多策略、高性能、积木式框架（代码+数据）

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：

今天继续bt框架之应用、改造与解读，目前看，把bt框架融合进来，是一个正确的选择。

原因：

1、我们之前的“积木式”模块化，本身与bt理念就是一下的，学习成本与改造代价很低，很多拿过来可以直接用。

2、bt本身比较成熟，交易手续，滑点，它的报表，可视化，指标都比较完善，这一块之前打算自研，还是有不少细节要处理。

3、亮点功能：多策略，得益于它的树形结构，它可以同时跑多个策略，性能很多（cython加持）。

如下代码，一次定义并运行三个策略，效果对比一目了然（之前我的做法是把三个策略运行后，结果保存起来综合对比，这是无奈之举，bt框架完美的解决了这个诉求）：

df_factor = df[['symbol', factor_name]]print(df_factor)stra_name = '大小盘动量轮动'strat = engine.Strategy(stra_name,                        [                            #RunMonthly(),                            SelectTopK(df_factor=df_factor, factor_name=factor_name,K=1, b_ascending=False),                            WeighEqually(),                            Rebalance()                        ]                        )s2 = engine.Strategy('等权买入-再平衡',    [        RunMonthly(),        SelectAll(),        WeighEqually(),        Rebalance()    ])s_bench = engine.Strategy('基准-沪深300（000300）',    [        SelectThese(tickers=['000300.SH']),        WeighEqually(),        Rebalance()    ])bkt = engine.Backtest(strat, df_close,integer_positions=False)bkt2 = engine.Backtest(s2, df_close,integer_positions=False)bkt_bench = engine.Backtest(s_bench, df_close,integer_positions=False)res = engine.run(bkt,bkt2,bkt_bench)