知识星球与开源项目：万物之中，希望至美

今天的一些主要工作成果：

1、按5天（周调参）对因子ic进行排序。

2、对多个因子进行回测比较。

3、alphalens-reloaded比较 波动率与量价背离等因子的 ic分析细节。

4、pycaret机器学习模型应用于量化(vs autogluon 高精度调参)。

昨天对于因子进行了异常值、因子归一化等，计算量增加不少，但结果并没有特别大的变化。之前我们是综合计算了多个周期，比如1，5，10，20天，今天我们就按照5天（按周调仓）的模式来对比下。

ic值排在前面的仍然提“量化背离”的CORD30，60。

下面我们直接来回测比较一下：

CORR20是IC比CORD30和CORD60都小一些。但从实际回测的结果看，CORR20效果最好，CORD60效果最差。而IC值倒数的STD60呢，结果也还不错。

————这里需要仔细分析，也间接证明IC分析容易出错的地方。

同一个因子，比如CORR20，取前10%与后10%，这个分层测试基本是单调的，说明这个因子是可以把好坏股票区分出来。

而IC是相关性的均值，这个均值可能存在波动性。横向对比的单调性就不好说了。因此我们需要进一步仔细分析std60的因子情况。

使用alphalens-reloaded这样库来分析：

STD60的收益率分析很高，但ic很小。这个说明什么问题呢，这就是IC分析与收益率分析结果不一样如何决策的问题了。

设𝑋,𝑌为两个向量，则  ，其中  为线性回归  或线性回归  的可决系数（其中𝑎，𝑏是待回归系数）。 

也就是说IC值是可决系数。IC越大，则收益预测越有效。

reg_fit = OLS(y, x).fit()
try:
    alpha, beta = reg_fit.params
except ValueError:
    alpha_beta.loc['Ann. alpha', period] = np.nan
    alpha_beta.loc['beta', period] = np.nan

因此，IC值代表因子收益的稳定性，如果IC值高，且预测收益也高，这就是好因子。STD60明显就是回测收益很好，实盘可能很有问题的逻辑。

这是CORR20：

CORD30：

CORD60:

STD60:

吾日三省吾身

关于焦虑或者其他烦心之事，我自己当前的一个观感，时间是最好的解药。

事缓则圆，说的就是这个道理。我们担心的事情，99%并不会发生，剩下那1%，就算真的发生了，也并没有我们想象中的严重，我们都能从容应对。

反而，一些黑天鹅事件，比如蔡磊的渐冻症，这种是没有办法，没有理由，那么他只能从容面对。

另外，就是长远的目标，要令人兴奋，但要可努力，通过努力基本可达的目标。你能专注自己想做的事情，且能看到进步，那么很多焦虑就会自动消散。

代码均已同步至星球：