Returns(回报率) 衡量的是一项投资在特定时期内盈亏的百分比变化

分为两种:简单回报率和对数回报率

简单回报率:

对数回报率:

市场中性化

剥离掉股票收益中由整个市场大盘涨跌带来的部分,只留下股票自身独特的收益

个股收益率 = α + β * 市场收益率 + ε

  • α (Alpha):就是我们想要的,代表个股独立于市场的超额收益。
  • β * 市场收益率:代表市场波动带来的收益部分。
  • ε (残差):代表模型无法解释的随机误差。 从向量中的每个值中减去该组向量值的平均值。所有向量值的总和=0。这称为中性化。

延迟1

确保在时间点 t 计算因子时,所使用的所有数据的截止时间都是 t-1(例如,前一天收盘后的数据)

衰减0

“衰减”意味着给近期的数据更高的权重,给远期的数据更低的权重。这是一种平滑时间序列的常用方法,认为近期数据比远期数据更重要。

rank

排序并归一化

Sharpe夏普比率

该比率衡量Alpha策略的超额回报(或风险溢价)与其波动性之间的比率。它将PnL的平均值除以PnL的标准差。Sharpe Ratio或信息比率(IR)越高,Alpha策略潜在的回报越稳定,而稳定性是一个理想的特征。BRAIN平台的Sharpe Ratio通过要求为大于1.25来判断是否通过.

Turnover换手率

Alpha策略的Turnover是衡量模拟每日交易活动的指标,即Alpha策略交易的频率。可以将其定义为交易价值与账面规模的比率。Turnover越高,交易发生的次数就越多。由于交易会产生交易成本,降低Turnover通常是一个理想的特征。BRAIN平台的Turnover通过要求为1%到70%来判断是否通过.

Fitness稳健性分数

Alpha策略的Fitness是收益、Turnover和Sharpe的函数。Fitness定义为:

好的Alpha策略通常具有高的Fitness。您可以通过增加Sharpe(或收益)和降低Turnover来寻求提高Alpha策略的表现。BRAIN平台的Fitness要求为大于1.0.

Returns年化收益率

Returns是Alpha策略在一个定义的时间段内获得或损失的金额,以百分比表示。BRAIN将Returns定义为:

Drawdown回撤

Alpha策略的Drawdown是在给定时间段内模拟PnL最大的降低幅度,以百分比表示。计算方法如下:

Margin单位利润率

Margin是Alpha策略模拟计算出的每一美元交易额的利润;计算公式为:

Region地区

Region是Alpha将模拟交易的市场,例如美国股票市场或中国股票市场。

Universe股票池

Universe是由其流动性排名的一组交易对象。例如,“US:TOP3000”代表美国市场前3000只流动性最高的股票。

Decay 衰减

Decay 用于在指定时间窗口内对Alpha信号进行平均。该设置对Alpha执行线性衰减。提示:可以使用Decay来减少换手率,但是太大的衰减值将削弱信号.

Truncation 截断

Truncation 设置整个投资组合中每只股票的最大权重。它旨在防止对个别股票的动作过度暴露。推荐的设置为0.05至0.1(占5-10%)。

Neutralization中性化

市场风险和行业特定风险是股票中存在的普遍风险。然而,通过使用称为中性化的概念创建多空中性组合,可以降低这些风险。在将投资组合中性化至市场或行业特定组后,不采取净头寸,即分配同样数量的美元在多头(购买)和空头(卖出)头寸中。这样,您将较少受到风险的影响,无论整个市场涨跌如何.

当 Neutralization = “Market/Industry/Sub-industry” 它执行以下操作:Alpha = Alpha – mean(Alpha) ,其中Alpha是权重向量。

pic10.png

如果假设的账面价值为2000万美元,我们最终将投资1000万美元的多头头寸和1000万美元的空头头寸。因此,不采取净头寸,即长头寸完全抵消空头寸,使这种假设策略市场中性。

根据不同的中性化方法确定用于中性化Alpha值的组。正确选择中性化取决于Alpha使用的逻辑或公式。结果应指出哪种中性化方法最有效。

K线图

一个时间间隔内的 开盘价,收盘价,高点,低点

大阳线、大阴线:实体长影线短,市场力量大

纺锤形(Spinning Top):波动大,开盘收盘相差小,市场犹豫

十字星(DOJI):市场非常犹豫

K线