量化交易回测系列二：多因子Alpha策略回测

What this page covers

• 多因子 Alpha 策略与多因子模型的背景与概念梳理。
• 因子生成：输入数据结构、信号定义与相关函数说明。
• 回测框架分解：组合权重、仓位与盈亏、业绩统计。
• 按历史周期计算组合，并行化与分区数据库组织方式。
• 按 tranche/因子/日期生成仓位与盈亏明细的计算方法。
• 运行实例：美股数据回测、绘图与性能描述。
• 讨论与未覆盖问题：因子间权重配置与新因子增量 alpha。

技能认证特训营第二期正式开启（限时报名）

页面顶部提供活动通知与报名链接入口。

• 提供“技能认证特训营第二期”的报名链接。
• 该入口位于页面顶部通知区域。

量化交易回测系列二：多因子Alpha策略回测

本节给出文章标题，并标注作者与发布日期。

• 文章标题为“量化交易回测系列二：多因子Alpha策略回测”。
• 署名作者为 Junxi。
• 发布日期为 2021-05-14。

多因子 Alpha 策略与多因子模型背景

本节解释多因子模型与 alpha 策略的思路与特征，并讨论与套利策略的对比及适用性。

• 多因子模型思路是寻找与回报率最相关的指标来构建组合。
• 组合构建方式包含做多正相关股票与做空负相关股票。
• 单因子权重常实现多空均衡与市场中性（beta 为 0）。
• 该类策略被描述为不暴露市场风险头寸的 alpha 策略。
• 文本提到与套利策略对比：套利 sharpe ratio 通常更高但 scale 不好。

1. 生成因子

本节说明输入数据结构，并给出因子生成函数、因子定义与相关 DolphinDB 函数说明。

• genSignals 的输入表 inData 包含 sym、date、close、RET、MV、VOL 字段。
• genSignals 过滤条件包括：weekday(date) between 1:5。
• genSignals 过滤条件包括：close>5、VOL>0、MV>100000，并按 sym、date 排序。
• 规模因子 signal_size 定义为 -sqrt(MV)。
• 波动率因子 signal_vol 定义为 -mstd(RET,21)*sqrt(252)。
• 动量因子 signal_mom 使用过去 12 个月并去除最近 1 个月的构造方式。
• beta 因子 signal_beta 用过去三个月数据计算 mbeta(RET, mRet, 63)。
• mRet 作为市场回报代理：按 date 分组对 RET 做 prevMV 加权平均。
• genSignals 输出字段包括 sym、date、close、ret、以及四个 signal 字段。
• genSignals 输出仅保留 date>=1991.01.01 的数据。

2. 回测框架

本节给出多因子 Alpha 回测框架的总体分解。

• 框架包含“生成每个周期的权重（tranche）”。
• 框架包含“根据持有时间生成每日仓位与盈亏”。
• 框架包含“统计分析各策略及总体业绩”。

2.1 计算历史周期的投资仓位

本节介绍如何按周期（一天）计算投资仓位，并扩展到历史每一天的并行计算。

• 讨论按“一个周期（一天）”计算投资仓位的方法。
• 讨论将计算扩展到历史每一天。
• 提到通过并行计算方式处理历史周期。

2.1.1 计算一天的股票投资组合

本节描述权重约束、因子矩阵构造、权重修剪逻辑，并给出 formPeriodPort 的输入输出与实现要点。

• 单因子约束：一天内该因子所有股票权重之和为 0。
• 跨因子约束：不同因子之间相互正交。
• 因子矩阵 sigMat：列为因子、行为股票，并添加全为 1 的单位因子列。
• 对信号进行去均值处理（x - avg(x)）。
• 通过去除权重较小的股票来控制实际交易股票数量。
• formPeriodPort 输入包含 signals、signalNames、stockPercentile。
• formPeriodPort 输出字段为 tranche、sym、signalIdx、exposure。
• 每个因子多空各分配一美元，并修剪小权重。

2.1.2 计算过去每天的股票投资组合

本节说明使用分区内存数据库与 map-reduce，将 formPeriodPort 应用于每个交易日并写入分区表。

• 回测数据量很大，因此使用内存分区数据库与并行计算。
• 将 genSignals 输出保存到分区表 partSignals，分区粒度为“一天”。
• 创建分区表 ports 保存组合结果，分区粒度为“一年”。
• 使用 map-reduce：对每一天调用 formPeriodPort 并合并写入 ports。
• 提供分区数据库教程链接作为参考。

2.2 计算仓位和盈亏

本节定义 calcStockPnL，用于生成按 tranche/因子/日期的仓位与盈亏明细，并通过 map-reduce 写入分区表。

• calcStockPnL 的目标是生成每只股票在每个 tranche、每个因子上的每日仓位与盈亏。
• 计算结果保存到分区表 pnls。
• calcStockPnL 输入 ports 字段为 tranche、sym、signalIdx、exposure。
• calcStockPnL 输入 dailyRtn 字段为 date、sym、ret。
• holdingDays 表示股票持有的天数。
• calcStockPnL 输出字段为 date、sym、signalIdx、tranche、age、ret、exposure、pnl。

3. 运行实例

本节以美国股市为例运行回测，展示执行流程、绘图输出，并描述计算规模与性能。

• 运行示例以美国股市为例进行回测。
• 输入日数据表 USPrices 字段为 sym、date、close、RET、MV、VOL。
• 示例参数 holdingDays 设为 5。
• 示例参数 stockPercentile 设为 20。
• 示例因子集合为 signal_mom、signal_vol、signal_beta、signal_size。
• 示例流程包含：signals=genSignals(USPrices)。
• 示例流程包含：ports=formPortfolio(signals, signalNames, stockPercentile)。
• 示例流程包含：pos=calcStockPnL(ports, dailyRtn, holdingDays)。
• 对 pnl 聚合后绘制累计盈亏图。
• 图表说明涉及四因子累计盈亏（Cumulative PnL）走势。
• 图表说明涉及动量因子在不同持有天数下的累计盈亏走势。
• DolphinDB 被描述为通用的分布式时序数据库，内置多范式编程语言。
• 实现规模描述为：3 个自定义函数与 50 余行代码。
• 盈亏明细表记录数描述为 1 亿余条。
• 性能描述包含“单机（4 核）执行耗时仅 50 秒”的表述。

4. 讨论

本节指出框架当前覆盖范围与未解决问题，并预告后续文章将讨论的主题。

• 当前框架仅解决单个因子内的股票配置问题。
• 尚需解决因子间权重配置，以平衡回报与风险。
• 尚需判断新因子是否带来额外 alpha。
• 预告下一篇将讨论因子权重配置与新因子增量 alpha 的问题。

Facts Index