阿里云建设网站好吗,杭州市社区建设网站,怎么查看网站后台地址,苏州公司注册查询文章目录动量因子与行业轮动概述动量因子的理解投资视角下的行业轮动现象投资者视角与奈特不确定性动量因子在行业风格上的效果测算动量因子效果测算流程概述1. 行业选择#xff1a;申万一级行业2. 动量因子选择#xff1a;阿隆指标#xff08;Aroon#xff09;3. 测算方法…
文章目录动量因子与行业轮动概述动量因子的理解投资视角下的行业轮动现象投资者视角与奈特不确定性动量因子在行业风格上的效果测算动量因子效果测算流程概述1. 行业选择申万一级行业2. 动量因子选择阿隆指标Aroon3. 测算方法1.选择特定的时间区间2.计算阿隆指标Arron3. 统计收益率胜率4. 测算结论【量化选股——基于动量因子的行业风格轮动策略】分为两部分
第1部分—因子测算第2部分—策略回测
动量因子与行业轮动概述
动量因子的理解
动量可以理解为“势头”“强势的程度”。汽车遇到红灯时不是一下子停下而是滑行一段再停。滑行的这一段就解释为“动量”造成的。动量因子表示即便情况发生了变化这些因子所代表的势头仍会持续一段时间。
动量因子一直饱受争议因为它的前提假设是股票会表现出马太效应。意思是股票的相对强弱趋势会延续并且表现出“强者恒强弱者恒弱”的态势除非有意外情况发生才会导致强弱之势逆转。动量因子表现出两种效应
动量效应股票的收益率会延续反转效应经过较长时间后收益会翻转
挖掘动量因子的过程往往是先算出结果再找一个逻辑来解释。因此动量因子其实没有太多的基础理论支撑是在实践中被摸索出来的。使用动量因子的风险也很高因为对动量因子的解释性的逻辑往往超脱了我们过去所知的对市场理解的框架体系有一种“唯数据论”的感觉。这里博主希望大家能够辩证的看待动量因子有自己的看法。
通常学界对动量因子的理解有以下几种 投资者的决策行为导致了动量因子的产生。如中国人个人炒股比例高而且由于缺乏背景知识缺乏对基本面的了解同时好大喜功求快导致短线操作居多跟风者居多 但反对者认为这种猜测无法定量评估而这样的解释是“为了发展一个理论模型而寻找不合理的逻辑假设” 因为每个市场的参与者接收同一个信息的时间都不同因此即便某个事件发生了依旧会因为接收信息的时间差导致参与者在操作上存在时间差所以时间差导致了动量这种“效应”的产生。同样也可能因为存在一些信息差不对称的信息差会随着时间流逝慢慢对称这个过程也会造成动量。 但反对者同样认为既然存在操作的时间差那么利好和利空的消息都应该存在时间差而往往动量因子只能体现出某一边的动量。如某些代表利好的动量因子无法解释利空的情况或者说动量因子本身就不应该被分为利好或利空否则就代表它只验证了对一遍有效 市场的参与者都有自己入场的动机与离场的目的不同参与者也是在市场中不断博弈与进化的市场具有“奈特不确定性”。按照书本所述股票现在合理的价格就是对未来现金流的折现。那么不同的参与者因为伴随有不同的入场与离场的目的因此站在各自的立场上对“未来现金流折现”的估值也不同而这种行为伴随着市场的进化与发展导致“动量”作为一个观测现象而产生。 这就意味着“动量”是一种表面现象它不是因为固定的几个逻辑直接导致的结果而是博弈造成的一种被观测出来的现象。
目前动量因子在个股上是作为多因子模型的一部分存在而如果将视野扩大到行业层面就可以单独拿动量因子进行建模测算此时因子的动量效应较为明显。通常认为是因为暴露的因子动量会随着个股传递到整个行业组合上因此观测较为明显。
我们常见的动量因子通常包含
过去一段时间1周、10天、一个月、3个月的收益率5、10、20、30、60天收盘价均线过去一段时间板块、行业的高开低收等数据
投资视角下的行业轮动现象
我们以接收信息的时间差导致参与者在操作上存在时间差所以时间差导致了动量这种“效应”的产生为视角就可以发现在行情走势上 市场上有大量未接受到该信息的投资者标的买卖双方造成的买卖供需关系并不会显著到立即把价格推向其应当达到的位置此时表现在信息的“反应不足” 越来越多的投资者接触到了该信息并做出反应此时价格逐渐被推至合理价格附近但后入市场的投资者中有一部分因为各种各样的原因错误或过分估计了该信息价值从而将该股票价格再进一步推离了合理价格此时“反应过度”出现超买、超卖现象 超买超卖现象被发现市场的投资者捕捉到反映过度带来的盈利空间通过交易获取超额收益的同时将股票价格再度往合理价格处推动。 比如在2022年11月30日ChatGPT就已经向公众开放
11月30日OpenAIChatGPT的作者在维基百科发布关于ChatGPT的百科信息12月6日开始维基百科词条开始普通用户参与修改并且参与修改的用户账号量每日增长显著12月新闻既有“小学生击败ChatGPT”“差点被ChatGPT骗了”“举一千反一人类离xxx还有多远”等负面看法也有“爆火的ChatGPT太强了”等正面观点 复盘12、1、2月份到如今的ChatGPT概念BK1126可以发现站在投资者的视角上
投资者无法判断信息是从何时开始反映在市场上的也无法判断未来将持续多长时间投资者难以评估信息的市场价值信息带来的对预期的影响能造成的股价涨跌幅难以度量信息源种类、观点、立场繁多难以主观评价 如今百度指数上ChatGpt的搜索指数与资讯关注度依旧很高但相对高点已经走弱由于是境外资讯而百度搜索面向国内用户因此国内资讯会优先与国内的搜索指数呈现出增长的趋势 因此在行业轮动上动量指标盈利的来源
市场上有大量未接受到该信息的投资者越来越多的投资者接触到了该信息并做出反应动量指标盈利主因超买超卖现象被发现动量指标亏损主因
投资者视角与奈特不确定性
