展开

关键词

首页关键词因子中性化

因子中性化

相关内容

多因子身份认证

多因子身份认证

腾讯安全多因子身份认证(mfas),通过多种身份认证手段组合,确保用户身份的可信,保障平台用户的信息安全。
  • 单因子测试(上)——因子中性化

    因子中性化1.行业中性化行业中性化有两种方法,一种是之前所说类似计量中加控制变量的方法,用因子值做因变量,用所属行业(申万行业、中信行业)虚拟变量做自变量进行OLS回归,用回归之后的残差值代替因子值。市值中性化用因子值做因变量,市值做自变量(有时也取市值对数),进行回归,取残差。一般将行业虚拟变量和市值同时放在自变量上进行回归,同时进行市值中性化和行业中性化,理论上可以证明,回归后的残差序列与自变量序列均正交,因此可以认为回归后的残差是因子剔除了行业和市值影响后的纯净的因子。做完上面的所有处理之后,就可以对因子进行单因子测试了,因子测试的两种方法之后两篇文章来写,同时也会把进行中性化和不进行中性化的测试结果进行对比。 文章为个人理解,有问题请指出,谢谢!
    来自:
    浏览:6210
  • 单因子测试(中)——分层测试法

    选取第一组的前提是因子值越大的股票越好,但有的因子可能是越小越好(比如PB,市值因子),这类因子,应该买入最后一组的股票,但为了编程统一,一般对这类因子取倒数(比如PB,一般用BP = 1PB)。PB因子(windcode:pb_lf)多头组合净值曲线(因子中性化)?多空组合净值曲线(因子中性化) ?多头组合净值曲线(因子未中性化) ?多空组合净值曲线(因子未中性化) ?市值因子(因子中性化)多头组合净值曲线?多空组合净值曲线?市值因子不同组对比?可以看出,不论是PB因子还是市值因子,相对于沪深300指数,均有明显超额收益,但今年以来净值曲线存在回撤。未做中性化的因子效果明显比做中性化的因子效果差。代码 1if_neutral_industry = False 2if_neutral_mktcap = False 3monthdata = 1monthdata.pb_lf 4# 标准化,中性化 5monthdata
    来自:
    浏览:2929
  • 广告
    关闭

    云产品限时秒杀

    云服务器1核2G首年50元,还有多款热门云产品满足您的上云需求

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到
  • 单因子测试框架

    本框架在此基础上对因子进行实证分析,目的是筛选掉与收益率相关性不高的因子,从而得到真正有效的因子池。2.因子有效性、因子衰减周期、因子轮动。,JupyterNote数据来源:通联数据依赖包:数据处理(pandas、numpy)、数学工具(scipy、自带包statsmodels)、绘图包(matplotlib、seaborn)数据预处理与中性化处理因子历史数据的质量可能存在很多问题标准化采用(因子值-因子平均值)因子标准差,将所有因子归一到统一的中心值和标准差分布,使其具有等权可加性。因子中性化因子中性化是为了避免因子与某些行业和风格过度耦合所带来的偏差。本文中对因子进行了行业和市值的中性化,主要做法是:对每期的因子值对行业哑变量和流动市值做线性回归,取得回归的残差作为对原始因子值的替代。标准化与去极值还有很多计算方式可参考,本文从简。在利用IC值评价因子有效性时,需先进行因子中性化处理(与回归分析法一致)。
    来自:
    浏览:837
  • 多因子身份认证

    产品概述,计费概述,创建测试用户,常见问题,词汇表,联系我们,派发激活测试令牌,创建认证策略 ,创建 API 应用,测试 MFA 登录,产品优势,应用场景,升降配说明,续费说明,退费说明,产品概述,计费概述,创建测试用户,常见问题,词汇表,联系我们,快速入门,派发激活测试令牌,创建认证策略 ,创建 API 应用,测试 MFA 登录,产品简介,产品优势,应用场景,购买指南,升降配说明,续费说明,退费说明
    来自:
  • 多因子模型之因子(信号)测试平台----因子值的处理(二)

