回测引擎：优化交易函数

每天都在思考，如何给大家更多，更好的价值。如何优化量化的工程大数据能力，如何挖掘出更优的因子，组合出更好的策略。

今天的核心工作：

1、158个因子，优选排序后，相关分析，取相关性低的，合成因子，进行回测。可以等权，按IC值加权合成。2、机器学习模型对优选因子 训练回测。对整个因子集进行训练，提取因子特征重要性。与IC分析做对比。

之前的文章 ，我们对alpha158进行了ic分析并排序。年化63.9%，夏普1.4的沪深300股票池单因子（代码+数据）

今天优化了order_target_weights函数：避免计算误差，超过10%的比率才会调仓：

if abs(new_w - curr_weights[s]) > 0.1:  # 大于10%的幅度才调。

# 这里负责调仓顺序，先卖后买
def order_target_weights(self, weights: dict):
    # 卖出的先调仓
    to_sell = []
    to_close = []
    for holding, _ in self.portfolio.curr_holding.items():
        # 当前持仓没有在 目标仓位里，那就清仓。        if holding not in weights.keys():            to_close.append(holding)    if len(to_close):        self.close_symbols(to_close)    # 前面清仓之后，curr_holding里就不出现了，也就是说， 原先有，新的没有——卖出。    # 还有 原先有，现在也有，变多或少了；    # 原先没有，现在有，买入；    total_mv = self.portfolio.get_total_mv()    curr_weights = {s: (mv / total_mv) for s, mv in self.portfolio.curr_holding.items()}    to_buy = []    for s, new_w in weights.items():        # 新的有，当前也有，当前>新的，卖出        if s in curr_weights.keys():            if abs(new_w - curr_weights[s]) > 0.1:  # 大于10%的幅度才调。                if new_w < curr_weights[s]:                    to_sell.append(s)                else:                    to_buy.append(s)        else:            # 原先没有，现在有，买入            to_buy.append(s)    for s in to_sell:        self.order_target_weight(s, weights[s])    for s in to_buy:        self.order_target_weight(s, weights[s])

ic值分析：

CORD和CORR都是价量背离的逻辑，MA60/ROC30是动量逻辑；QTLD和QTLU是价格分位点。

印象中与我之前使用qlib的lightGBM训练，提取重要特征的逻辑差不多。

不过，在单因子的backtest里，似乎出现了一些问题。

IC值与回测结果没有明显的正相关关系，而且低ic值的结果“出奇”的好。我在查原因，目前优化了一些逻辑，看没有看出来有明显不对的地方————除了没有扣减交易手续费之外。

但这里逻辑，因此今天的进展有点滞后，。