本文主要是介绍多因子选之略实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
原 多因子选股之策略的实现
经过前两篇文章，我们把多因子选股策略三大步骤：因子的选取，检验，冗余因子剔除等介绍了一遍，接下来这一篇将利用已经得到的结论，完成最后一步，策略的实现。
我们根据前两篇文章的内容，我们选取以下因子来构建策略：TAGRT，ROEANNUAL，SHTLIABTOTLIABRT，PB
其因子的有效性图如下，股票池为“IT指数”成分股。
策略构建：
基本思路：我们按照一定排列规则，将所有股票排序，并选取排名最前或最后的股票，买入，每月换仓一次。
排列规则：
由上面几张图可以看出，四种因子都具有正向性（因子值越大，股票收益越大），我们的想法是将这四种因子加和，值越大的，说明股票预期收益越高。当然，我们需要先将数据标准化
我们有两种加和方案：
1、等权值加和，我们用K表示每个因子权值，V表示每个因子的值。
即：SCORE=KV1+KV2+…KVN
2、非等权加和，我们用K表示每个因子权值，V表示每个因子的值。
即：SCORE=K1V1+K2V2+…KNVN
我们根据每种因子的收益波动率（数据来源于《多因子选股之有效因子》），确定每种因子权值。
如下表：
回测参数声明：
时间：2018-01-01至2018-08-01
调仓频率：1月
基准指数：IT指数（SZSE.399239）
股票池：IT指数（SZSE.399239）成分股
滑点：0.0001
手续费：0.0001
以下是两种方案的回测对比
第一种加和方案
第二种加和方案
总结：
我们基于17年的历史数据，选出了四种因子来构建多因子策略，在排序规则中，我们分别讨论了两种方案，并分别测试。可以看出，每种方案都跑赢了基准，这说明我们的因子是有效的。方案二的收益率大于方案一的，说明加入波动率因素，会使股票的选取更加“准确”，更容易选出具有超额收益的股票，但这要牺牲一定的收益稳定性。
PS：领取多因子选股源码加微信号：myquant2018（备注：策略）
来源：掘金量化 作者：经纬量化 宋瑞笛 转载请注明出处！
关联阅读文章：
1.多因子选股之有效因子 https://www.myquant.cn/community/topic/690
2.多因子策略之冗余因子 https://www.myquant.cn/community/topic/695
----------------------------------------------------------------------------------------------
推荐阅读：
| 网格交易策略（附策略源码与收益图） | https://www.myquant.cn/community/topic/548/2 |
| 指数增强策略 | https://www.myquant.cn/community/topic/527 |
| 日内回转交易策略 | https://www.myquant.cn/community/topic/526 |
| 跨期套利策略 | https://www.myquant.cn/community/topic/525 |
| 跨品种价差套利策略 | https://www.myquant.cn/community/topic/524 |
| 集合竞价选股 | https://www.myquant.cn/community/topic/523 |
| 基于EV/EBITDA倍数估值法的Alpha对冲策略 | https://www.myquant.cn/community/topic/522 |
| 行业轮动策略 | https://www.myquant.cn/community/topic/521 |
| 海龟交易法则 | https://www.myquant.cn/community/topic/520 |
《算法导论 第三版英文版》_高清中文版
《深度学习入门：基于Python的理论与实现》_高清中文版
《深入浅出数据分析》_高清中文版
《Python编程：从入门到实践》_高清中文版
《Python科学计算》_高清中文版
《深度学习入门：基于Python的理论与实现》_高清中文版
《深入浅出数据分析》_高清中文版
《Python编程：从入门到实践》_高清中文版
这篇关于多因子选之略实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