奈特把对未来的不确定性分为两种一种称为“风险”另一种称为“奈特不确定性”将未知分为了两类
风险具有特定概率分布的不确定性奈特不确定性没有特定概率分布的不确定性
后续的研究证明
人们常对奈特不确定性表现出厌恶的倾向并愿意为避免奈特不确定性而支付溢价厌恶奈特不确定性的人不一定厌恶风险即“赌鬼也讨厌奈特不确定”在人们面临奈特不确定性时会出现群体盲从的现象形成羊群效应此时人们更在乎别人的想法
当信息被越来越多的人接触到的时候投资者面临的其实就不是完全未知的“奈特不确定性”而是可以评估盈利与亏损区间与概率的“风险”了。但相对的不同的市场参与者对信息的敏感程度与评估是不同的从这个角度也验证了上述的第二条“投资者难以评估信息的市场价值信息带来的对预期的影响能造成的股价涨跌幅难以度量”。对于信息的动量与价格走势趋势的判断需要策略研究员进行细致的研究。
动量因子在行业风格上的效果测算
动量因子效果测算流程概述
首先我们选择“申万一级”行业指数阿隆指标Aroon作为动量指标进行测算然后根据指数数据集选择公共的时间段2015-01-01 至 2023-01-01将日期分为两个部分 选择 2015-01-01 至 2020-01-01 这一段时期进行测算选择 2020-01-01 至 2023-01-01 这一段时期进行回测 选择测算的时间段进行测算选择回测的时间段进行回测
1. 行业选择申万一级行业
我们选取申万一级行业指数来测算
申万行业分类规则请参考申万行业分类标准2021版
行业代码行业名称成份个数静态市盈率TTM(滚动)市盈率市净率静态股息率0801010.SI农林牧渔9947.1347.642.840.621801030.SI基础化工34315.9215.022.482.112801040.SI钢铁447.2712.031.065.653801050.SI有色金属12824.5515.512.691.214801080.SI电子30823.8827.292.941.215801880.SI汽车24029.2828.172.271.316801110.SI家用电器7917.6016.002.822.977801120.SI食品饮料11940.7336.847.841.778801130.SI纺织服饰11316.8217.741.973.489801140.SI轻工制造14821.6725.742.381.8110801150.SI医药生物36029.3426.323.571.0811801160.SI公用事业12321.3219.211.902.2812801170.SI交通运输1249.878.481.284.6213801180.SI房地产1159.5512.150.983.4014801200.SI商贸零售10426.1031.572.601.5115801210.SI社会服务7362.3462.043.570.5516801780.SI银行424.974.660.555.7917801790.SI非银金融8813.6416.671.382.5618801230.SI综合2457.8330.572.310.7819801710.SI建筑材料749.3412.551.483.8320801720.SI建筑装饰1588.507.910.892.3521801730.SI电力设备26540.1929.254.070.6022801890.SI机械设备39824.0727.192.341.6923801740.SI国防军工9855.9150.133.740.4924801750.SI计算机26839.4943.273.890.8825801760.SI传媒14018.9321.971.882.4926801770.SI通信10717.8915.991.454.0827801950.SI煤炭3810.126.641.426.6128801960.SI石油石化4710.618.141.006.8129801970.SI环保10916.6018.721.581.7530801980.SI美容护理2843.9542.615.690.61
这里申万一级的行情数据不在之前的股票数据里这里提供获取代码
import akshare as ak# 申万一级行业信息
sw_index_first_info_df ak.sw_index_first_info()
for _, sw_series in sw_index_first_info_df.iterrows():sw_symbol sw_series[行业代码].split(.)[0]_ak_df ak.index_hist_sw(symbolsw_symbol, periodday)_ak_df.to_csv(../data/select_factor_data/sw_{}.csv.format(sw_symbol),indexFalse)2. 动量因子选择阿隆指标Aroon
阿隆Aroon指标是由图莎尔·钱德Tushar Chande)1995 年发明的它通过计算当前价格达到近期最高值和最低值以来所经过的天数帮助投资者预测证券价格趋势或反转的变化
阿隆指标计算步骤
确定滑动窗口的长度比如25个工作日获取这个窗口中日线的最高价与最低价用最高价计算AroonUp [(计算期天数-达到最高价后的天数)/计算期天数]*100即 Aroonup [ ( 25 - 到达最高价后的天数 ) / 25] * 100用最低价计算AroonDown [(计算期天数-达到最低价后的天数)/计算期天数]*100即 Arrondown [ ( 25 - 达到最低价后的天数 ) / 25 ] * 100
