没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
27页
多因子选股模型 Chapter 7 Python量化投资基础教程教学课件第七章-多因子选股模型全文共27页,当前为第1页。 目录 大类因子合成 01 02 03 多因子选股模型构造 多因子选股策略(ATR+ADTM指标) Python量化投资基础教程教学课件第七章-多因子选股模型全文共27页,当前为第2页。 1.细分因子相关性分析 原理: 因子相关性可由 pearson 和 spearman方法计算得出。除了普通的相关性分析之外,因子的IC值整体变化方向的表现对相关性也具有一定的说明性。若细分因子的IC值整体变化方向一致,则说明细分因子之间存在显著相关性。 计算: Pearson相关系数计算公式: x和y是截面的因子暴露向量,cov(x,y)是截面数据x和y的相关系数,ẟx和ẟy分别是x和y的标准差。 Spearman相关系数又称秩相关系数,是利用两变量的秩次大小作线性相关分析。 其相关系数计算与Pearson相关系数计算是一致的,区别在于Spearman不是直接使用个股因子暴露向量,而是先对个股因子暴露进行排序,取因子的排序值代替因子暴露,进行相关系数计算。 Python量化投资基
资源推荐
资源详情
资源评论
多因子选股模型
Chapter 7
目录
大类因子合成
01
02
03
多因子选股模型构造
多因子选股策略(ATR+ADTM指标)
1.细分因子相关性分析
原理:
因子相关性可由 pearson 和 spearman方法计算得出。除了普通的相关性分
析之外,因子的IC值整体变化方向的表现对相关性也具有一定的说明性。若细
分因子的IC值整体变化方向一致,则说明细分因子之间存在显著相关性。
计算:
Pearson相关系数计算公式:
x和y是截面的因子暴露向量,cov(x,y)是截面数据x和y的相关系数,ẟ
x
和ẟ
y
分
别是x和y的标准差。
Spearman相关系数又称秩相关系数,是利用两变量的秩次大小作线性相关
分析。
其相关系数计算与Pearson相关系数计算是一致的,区别在于Spearman不是
直接使用个股因子暴露向量,而是先对个股因子暴露进行排序,取因子的排
序值代替因子暴露,进行相关系数计算。
1.细分因子相关性分析
计算:
对于多个因子,通常采用相关系数矩阵进行分析,矩阵形式如下
2.细分因子合成
原理:
大类因子中的细分因子之间一般存在较高的相关性。具有高相关性的细
分因子大多代表了相同的一类信息,为了在消除细分因子共线性的同时
,最大化地获取该大类因子的信息,需对细分因子信息进行提取。
方法一:
按一定标准给因子赋予固定的比例,进而对细分因子进行加权合
成。
等权法:每个因子的权重相同。
历史收益率加权法:按照因子各自的历史收益率作为权重对因子载荷进行合成。
信息系数加权法:根据因子的IC均值加权合成,其权重计算方法和历史收益率加权
法一致。
剩余26页未读,继续阅读
资源评论
是空空呀
- 粉丝: 168
- 资源: 3万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功