quantitative

摘要： 前几篇我们把动量、波动率、换手率算了个遍，但每天跑一遍脚本、重新拉数据、重新算因子，既慢又浪费额度。本文解决一个问题：把因子落进本地数据库，支持增量更新，让下游策略直接查。 一、为什么因子必须持久化 如果你跟着前几篇写过代码，一定会遇到这个痛点： 回测要用 6 个月的因子值 → 每次回测拉 6 个月 阅读全文

摘要： 做多因子选股时，最怕的不是因子太少，而是因子太像。 动量和成交额、波动率和非流动性、换手率和振幅……这些因子往往你中有我。如果把高相关因子都放进模型，等于给同一个信息重复投票，回测好看，实盘容易崩。 本文构造 4 个常见量价因子，跑一遍相关性矩阵，再按“高相关剔除、保留 |IC| 更高者”的规则做去 阅读全文

摘要： 把多个因子合成一个选股分数，有很多种加权方式。最常用、也最容易被问到的三种： 等权：每个因子各占 50%，简单直接。 IC 加权：因子过去预测能力越强，权重越高。 最大化 IR：在 IC 基础上再考虑稳定性，IC 均值高且波动小的因子权重更高。 本文用 30 只大盘股截面 + 60 日动量 + 20 阅读全文

摘要： 痛点：单因子有效，但实盘总会遇到"这个因子本月失效，那个因子上周失效"——单点总在波动。工业实战最朴素的办法就是多因子合成：把 2 个或更多因子拧成一根"综合分数"，让"打分散弱点对冲单点波动"。 一、为什么需要多因子打分 IC、分组回测都是"单因子评估"——它们说"动量因子有效"、"波动率因子有效 阅读全文

摘要： 痛点：算出因子值后，怎么知道它"真有效"还是"纸上好看"？本篇用 30 只大盘股的截面，把"分组回测"这个工业级标准动作落到代码——按因子值等分成 5 组，看 Q1（输家）到 Q5（赢家）的累计收益差距有没有拉开。 一、为什么需要分组回测 IC 只回答"因子有没有用"（二元判断）。分组回测多走一步， 阅读全文

摘要： 痛点：你算出因子 IC=0.03，但这是真信号还是噪声？显著性 p 值怎么读？|IC|≥0.02 是不是"及格线"？本篇用 50 只大盘股的截面，把 Rank IC + p 值 + 阈值判定 这套因子有效性"体检"流程讲到你能直接跑通。 一、为什么单看 IC 数字不够 上一文（#03）我们算出换手率 阅读全文

摘要： 痛点：你以为换手率高=主力介入，结果一买就站岗？本篇用 30 只大盘股的真实截面，把"换手率因子"这条 A 股最稳健的异象讲透——低换手跑赢高换手，跟你的直觉相反，跟数据一致。 一、为什么需要换手率因子 散户的本能是「这只票今天成交额放大 2 倍，肯定有大资金进场，跟！」——但实证数据反复证明：换手 阅读全文

摘要： 系列：Python 量化因子实战 · 第 02 篇（共 10 篇） 难度：⭐⭐（pandas / numpy 基础） 阅读时长：约 8 分钟 实测代码：Demo/2026-09-01/Python量化因子实战02-波动率因子低波高波对比/02_lowvol_longshort/ 一句话结论 在 A 阅读全文

摘要： 系列：Python 量化因子实战 · 第 01 篇（共 10 篇） 难度：⭐⭐（需有 pandas / numpy 基础） 阅读时长：约 8 分钟 实测代码：Demo/2026-09-01/Python量化因子实战01-动量因子6月12月对比/01_momentum_6m_12m/ 一句话结论 在 阅读全文

摘要： 很多量化研究者的日常是这样的： Jupyter Notebook 里跑出一套漂亮的回测曲线。 兴致冲冲把代码复制到 .py 文件。 设了个 cron，每天跑一下。 两周后发现某天数据没更新，回测结果还是用的旧数据——但脚本没报错。 研究代码和能上线的工程代码之间，差的不只是"把 Notebook 另 阅读全文