根据公式我们可以推算出
最高价屡创新高时arronup1最低价屡创新低时arrondown1最高价不断走低时arronup0最低价不断走高时arrondown0arronup越小代表离上一次创新高的时间越久arrondown越小代表离上一次创新低的时间越久arronup1且arrondown1代表最高价屡创新高的同时最低价也屡创新低柱子拉长 3. 测算方法
1.选择特定的时间区间
我们删除数据不足的“石油石化”“环保”“美容护理”这三个指数然后划分公共数据区间为两段
统计测算2015-01-01 至 2020-01-01回测2020-01-01 至 2023-01-01
#部分代码
train_data_dict {}
test_data_dict {}
for _sw_key, _sw_df in sw_data_dict.items():train_data_dict[_sw_key] _sw_df[_sw_df[日期].between(2015-01-01, 2020-01-01)]test_data_dict[_sw_key] _sw_df[_sw_df[日期].between(2020-01-01, 2023-01-01)]2.计算阿隆指标Arron
选择时间区间2015-01-01 至 2020-01-01所有指数单独计算以25天为滑动窗口长度计算aroonup与aroondown指标
规定交易规则当arronuparrondown时以当天收盘价买入arronuparrondown时以当天收盘价卖出
def measure_aroon(dataframe:pd.DataFrame):dataframe.columns [code,date,close,open,high,low,volume,business_volume]dataframe.set_index([date], inplaceTrue)dataframe.index.name dataframe[aroondown], dataframe[aroonup] talib.AROON(dataframe[high], dataframe[low], timeperiod14)dataframe dataframe.dropna()return dataframe3. 统计收益率胜率
统计每一笔完整的交易从买到卖的完整交易的年化收益率并且逐笔统计以年化收益率2%记为胜否则为负
# 部分代码
total_measure_record {} # 测算结果for _train_lable,_train_df in train_data_dict.items():measure_record {} # 测算结果if _train_df.shape[0] 0:continuemea_df measure_aroon(_train_df.copy())# 开始测算trade_record_list []this_trade {close_record:[],}for index,series in tqdm(mea_df.iterrows(),totalmea_df.shape[0]):if series[aroondown] series[aroonup]:mea_df.loc[index,label] sellif buy_date not in this_trade.keys():continuethis_trade[sell_date] index.to_pydatetime()trade_record_list.append(this_trade)this_trade this_trade {close_record:[],}else:mea_df.loc[index,label] buythis_trade[buy_date] index.to_pydatetime()this_trade[close_record].append(series[close])if buy_date in this_trade.keys():this_trade[close_record].append(series[close])trade_record_df pd.DataFrame(trade_record_list)for _i,_trade_series in trade_record_df.iterrows():_trade_record_year_rate (_trade_series[close_record][-1] - _trade_series[close_record][0])/_trade_series[close_record][0]/(_trade_series[sell_date] - _trade_series[buy_date]).days * 365 # 年化收益if _trade_record_year_rate 0.02:trade_record_df.loc[_i,victory] 1else:trade_record_df.loc[_i,victory] 0trade_record_df.loc[_i,年化收益率] _trade_record_year_rate# trade_record_df 即为每一个行业真实的测算结果measure_record[胜率] round(sum(trade_record_df[victory]) / trade_record_df.shape[0], 