基于RiceQuant的期货多因子策略实现(三)

前言

上一小节中，介绍了期货多因子的大类分类，同时给出了一部分因子公式。
本节将展示完整的单因子分析流程，用于筛选后期构建多因子模型的素材。

流程

1. 因子预处理

• 极值处理
• 标准化
• 中性化

2. IC分析

3. 分组收益分析

4. 因子收益率分析

案例展示

以系列一中提到的corr_vp_5m_d21为例

分析品种

选取黑色系期货品种（使用后复权主连数据） ==》 hei_se = ["RB889","HC889","J889","JM889","I889","FG889","SA889"]

计算因子矩阵与收益矩阵

因子矩阵

# 回测时间
s = '20180101'
e = '20230801'
factor_data = execute_factor(corr_vp_5m_d21_v2, hei_se , s, e)

假设每天T日收盘计算因子，在下一交易日T+1开盘买入，T+2日开盘卖出，则收益矩阵计算如下

RET_O2O = (OPEN - REF(OPEN,1))/ REF(OPEN,1)
label = execute_factor(RET_O2O, hei_se , s, e).shift(-1)

因子分析

对因子数据执行异常值处理以及标准化，由于在同一板块（黑色）做测试，未进行中性化处理，
在换仓周期为1,5,20日下，观察因子的IC变化，分层效果以及因子收益率变化。

engine = FactorAnalysisEngine()

engine.append(('winzorization-mad', Winzorization(method='mad')))
engine.append(('normalization', Normalization()))

engine.append(('rank_ic_analysis', ICAnalysis(rank_ic=True)))
engine.append(('quantile', QuantileReturnAnalysis(quantile=5, benchmark=None)))
engine.append(('return',FactorReturnAnalysis()))

result = engine.analysis(factor_data, label, ascending=False, periods=[1,5,20], keep_preprocess_result=False)

• IC分析
  

• 多空收益
  

• 分层
  

• 因子收益