍
巴黎奥运开幕，奥运概念板块新鲜出炉
广东私募自查，量化交易、基金规模是否达标成是重点
纳斯达克大跌 3.64%，日经指数创 2021 年 10 月来最长连跌记录

下周重要日历

下周“降息”大潮开启
全球股市迎来超级央行周
本周将有三支...

本周精选

圣杯依然闪耀！基于短时 RSI 的均值回归策略
看得到，吃不到！7 年 2500 倍的多空策略
量化投资顶刊有哪些(一)？

本周要闻回顾

财联社消息，监管起草了高频交易买卖费用从当前每笔 0.1 元提升至 1 元。有量化私募交易人士表示，手续费超过 5 倍以上，当下策略就没有超额了，从而达到限制高频量化的目的。当前对高频交易的认定是，每秒超过 300 笔或者全天申报及撤单不超过 2 万笔。
巴黎奥运会开幕，与此相关的设施器材、配套设备、体育营销、文化衍生品等领域，均有 A 股企业参赛，包括中集集团、舒华体育、艾比森、洲明科技、元隆雅图等多家上市公司。东方财富、同花顺等顺势推出奥运概念股。
21 财经消息，广东证监局组织辖内私募基金开展自查：私募基金管理机构在宣传推介、资金募集、投资运作等业务环节是否合规，是否存在基金产品逾期，是否开展量化交易，是否存在异地经营情形等，量化交易、基金规模是否达标成自查重点。
7 月 25 日，纳斯达克 100 指数下跌 3%，创下自 2022 年 12 月以来最大跌幅。日经指数本周继续下跌 5.9%，连跌 8 个交易日，创 2021 年 10 月来最长连跌记录。不过，美股周五全线上涨，道指更是周线 4 连涨。
北向资金持续卖出。近 2 周以来累计已减持 307 亿元，月内净卖额达 288 亿元。
央行罕见加场MLF操作稳定月末流动性。7月25日，中国人民银行在月末时点新增一次中期借贷便利（MLF）操作，中标利率为2.3%，较前次下降20个基点。
证监会研究谋划进一步全面深化资本市场改革开放的一揽子举措。吴清开展专题座谈会，与 10 家在华外资机构、QFII 代表深入交流，听取意见建议。

信息来源：财联社等，通过 Tushare.pro 接口综合汇编。

下周重要日历

多家银行下周起降息。7月26日招商银行、平安银行调整了人民币存款挂牌利率表，最高下调幅度为30个基点。广发银行也将在下周下调银行存款。广发银行对记者表示，下周银行存款下调的幅度会与四大行调整幅度保持一致。除了存款之外，大额存单也在下周同步下调。
下周全球投资者将迎来超级周。首先，三大央行将公布利率决议。美联储将在周三召开议息会议。此外，几大科技巨头如微软、META、苹果等都将在这一周发布财报。
7月31日（周三）统计局将发布PMI指数。前值读数为49.5。8月1日，财新发布制造业PMI。

信息来源：财联社等，通过 Tushare.pro 接口综合汇编。

基于短时 RSI 的均值回归

这篇文章发表于周二公众号上。获得超过 4000 次阅读。

策略概要

所有人应该都已经熟悉 RSI 指标了。我们常用的 RSI 指标是基于 6,12 和 24 周期计算出来的。

\[ RS = \frac{\text{SMMA}(U,n)}{\text{SMMA}(D,n)} \]

\[ RSI = 100\cdot\frac{\text{SMMA}(U,n)}{\text{SMMA}(U,n) + \text{SMMA}(D,n)} = 100 - { 100 \over {1 + RS} } \]

但是 Larry Connors 认为，2 周期的 RSI 可以更好的反映市场趋势，很可能是技术指标中的圣杯。他把这个观点发表在 2008 年出版的《华尔街的顶级交易员》一书中。在此后的 Connor's RSI 指标中，streak 的 RSI 正是使用 2 周期来计算的。

基于这样的 RSI,Connors 给出了以下均值回归策略：

标普 500 指数超过 200 日均线；
标普 500 指数的 2 周期 RSI 低于 5；
信号发出时，按收盘价买入；
当标普 500 高于 5 日均线时卖出。

