年化63.9%，夏普1.4的沪深300股票池单因子（代码+数据）

我们使用alphalens分析了alpha-006这个因子【Alpha101因子分析系列】之Alpha006”价量背离“（代码+沪深300成份股全量数据集下载），这个因子比较简单，但看起来效果还不错，今天我们来具体就使用单因子对沪深300成份股进行回测看看。

年化63.9%，夏普1.4，交易出乎意料，我们还在持续的挖掘因子，这个开局效果不错。

代码在工程这个位置：（欢迎大家找问题），代码和数据已经在星球更新：知识星球与开源项目：万物之中，希望至美

需要说明的事，没有考虑成本与滑点，只为演示因子效果，因为这还不是我们的最终策略，最终一定是一组多因子合成的效果，回撤会比这个好，才可以交付实盘验证。

import pandas as pd

# 把昨天的文件包，放在ailabx/data下的hist_hs300_20230813下，使用duckdb直接访问
from engine.config import CSVS_DIR

from engine.datafeed.dataloader import Duckdbloader

symbols = ['000001.SZ', '000002.SZ']
loader = Duckdbloader(symbols=None, columns=['close', 'open', 'volume'],
                      start_date="20100101")
fields = ["-1 * correlation(open, volume, 10)", "close/shift(close,1)-1"]
names = ["量价背离_10", 'return_0']

df = loader.load(fields=fields, names=names)
df.dropna(inplace=True)
print(df)

from engine.env import Env
from engine.algo.algo_weights import *
from engine.algo.algos import *

e = Env(df)
e.set_algos([
    #RunDays(5),
    # SelectBySignal(buy_rules=['ind(roc_20)>0.02'], sell_rules=['ind(roc_20)<-0.02']),
    SelectTopK(K=1, order_by='量价背离_10'),
    WeightEqually()
])
e.backtest_loop()
e.show_results()

继续搞因子：Alpha015: (-1 * sum(rank(correlation(rank(high), rank(volume), 3)), 3))

涉及几个函数：sum, rank,还有昨天我们用过的correlation。

def sum(se: pd.Series, N):
    se = se.groupby('symbol', group_keys=False).apply(rolling, N, 'sum')
    return se

# index.name = 'date'，默认都是序列内部，序列间的需要合并df后来计算。
def rank(se: pd.Series):
    rank_result = se.groupby('date').rank(pct=True)
    return rank_result

sum是N个序列值求和，比如简单。

rank是按date来groupby，也就是某一天的截面数据计算百分位。

本质上说，alpha015与昨天的alpha006类似，都是“价量背离”，只是选取最高价与成交量的负相关关系，这里进行了组内的排名，求和等复杂运算。但结果显示，alpha015的ic值要差一些。

复杂就不一定就是好的。

这个单回子回测的年化收益是26%。

因子是无穷多的，因子并不是越多越好，效果差的因子合成进来，对总体结果会有影响。

我们也无法指望机器学习模型能够“自动”甚至“智能”的去拟合这个结果，导致的结果要么不拟合，要么过拟合。

一些感悟：

今天发现自己的手机号有快递，结果查询状态，没有发件人信息，只有物流的揽件信息，然后快递在运送途中，另外目的地也没有说送到哪。

有没有朋友知道这个什么情况。

之前有收到过类似的”测试件“，里边是一张类似答谢，可以扫码抽奖之类的，当然直接就给扔了。不知道是个啥。