基于遗传规划算法的alpha101再扩展：交易型量价因子挖掘与有效性研究-20200417-申万宏源-24页_2mb

交易型量价因子挖掘与有效性研究总结

核心内容概述

本文探讨了在A股市场中，如何通过遗传规划算法对交易型量价因子进行系统挖掘与有效性验证，旨在构建具有独立性和显著超额收益的因子库。研究分为两个部分：第一部分对已有的alpha因子进行有效性与相关性分析，筛选出表现优异的因子；第二部分则通过遗传规划算法对因子进行再挖掘，以提升其在风格中性化后的预测能力与收益表现。

主要观点

• alpha因子构建：通过组合基本算子和量价数据，构建出具有更高精细度和准确性的alpha因子，其信息维度丰富，相较于传统技术指标，更注重截面特征与变量相关关系。
• 因子有效性：在周频调仓下，22个因子表现较好，TOP100组合年化收益率在20%以上；在月频调仓下，筛选出11个有效因子，表现相对弱化，但依然具有显著超额收益。
• 因子独立性：alpha因子与风格因子（如市值、动量、beta、换手率等）相关性较低，表现出较强的独立性，收益来源不易被风格因子解释。
• 遗传规划算法应用：该算法通过交叉和变异操作，挖掘出新的因子，使其在风格中性化后仍保持有效性，并且在样本内外收益表现一致。
• 因子表现延续性：新挖掘的因子在样本外依然保持较高的超额收益能力，说明其具有较好的鲁棒性和市场适应性。

关键信息

一、因子有效性检验

周频调仓检验结果

• 有效因子数量：22个
• 表现较好的因子：alpha003、alpha004、alpha013、alpha015、alpha016、alpha024、alpha026、alpha027、alpha029、alpha031、alpha036、alpha040、alpha042、alpha044、alpha047、alpha050、alpha055、alpha066、alpha094等
• 收益表现：
  • 年化收益率在15.2%至44.8%之间
  • 最大回撤范围在-19.7%至-66.4%
  • 夏普比率在0.6至4.32之间
  • Calmar比率在0.41至5.8之间

月频调仓检验结果

• 有效因子数量：11个
• 表现较好的因子：alpha003、alpha013、alpha015、alpha016、alpha036、alpha040、alpha042、alpha044、alpha050、alpha055、alpha094
• 收益表现：
  • 年化收益率在11.9%至30.6%之间
  • 最大回撤范围在-10.5%至-57.8%
  • 夏普比率在0.68至2.11之间
  • Calmar比率在0.42至2.96之间

二、因子独立性检验

• 因子值相关性：采用VIF（方差膨胀系数）检验，多数因子共线性不强，但alpha013、alpha015、alpha016、alpha050的VIF值较高（>10），表明其与其他因子存在较强的共线性。
• 因子与风格因子相关性：alpha因子与常见的风格因子（如市值、动量、beta、换手率、残差波动率等）相关性较低，且不能被其解释，收益来源具有较强的独立性。

三、遗传规划算法流程

1. 种群初始化：从基本算子、变量和常数随机组合生成初始个体。
2. 适应度函数：使用年化信息比率（IR）作为适应度指标，设定阈值为3。
3. 子代选择：随机选择父代个体，选择适应度最高的作为下一代。
4. 交叉与变异：通过交叉和变异操作，生成新的公式树，提升适应度。
5. 剪枝操作：防止树结构过大，提高计算效率与结果稳定性。

四、新因子表现

• alpha102因子：

  • 样本内（2016.1-2018.10）多空组合年化收益率34.4%，超额收益13.8%
  • 样本外（2019.1-2019.12）超额收益24.4%，夏普比率3.74

• alpha103因子：

  • 样本内多空组合年化收益率44.3%，超额收益11.8%
  • 样本外超额收益21.7%，波动率5.8%，夏普比率3.76

• alpha105因子：

  • 样本内多空组合年化收益率28.5%，超额收益16.5%
  • 样本外超额收益16.5%，波动率12.5%，最大回撤-27.6%

附录：因子公式

• alpha003：rank(Ts_ArgMax(SignedPower((returns < 0)?stddevReturns,20):close),2.，5)) -0.5)
• alpha004：(-1*correlation(rankDELTA(log(volume),2),rank((close-open)/open),6))
• alpha013：(-1*correlation(rank(open),rank(volume),10))
• alpha015：(-1*Ts_Rank(rank(low),9))
• alpha101：((close-open)/(high-low)+.001)
• alpha102：mul(neg(volume),mul(rank(delta.return,3)), -1))
• alpha103：sum(rank(correlation(rank(high),rank(volume),3)),3)
• alpha105：...

总结

本文通过系统分析与挖掘，构建了多个具有较强有效性和独立性的交易型量价因子。利用遗传规划算法，进一步优化因子结构，提升其在风格中性化后的预测能力与收益表现。研究结果显示，新挖掘的因子在样本内外均表现出较高的收益一致性，具有显著的超额收益能力，适合用于构建交易策略。