tears.create_summary_tear_sheet(facs_data_analysis)
Quantiles Statistics
min | max | mean | std | count | count % | |
---|---|---|---|---|---|---|
factor_quantile | ||||||
1 | 0.8573 | 8.4584 | 6.103952 | 1.220105 | 4204 | 20.004759 |
2 | 6.0433 | 13.2307 | 9.097554 | 1.479510 | 4202 | 19.995241 |
3 | 7.9310 | 18.1019 | 12.319151 | 2.015514 | 4203 | 20.000000 |
4 | 12.2896 | 33.9804 | 20.704288 | 4.759374 | 4203 | 20.000000 |
5 | 20.3407 | 1078.5803 | 94.187888 | 139.406875 | 4203 | 20.000000 |
Returns Analysis
2D | 5D | 10D | |
---|---|---|---|
Ann. alpha | -0.151 | -0.158 | -0.151 |
beta | -0.056 | -0.085 | -0.138 |
Mean Period Wise Return Top Quantile (bps) | -8.325 | -8.807 | -8.917 |
Mean Period Wise Return Bottom Quantile (bps) | 6.413 | 7.685 | 8.609 |
Mean Period Wise Spread (bps) | -14.738 | -16.453 | -17.224 |
Information Analysis
2D | 5D | 10D | |
---|---|---|---|
IC Mean | -0.024 | -0.028 | -0.041 |
IC Std. | 0.234 | 0.223 | 0.227 |
Risk-Adjusted IC | -0.102 | -0.127 | -0.180 |
t-stat(IC) | -2.198 | -2.742 | -3.897 |
p-value(IC) | 0.028 | 0.006 | 0.000 |
IC Skew | -0.060 | -0.006 | 0.059 |
IC Kurtosis | -0.464 | -0.337 | -0.109 |
/home/john/anaconda3/envs/autosklearn/lib/python3.5/site-packages/pandas/core/indexes/datetimes.py:962: PerformanceWarning: Non-vectorized DateOffset being applied to Series or DatetimeIndex
"or DatetimeIndex", PerformanceWarning)
Turnover Analysis
10D | 2D | 5D | |
---|---|---|---|
Quantile 1 Mean Turnover | 0.048 | 0.021 | 0.035 |
Quantile 2 Mean Turnover | 0.159 | 0.069 | 0.113 |
Quantile 3 Mean Turnover | 0.178 | 0.078 | 0.129 |
Quantile 4 Mean Turnover | 0.120 | 0.055 | 0.089 |
Quantile 5 Mean Turnover | 0.053 | 0.025 | 0.037 |
2D | 5D | 10D | |
---|---|---|---|
Mean Factor Rank Autocorrelation | 0.998 | 0.995 | 0.99 |
上图比较重要的: 第一张表:各个因子分位的因子值范围,均值方差.
第二张表的alpha,和beta,beta可以看出pe和价格整体负相关(最最后一张分位收益图也能得到同样的结论),alpha就不说了,就是我们孜孜不倦的超额收益.
Mean Period Wise Spread (bps):分位收益差,越大说明区分性越好.
第三张表:IC Mean也说明数据是负相关的.绝对值越大越好(0.05)
Risk-Adjusted IC,常说的IR,越大越好(0.5)
p-value(IC),小于0.05说明却是是相关的,并非瞎蒙
第四张表:Quantile 1 Mean Turnover,分位换手率,自然是越低越好,节约手续费.
第五张表:Mean Factor Rank Autocorrelation,表明因子稳定性,pe短期内是稳定的,毕竟大牛市很短,大部分时候都是波动市场
第一张图:最直观简单的体现因子好坏的标示,
可以从2个方面解读,
1,分位关系,分位收益从1-5,越来越低,说明pe越小收益越高(负相关)
2,每个分位从左到右,收益越大(越小),可以简单理解为上涨的,给更多时间(时间区间越长),上涨的更多,下跌的给更多时间,下跌的更多
tears.create_returns_tear_sheet(facs_data_analysis)
Returns Analysis
2D | 5D | 10D | |
---|---|---|---|
Ann. alpha | -0.151 | -0.158 | -0.151 |
beta | -0.056 | -0.085 | -0.138 |
Mean Period Wise Return Top Quantile (bps) | -8.325 | -8.807 | -8.917 |
Mean Period Wise Return Bottom Quantile (bps) | 6.413 | 7.685 | 8.609 |
Mean Period Wise Spread (bps) | -14.738 | -16.453 | -17.224 |
上面的第一张表和第一个图,之前已经解释过了,不再解释,
第二张图:和第一张图表示的是同一种信息,不过更为详细,越粗越短的最好,分布集中,可见天数越大越好
第三张图:因子加权的多空收益,也就是所谓按照权值组合得到收益,由于负相关所以朝下的,实际情况只考虑斜率和波动情况(斜率基础上的波动),大斜率小波动
第四张图:各个分位的组合的收益情况,分为2日,5日,10日,希望最高最低差异最大,并且最好是单调的分布,12345,54321这样的
图Top minus:顶部和底部的收益差,希望的稳定位于上方or下方(中间是均线),可以看出曲线有正负转换时收益曲线也体现出拐点特征(jan2018)
因子的收益特征,通过这个和上面的那几张图就可以表示清楚了.
tears.create_turnover_tear_sheet(facs_data_analysis)
Turnover Analysis
10D | 2D | 5D | |
---|---|---|---|
Quantile 1 Mean Turnover | 0.048 | 0.021 | 0.035 |
Quantile 2 Mean Turnover | 0.159 | 0.069 | 0.113 |
Quantile 3 Mean Turnover | 0.178 | 0.078 | 0.129 |
Quantile 4 Mean Turnover | 0.120 | 0.055 | 0.089 |
Quantile 5 Mean Turnover | 0.053 | 0.025 | 0.037 |
2D | 5D | 10D | |
---|---|---|---|
Mean Factor Rank Autocorrelation | 0.998 | 0.995 | 0.99 |
一般来说调仓周期越短换手率越高,
名字上看用户事件分析的
tears.create_event_returns_tear_sheet(facs_data_analysis,prices=price,avgretplot=(5, 15),
long_short=True,
by_group=True)