用交易员的话来讲，这是一个在牛市（指数大于 200 日均线）短线回调（RSI 低于 5）时的买入策略。

因子检验

首先 quantitativo 进行了单因子检验。检验方法是对对所有 2 天 RSI 收于 5 以下的标的进行买入并持有 5 天，再计算收益。

75%

这个统计包含了超过 21000 个标的，超过 250 万次事件（标普 500 收于 200 天均线之上）。测试中的亮点：

当任何给定股票的 2 天 RSI 低于 5 并在牛市中持有 5 天时，买入其平均回报率为 3.3%;
其中 60% 的事件获得正回报，每笔交易的预期回报为 9.8%;
40%的交易是负面的，每笔交易的预期回报率为-6.6%;
分布呈正偏。

quantitativo 还统计了反过来的情形，即如果我们在每只标的的 2 天 RSI 收于 5 以上时买入每只股票，并在牛市中持有 5 天的数据。我们将得到：

当任何给定股票的 2 天 RSI 高于 5 时，买入其预期回报率为 0.3%;
交易转为正值的可能性为 52%，预期回报率为 5.5%;
交易转为负值的可能性为 48%，预期回报率为 -5.1%。

quantitativo 还对两次测试是否属于同一分布进行了假设检验，结果 p 值远低于 0.05，证明两个分布显著不同。因此，第一次测试中的因子是存在 Alpha 的。

策略回测

接下来 quantitativo 进行了策略回测。这里策略设计如下：

使用 SPY 作为测试标的。
当以下条件满足时，在下一次开盘时买入 SPY：
标普指数的 RSI(2) 收于 5 之下
SPY 高于 200 日均线
退出条件
当 SPY 收盘价高于前一天高点，则在下一次开盘时退出。
如果 SPY 收盘价低于 200 日均线

可以看出，回测策略与 Connor 提出的策略略有不同。为什么要进行这样的差异化？

这里的差异化，其实就是回测与实盘的差异。Connor 给出的策略更理想化，而 quantitativo 的验证策略则更加接近实盘。这是我们做策略时一定要考虑的。

首先，尽管我们可以用标普 500 来回测，但在实盘中，更切合实际的方法是购买对应的 ETF。这里的 SPY 就是以标普 500 为标的的 ETF。

第二，Connor 的策略是以收盘价买入。如果你的回测系统不够精确的话，最好是以次日开盘价买入。当然，如果你的回测系统和行情数据精确到分钟级，那么在国内，也可以利用集合竞价前一分钟的收盘价计算信号，再以集合竞价买入。

退出条件的差异，可以看成是 quantitativo 对原策略的一个优化。不过，我并没有看出来这个优化的意义。它的背后似乎并不存在任何交易上的原理支撑。看起来，这更像是 quantitativo 通过数据做出的过拟合。

Question

quantitativo 在本次实验中，使用了长达 25 年的数据进行测试。如果经过这么长的时间回测，数据表现仍然很好，是否就可以说不存在过拟合？我很想知道你们怎么看。

那么，quantitativo 的实验结果又是如何呢？

在 SPY 上的测试简直就是灾难。在整个回测期（25 年）中，使用 SPY 交易此策略提供了 67% 的回报。主要原因是交易次数太少，仅执行了 157 笔交易。

75%

接着 quantitativo 改用了纳斯达克 100 指数 ETF（QQQ）和三倍杠杆纳斯达克 100ETF（TQQQ）。结果表明，在 TQQQ 上表现不错（见前图）:

夏普比率分别达到了 2.3（QQQ）和 1.92（TQQQ），对指数标的而言，是相当不错的指标（特别是与 A 股对比）。

改进策略：增加因子

在前一次实验的基础上，quantitativo 增加了资产组合。

他们把资金分成十份 (10 slots)，用于购买前一天 RSI 收于 5 以下的标的；如果 universe 中有 10 支以上的标的触发了入场信号，将按市值进行排序，优先考虑市值较小的股票。退出条件改为收盘价低于标的 200 日均线。

此外，他们还限制只交易流动性较好的标的： 1. 只交易过去 3 个月内完全没有停牌的标的 2. 如果标的过去 3 个月日均成交量中位数不足资金份额的 20 倍，则不纳入