            我们知道,一个因子值的处理大致分为三个步骤,去极值、标准化、中性化,上次我们对因子值进行了去极值和标准化,这一次,我们主要讲一讲中性化,也就是neut。       所以,很多因子数值在一个行业内比较才是有效的。同样的思路,有些因子虽然看起来不是一些基本的风格因子,比如PE,但是,其实我们知道,PE和市值有很大的关系,大市值的公司,一般是成熟的公司,PE往往不高。也就是做一个回归,其中,因子值是y,需要中性的风格因子的暴露为x,然后我们进行回归。回归之后的残差就是因子值对行业中性化后的值。这里的风格因子可以是一个也可以多个,也就是一元回归和多元回归的区别。2.行业中性化        由于分风格因子通常会购买barra的数据服务,所以,这里我们只进行行业中性。        首先,我们需要获得行业数据,也就是每个股票行业的类别。目前,我们暂时只进行行业中性,然后进行因子的回测。
    来自:
    浏览:348
  • 业绩超预期因子

    回测区间:20091231-20191231全A股,剔除ST和新股 计算因子IC,先看不做行业市值中性化的结果 SUE-含漂移项 ?SUE-不含漂移项?SUR-含漂移项?SUR-不含漂移项?不做中性化时,带漂移项的业绩超预期因子ICIR更高,不带漂移项的因子IC更高。 对因子用申万一级行业和流通市值做市值行业中性化后计算IC如下 SUE-带漂移项?SUE-不带漂移项?SUR-带漂移项 ?可以看出,中性化后,因子稳定性明显上升,ICIR变大。 分层测试结果限于篇幅,这里只给出中性化后的,未中性化的结果可以在代码文件中查看。SUE-带漂移项 ?SUE-不带漂移项 ?SUR-带漂移项?04业绩超预期模拟组合 接下来给出在米筐和聚宽平台上,模拟组合的结果回测区间:200912-201912股票池:中证800 规则:中性化后的因子降序排列,买入最大的100只股票,每月末月度调仓 限于篇幅SUE-带漂移项-不中性化?SUE-不带漂移项-不中性化?SUE-带漂移项-中性化??SUE-不带漂移项??
    来自:
    浏览:549
  • 【最新研究】基于风险中性的深度学习选股策略

    深度学习因子与流通市值的相关性:IC序列的相关性?经过行业和市值中性化之后,深度学习因子更少受到市值因子的影响。深度学习因子与流通市值的相关性:截面相关性?经过行业和市值中性化之后,深度学习因子更少受到流通市值因子的影响。:估值因子、规模因子、反转因子、流动性因子、波动性因子、技术 指标,共计128个因子,以及28个行业0-1变量 风险因子:行业、流通市值 深度学习模型训练:每半年滚动更新模型,采用最近4年的样本作为训练集总结 将风险因子中性化处理后,可以构建新的深度学习选股模型,该模型受风险 因子的影响较小。即使是采用同样的特征和模型结构,风险因子中性化之后,训练的策略也会 有较大的差别,可以通过此方法丰富深度学习选股策略的多样性。
    来自:
    浏览:840
  • 规模类因子测试

    01市值因子测试总述规模因子是A股长期以来非常显著的一个负向因子,单调性表现非常好,本文共测试如下6个规模因子。?测试方法:分层测试、回归测试、IC测试区间:2010年1月-2018年6月是否中性化:行业中性,不市值中性加权方法:等权IC:rankIC回测代码说明见文章最后,自娱自乐,不保证正确性,请理性看待,欢迎指正整体来看,回测区间内所有规模因子都是非常显著的,但IC相关性很高,说明规模因子同质性非常高,使用时应有所取舍。??接下来对每个因子的具体含义进行说明,并展示各因子测试结果。计算给定日期期间内所有股票的涨幅,返回dataframe return price def norm(self,data,if_neutral_industry,if_neutral_mktcap): 中性化函数,对因子进行中性化 return data def getIC(self,data, rt, method = rank): 计算IC if method == rank or method ==
    来自:
    浏览:1076
  • 多因子模型之因子(信号)测试平台----因子值的处理(一)

