今天继续分享可转债多因子，昨天咱们分享了“双低”因子的单因子分析：
年化22.8%的单因子分析：基于Alphalens做可转债全市场数据的单因子分析（附python代码+全量数据）
证明其有效性，与我们的回测结果相印证：年化22.8%：可转债多因子策略之基准——“双低”因子策略
今天咱们测试其他因子，然后基于这些因子集，构建多因子模型。
第一个想到的是动量因子。
因子计算，在昨天的代码基础上，咱们加上动量roc_20即可。
import pandas as pd
from config import DATA_DIR_BASIC
from datafeed.dataloader import CSVDataloader
bonds = pd.read_csv(DATA_DIR_BASIC.joinpath('cb_list2.csv'))
#bonds = bonds[bonds['delist_date'] is None]
bonds = bonds['ts_code']
df = CSVDataloader.get_df(bonds, set_index=True, start_date='20210101',path='bonds')
df = CSVDataloader.calc_expr(df, ['close+cb_over_rate','roc(close,20)'], ['double_low','roc_20'])
df.dropna(inplace=True)
df.index = pd.to_datetime(df.index)
df
直觉来讲，动量越大，应该收益越好，我们来看因子分析的结果：
比之昨天的双低因子，IC也相对明显，但注意到没有——负相关。也就是说，动量越大，收益越低。
我们再来看单调性——买入动量最大的20%，收益最差。
这里分层收益很有意思，第3层，也就是动量居中的收益最高。
我们回测一下真实情况，也印证这一观点，足见IC分析的有效性——不能只看ic就开始交易，重点是分层收益——但这个因子只要是相关的，就是可以保留下来，供咱们机器学习多因子建模使用。
（买入动量最大的前20%转债）
（买入动量最小的前20%转债）——结果好一点，但也很一般。
代码在如下位置：
明天（周五）统一打包更新。
吾日三省吾身
这个世界上，随波逐流的人多。
脚踩西瓜皮，滑到哪是哪。
其中不乏很聪明的一群人，在学校里可能是学霸，当他们在一个确定的方向上思考时，非常厉害。
但面向人生这个不确定的无限游戏，很多人拿到什么牌，就一直这么玩。
很努力，很卖力。
但他们没有想过，能不能换个玩法？
也许你选错了专业，也许你选错的职业，也许你甚至选错了人，但不代表你不可以重新开始。
郭宇就是最好的案例，他大家学的可是文科专业，那又怎么样，自学前端开发技术，然后去了头部互联网公司，拿到天价期权，自学理财，28岁财富自由。
28岁财务自由的程序员，我想起那些年错过的1个亿，悲伤的故事
现在的生活，是三天前你的认知和行动所决定的；你现在的努力能改变未来的生活。
当我同很多朋友讲起这个逻辑，他们第一反应是——来不及了，没有时间…
————很多人为了回避思考，他们愿意吃一切的苦。。。
其实，无论如何我们都有得选。
没有人可以运气一直好，自助者天助。
——种一棵树最好的时间是十年前，其次是现在。
历史文章：
发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/103172
站内所有文章皆来自网络转载或读者投稿，请勿用于商业用途。如有侵权、不妥之处，请联系站长并出示版权证明以便删除。敬请谅解！