75%

Tip

实际上，在这里 quantitativo 已经引入了另一个因子，小市值因子，只不过它的权重比较低--是在 RSI 触发之后才应用权重因子。

这次的结果很不错，整体年回报率达到 17.8%，是基准的 3 倍。但也存在问题，即所有这些都是在前 8-9 年实现的。该策略在 2008 年后停止执行，并从那时起输给基准。

原因何在？通过分析 25 年回测期间进行的 11,380 笔交易，quantitativo 发现了很多退市。这种幼稚方法的问题在于，该策略优先考虑小盘股（在通过流动性过滤器后），它们退市的概率为 +70%。

第二次改进：降低退市风险

75%

quantitativo 再次改进了策略，这次的改进是将 universe 限制在只交易大型和超大盘股，这些股票的退市概率较低（分别为 35%和 9%）。

这一次效果非常明显。策略的年化回报达到了 23.9%，是同期基准的 4 倍，夏普达到 1.23%，最大回撤为 32%，几乎只有标普的一半。但是，之前就存在的一个问题，交易次数过于频繁仍然存在。现在一年仍然会交易 461 次。

第三次改进：减少 slots

之前的实验使用了 10 个 slots，这可能是导致交易次数过多的主要原因。于是，quantitativo 将同时持有的标的数减少到 2 支。

现在，交易笔数由 461 次/年下降到 90 笔/年。并且实现 30.3%的年回报率，是基准的 5 倍。

结论

这篇文章介绍了一个基于短时 RSI 的均值回归策略，并在最后，给出了年化达 30.3%的一个实现（未考虑滑点和交易手续费）。

这个策略的内核是短时 RSI，尽管这个指标发明以来已经超过 45 年，但回测结果表明，只要你研究一件事足够深入，就很可能取得成功。

Quote

It's not that I'm so smart; it's just that I stay with problems longer. -- Albert Einstein

这个方案已经值回你的阅读时间，但更为重要的是，我们讨论了策略发现的一般流程和优化角度。

我们再梳理一次，作为本篇的结束语：

RSI 代表着潮汐和回归，其背后是人性，因此它永远不会过时。
多因子策略也可以以某个因子为主，在交易过程中，以限制条件的方式引入其它因子。
文中给出了判断标的流动性强弱的方法，你也可以将其作为一个因子。
研发策略的步骤往往从单因子检验开始，再编写简单回测，然后根据回测结果一步步优化。
在优化过程中，quantitativo 先是使用 ETF，然后改用了 10 个 slots，最终回到 2 个 slots 的方案。

看到吃不到！7 年涨了 2500 倍

这一周我们继续探索 Alphalens 因子分析框架的使用。因子与收益之间的关系很少是线性的，但Alphalens本身就是一个线性分析框架，以揭示因子与收益之间的线性关系见长。它支持的三种分析方法是：

Regression （回归法）
IC/Rank-IC （相关系数、秩相关）
Tiered Regression (分层回溯)

都是基于线性回归或者准线性（相对于svm、nn等而言）。因此，如何让Alphalens在因子检验中，能够真正揭露出因子与收益之间的关系，是一个比较有技巧的活儿。

我们在7月26日发表的视频号中，探索了如何运用 plot_quantile_statistics_table 和 mean period wise return by Factor quantile图来抽丝剥茧，重构因子，最终完美地揭示因子与收益之间的线性关系。

这里我们也对视频内容进行一个摘要。

在实验中，我们先是使用了400个ticker，1000天的数据。在实验方向确定后，我们扩大到2000个ticker, 2000天的数据，以排除偶然性。

我们要探索的因子是6期的RSI。作为因子，一般要求因子值越大，收益越高；但RSI恰好是反向的，一般认为，RSI越大，就越需要减仓。因此，我们实际构建的因子是:

$$

factor = 100 - RSI

$$

第一次实验

简单用Alphalens的默认值跑一下，我们得到以下结果：

多空组合的收益情况

默认参数下的因子分层情况

by quantiles分层下的mpwr图

看收益看不出什么问题。如果你是做纯数据挖掘，就会觉得这也没什么，反正这个因子也是盈利了呀，对不对？

但如果我们仔细看分层图，就会发现，这次实验没有任何意义。因为第一层的因子值从0跨到78.9，最后一层因子值，从22跨越到了97。

看分层收益均值图，会发现因子与收益之间没有线性关系。Alphalens只能做线性分析，在这种情况下，Alphalens又如何能揭示因子与收益之间的因果关系呢？

第二次实验

Alphalens的默认分层方式是by quantiles。我们能运用这种方式来分层的前提，是因子本身是均匀分布的。而RSI不是。

除了RSI之外，还有很多例子不适用by quantiles分层。比如，如果因子是语料情感类的，那么因子大概是0~5之样的标签。这种情况下，也不适合按quantiles分层。

Alphalens提供另一种分层方式，即by bins。我们提供的分箱是[0,10,20,30,70,80,90,100]。这里我们有一个假设，即我们对中间的RSI不感兴趣，认为它们不会提供交易信号。

现在分层的结果就很合理了：

by bins分层情况

但是我们如果看一下 mean period wise return by Factor quantile图，就会发现，因子与收益之间镜像的线性关系：

如果Alphalens能做多第4组，做空第1组，这样的策略结果应该不错。但是Alphalens并不能这么做。需要我们修改因子。

我们的方法是，抛弃掉因子值大于50的那一部分，再让Alphalens来分析因子与收益之间是否存在关系。

第三次实验

这次我们得到了非常完美的线性关系：

过滤掉部分因子

在这种情况下，可以认为，Alphalens的分析结果是有效的。

当然收益也很好看。

过于好看了。能够超过这个策略的，只有涨停板因子。

关于收益的讨论

一般来说，当我们看到这么好的收益时，就应该认为是实施步骤出现了问题。在我们的实验中，是否存在实施问题呢？因子分析比较复杂，这就是为什么我们要尽可能地使用框架的原因。用对了框架，再离奇的结论也要接受。

那么，这个收益我们能否兑现？只有极少数人能够兑现这个收益。因为它的大部分收益是通过做空第一组来实现的。在我们的算法中，第一组实际上就是RSI大于90的那一组。

这一组的股票，往往是涨停股了，平常融券不易，此时融券就更难。但是，从今年以来披露的一些违规案例来看，有些机构先拉涨停板，再融券做空，这是充分利用了我们这里因子分析的结果：即RSI>90时，做空胜算很大。

所以，只有极少数人能兑现这么高的收益。

随着各种交易规则的完善，之前被这些人割走的利润，现在将回到市场中。

结论

Alphalens无法揭示复杂的非线性关系，这是由于它的因子检验方法所决定的。所以，对一些因子与收益之间不存在简单线性关系的因子，我们需要对它进行适当的变换，以适合分析框架。

否则，无论你的因子是好是坏，都不可能得到正确的结果。

量化投资顶刊有哪些(一)？

Journal of Finance 创刊于1946年，是由美国金融协会（American Finance Association）主办的一份顶级学术期刊。它不仅吸引了世界各地顶尖学者的投稿，也是衡量学术成就和职业发展的重要指标。许多诺贝尔经济学奖得主的早期工作都曾在该期刊上发表，比如作为现代金融基石的现代资产组合理论（Markowitz）、资本资产定价模型(William Sharpe)、MM定理（Merton H. Miller）、有效市场假说（Eugene Fama）等。
Journal of Financial Economics. Rolf Banz， 1981年发表《The relationship between return and market value of common stocks》（即小市值因子），就是选择的这一家。2015年Famma发表五因子模型，也是这家期刊。
Review of Financial Studies，由牛津出版，是一本同行评审学术期刊。它在2020年的影响因子为5.814，在商业、金融类排名5/110。《Market Liquidity and Funding Liquidity》一文最早就发表在这里。在google学术上，它有超过6500次引用。
Journal of Portfolio Management，专注于投资组合管理的实践和理论，包括量化策略和风险管理。
Journal of Financial and Quantitative Analysis，简写JFQA，发表金融经济领域理论和实证研究。
Journal of Empirical Finance，强调实证研究，包括市场效率、资产定价和投资策略的实证分析。
The Journal of Trading，关注交易策略、市场动态和交易技术的期刊，不过已停刊。同类型的杂志有《The Traders' Magazine》。