    把因子值都做标准化后,是为了以后很多因子可以相互combine。如果不做标准化,量纲就不一样,组合在一起就不会有什么意义。4)neut-score        我们做完标准化后,需要对因子值做中性化处理。包括行业中性和风格中性。       行业中性比较简单,只要满足行业内因子值均值为0,标准差为1,也就是,行业内部再做一次标准化就可以了。这里,前面三步还是比较容易实现的,但是第四部我们需要一个风格因子的score,这就很尴尬了,因为我们并不知道有哪些风格因子。有一个神一般的存在,叫做barra,读者可以自己去百度一下。总而言之,这个数据供应商给了我们十个风格因子以及每一个因子的score(exposure)。当然,我们也可以自己去建立这个。       
    来自:
    浏览:499
  • 数字身份管控平台

    腾讯云数字身份管控平台是面向企业员工、外部用户的数字身份管控方案,集中管理用户账号、应用访问规则、实现多因子身份认证,帮助政企单位提供便捷、安全的用户访问体验。
    来自:
  • 软件定义边界

    SDP 依靠使应用“隐身”的特色功能,使黑客无法扫描,从而消除各种网络攻击风险;SDP 同时具备多因子身份认证,依托腾讯安全大数据快速评估,阻止高风险用户接入。
    来自:
  • 单因子测试(下)——回归测试法

    之前两篇分别总结了因子数据的预处理和单因子测试的分层测试法,本篇总结回归测试法,相较于分层测试法,回归测试法更简洁。----因子预处理与分层测试法不同,回归法测试时,因子可以不进行中性化处理,只进行异常值处理和标准化(zscore)处理,将中性化的过程包含在测试过程中。得到的回归结果中,因子暴露的系数即为因子收益率,通过多期回归后,就可以得到因子收益率序列及回归的t值序列,通过这两个序列可以构造指标分析因子的表现。因子测试实例测试因子:pb_lf,需倒数测试区间:2010年1月-2018年5月???:因子测试框架
    来自:
    浏览:2136
  • 数字身份管控平台(员工版)

    ,API 场景介绍,授权码模式,简化模式,授权码模式,密码模式,客户端模式,短信验证码模式,令牌刷新,获取用户基本信息,获取用户授权应用列表,获取当前用户指定应用的账号列表,注销刷新令牌,MFA 认证因子质询简化模式,获取 Token,授权码模式,密码模式,客户端模式,短信验证码模式,令牌刷新,获取用户信息,获取用户基本信息,获取用户授权应用列表,获取当前用户指定应用的账号列表,注销刷新令牌,MFA 认证因子质询
    来自:
  • 访问管理

    单点登录腾讯云指南,修改角色描述信息,修改角色信任策略,获取角色绑定的策略列表,获取角色详情,解绑角色的策略,获取角色列表,删除角色,创建角色,绑定权限策略到角色,设置子用户的登录保护和敏感操作校验方式,获取自定义多因子Token关联信息,验证自定义多因子Token,密码规则,子用户权限设置,子用户订阅消息,子用户信息查询,删除子用户,为子用户重置登录密码,通过企业微信导入子用户,修改企业微信可见范围,腾讯云账号取消关联企业微信角色相关接口,修改角色描述信息,修改角色信任策略,获取角色绑定的策略列表,获取角色详情,解绑角色的策略,获取角色列表,删除角色,创建角色,绑定权限策略到角色,设置子用户的登录保护和敏感操作校验方式,获取自定义多因子Token关联信息,验证自定义多因子Token,密码规则,子用户权限设置,子用户订阅消息,子用户信息查询,删除子用户,为子用户重置登录密码,子用户安全凭证,通过企业微信导入子用户,企业微信,修改企业微信可见范围
    来自:
  • 从零开始学量化(五):用Python做回归