4)measure_record[胜率详情] {}/{}.format(round(sum(trade_record_df[victory]),3), trade_record_df.shape[0])measure_return trade_record_df[年化收益率].describe()measure_record[收益率均值] measure_return[mean]measure_record[收益率方差] measure_return[std]measure_record[25%] measure_return[25%]measure_record[75%] measure_return[75%]measure_record[中位数] measure_return[50%]total_measure_record[_train_lable] measure_record4. 测算结论
按照上述的测算方法测算结论如下
综合测算下来28个申万一级行业中有15个行业的综合胜率50%有18个年化收益率中位数0。没有一个行业可以每年的胜率都达到50%以上
胜率胜率详情“年化收益率均值”“年化收益率方差”“年化收益率25%”“年化收益率75%”“年化收益率中位数”801210.SI0.6526.0/401.10132813.854513-3.567328.3831933.277827801110.SI0.62520.0/32-0.43676116.563576-7.3248557.5505731.551451801750.SI0.605323.0/38-2.00612122.928017-6.9598759.2676092.499013801120.SI0.589723.0/39-0.54581212.693933-3.1803855.8975451.632406801890.SI0.588220.0/34-3.36067722.453205-14.6205418.865592.704538801080.SI0.588220.0/34-5.75448225.290329-8.0245436.4357951.120838801200.SI0.575819.0/33-5.14804120.819803-12.9407574.3527821.052707801140.SI0.575819.0/33-4.73596818.721499-10.9718666.1674021.135974801160.SI0.571420.0/35-4.53512617.491513-7.791965.7381180.732191801730.SI0.558819.0/34-2.88049719.378822-12.309228.1740410.882168801010.SI0.555620.0/36-2.93808817.975981-11.3953038.5876680.848525801130.SI0.545518.0/33-4.97715521.158295-8.8583126.2438431.500513801760.SI0.531217.0/32-10.96552527.899573-16.3725745.7345610.556964801770.SI0.515217.0/33-4.68487724.414547-10.70240610.3028370.887308801050.SI0.516.0/32-4.53906122.368268-16.5867359.2855820.261408801040.SI0.487219.0/39-1.24763415.297324-10.7822486.7690930.011439801180.SI0.487219.0/39-0.80418516.592557-3.9955525.568170801720.SI0.486518.0/37-3.74782419.616045-15.0682356.5086590801710.SI0.473718.0/38-3.01019717.654178-7.4173625.759873-0.061242801030.SI0.468815.0/32-1.80782217.684925-6.3255938.010072-0.742137801880.SI0.468815.0/32-3.9287619.513424-9.6945966.653341-1.287274801170.SI0.4518.0/40-0.84516113.940707-5.7243374.644774-0.482324801790.SI0.447417.0/38-5.05709720.558703-15.5258314.800522-0.754778801150.SI0.406213.0/32-6.39906418.282151-14.5345014.495543-1.321404801230.SI0.406213.0/32-7.86619327.87652-13.1456536.940749-1.782862801740.SI0.333311.0/33-9.56387620.308132-17.155551.213517-6.112185801950.SI0.28574.0/14-15.70347737.098001-25.4346440.683044-0.548628801780.SI0.268311.0/41-3.81688410.615774-6.9792130.250093-0.675727
不同指数分年的胜率统计图0.5为纯白色越偏红胜率越高越偏蓝胜率越低
