继续分享量化因子alpha002,前面分析了alpha001的量化因子的思路今天在把算法迁移到ptrade,感觉不同的平台接口不一样,还是比较考验代码能力def alpha002(data, dependencies=['closePrice','lowestPrice','highestPrice'], max_window=2): # -1*delta(((close-low)-(high-close))/(high-low),1) win_ratio = (2*data['closePrice']-data['lowestPrice']-data['highestPrice'])/(data['highestPrice']-data['lowestPrice']) return win_ratio.diff(1) * (-1) # 注意:删除了 .iloc[-1]
其中 delta(x, 1) 表示 x 相对于前一根 K 线的差值,即 x(t) - x(t-1)。Alpha002 = - [ R(t) - R(t-1) ]
R 的几何意义在一根 K 线(最高价 H,最低价 L,收盘价 C)中:close - low:收盘价距离最低点的幅度(下影线 + 实体下方)high - close:收盘价距离最高点的幅度(上影线 + 实体上方)若 C 接近 H:close-low 大,high-close 小 → R 接近 +1若 C 接近 L:close-low 小,high-close 大 → R 接近 -1所以 R ∈ [-1, 1],可视为归一化的收盘偏移强度。delta(R, 1):R 的变化趋势(上升 / 下降)因此 Alpha002 高 → R 快速下降;Alpha002 低 → R 快速上升。该因子捕捉 K 线内部收盘价偏移方向的短期反转,而非趋势延续。当 R 快速上升时(收盘价持续走强),因子产生负值,提示卖出或减仓;当 R 快速下降时,因子正值,提示买入。这是一种 均值回归 / 反转型因子,尤其适合震荡市场。Alpha002 是一个典型的日内收盘偏移反转因子,通过测量收盘价在 K 线中的相对位置的变化速度,捕捉极短期的价格回归行为。它在量化交易中常用于构建高频或日内的均值回归策略,尤其适合与趋势因子搭配使用。我利用因子分析框架,利用全市场的etf数据分析这个因子,计算全部的因子数据
全部 0条评论