    回归作为数据分析中非常重要的一种方法,在量化中的应用也很多,从最简单的因子中性化到估计因子收益率,以及整个Barra框架,都是以回归为基础,本文总结各种回归方法以及python实现的代码。带约束的最小二乘法在量化中非常常用,比如做行业中性化时,如果所有行业虚拟变量都保留,并且添加了截距项的情况下,会出现变量多重共线性,回归结果无效,这时候一种方法是删除一个虚拟变量,还有一种方法是添加一个约束其中,w为各行业流通市值占比,这种方法下,对pb因子做中性化的代码如下 from statsmodels.sandbox.rls import *weights = datas.mktcap.groupby
    来自:
    浏览:3359
  • 101因子新测评,会有哪些新发现?

    中所有大于|D_M +5D_M1|的数重设为D_i +5D_M1,将向量D_i中所有小于D_M -5D_M1的数重设为D_M -5D_M1; c) 中性化:以行业及市值中性化为例,在第T期截面上用因子值IC值分析法因子的IC值是指因子在第T期的暴露度向量与T+1期的股票收益向量的相关系数,即上式中因子暴露度向量X^T一般不会直接采用原始因子值,而是经过去极值、中性化等手段处理之后的因子值。所以本文中我们只展示在全A股票池中101技术因子的测试结果。我们将调仓频率记为T(单位:交易日),当T=20且所有因子暂不做任何中性化处理时,所有因子的回归法、IC值分析结果如下图所示。改变因子处理方式及调仓周期对测试结果的影响图表7中展示了T=20且因子不做中性化处理的测试结果,那么当改变因子处理方式及调仓周期时,因子的测试结果会发生怎样的改变?因子的IC衰减效应研究接下来,我们对图表9、10中排序靠前的因子的IC衰减效应进行研究,此处假定T=20且因子不进行中性化处理。
    来自:
    浏览:839
  • 堡垒机

    删除高危命令模板,编辑高危命令模板,下载 BHLoader,收藏主机到快速访问,访问主机,使用相关,审计字符会话,审计图形会话,审计文件传输会话,命令检索,风险事件,联系我们,设置访问白名单,设置密码要求,设置双因子认证收藏主机到快速访问,访问主机,操作指南,管理配置手册,运维配置手册,使用相关,审计管理,审计字符会话,审计图形会话,审计文件传输会话,命令检索,风险事件,联系我们,系统设置,设置访问白名单,设置密码要求,设置双因子认证
    来自:
  • 数字身份管控平台(公众版)

    腾讯云数字身份管控平台(公众版),支持集中管理互联网用户的数字身份,打通应用身份数据,安全认证用户身份、为用户提供更顺畅的应用访问体验。
    来自:
  • 刀尖上的舞蹈?股票Alpha模型与机器学习

    2、中性化探索与思考 由于风格风险因子表现非常不稳定(不建议依靠这类因子赚钱),所以剥离它们的影响也就是业界常说的中性化过程,已经非常重要。某因子中性化前后的因子top-bottom对冲性能对比如上图,一个短期量价因子做了行业和主要风格中性化前(上部分),对冲净值曲线,和中性化后(下部分),性能差异显著。所以中性化并非都降低了因子性能,反而有助于大部分因子体现出真实绩效。风格因子中性化见仁见智,为了alpha的纯净属性,剥离大部分风格因子是必须的。中性化过程几乎不能跳过Barra模型。实际使用中,我们将因子针对Barra提出的风格风险因子做中性化,并没有太多考虑Barra模型本身的推导过程。最终的模型打分结果可以再次中性化处理还有一种方式被称为“后置中性化”,如上图,其针对模型每日的股票打分当作一个因子,使用行业哑变量和风格风险因子,对打分做中性化线性回归处理。
    来自:
    浏览:523

扫码关注云+社区

领取腾讯云代金券