聪明钱因子（R语言实现）
聪明钱因子
最近回到了csdn，打算记录一下自己在量化策略方面的学习历程。
正好最近也快R语言的期末考试了，这几天就用R实现了一个简单的聪明钱因子，但不得不说R语言的读入数据是真的慢。。。
根据研报上的信息，将 α = ∣ p c t c h g ∣ v o l u m e \alpha=\frac{|pct_{chg}|}{\sqrt{volume}} α=volume∣pctchg∣作为一个中间变量，其中 p c t c h g pct_{chg} pctchg为涨跌幅， v o l u m e volume volume为交易量，对每分钟的交易数据处理 α \alpha α。
其中， α \alpha α可以认为是交易行为聪明度的体现，
当涨跌幅大，交易量小时，则 α \alpha α大，在此时间段进行的交易更为聪明。（简单理解为 涨跌代表套利空间，交易量小代表行动是否有先瞻性）
令 β \beta β为聪明钱交易中前1/4不聪明的分钟记录 的交易均价 除以 整个周期内的交易均价（周期设置为一周）
β \beta β值越小，则代表价格底部发生了大量的聪明交易，往往是建仓的信号； β \beta β值越大，则代表价格顶部发生了大量的聪明交易，往往是出货的信号。
因此，根据 β \beta β值将股票池中的股票从小到大分为三组，空仓组、无仓组、多仓组，将多仓组、无仓组进行对冲后即可得到简单的聪明钱因子 实现。（根据上周数据决定本周开盘首日调仓行为）
数据选取了2020-4-30 9:30am 开始的10,000条分钟数列，对冲结果表现还行。
囿于数据确实，没有办法进行更多股票池与更长时间的测试。
rm(list=ls())
wd="~/Desktop/QuantData"
setwd(wd)
filename=c('002001.SZ.xlsx',
'002216.SZ.xlsx',
'300274.SZ.xlsx',
'600009.SH.xlsx',
'600048.SH.xlsx',
'600377.SH.xlsx',
'600519.SH.xlsx',
'600535.SH.xlsx',
'600585.SH.xlsx',
'601186.SH.xlsx',
'601398.SH.xlsx',
'601966.SH.xlsx',
'603288.SH.xlsx')
library(xlsx)
?read.xlsx
DATA=NULL
for(i in filename)
{
print(i)
tmp=read.xlsx(file=i,sheetIndex=1,startRow=3)
tmp["name"]=i
tmp["price"]=tmp['amt']/tmp['volume']
for(j in 2:length(tmp$price))
if(tmp$volume[j]==0)
tmp$price[j]=tmp$price[j-1]
tmp["fact"]=abs(tmp["pct_chg"])/(sqrt(tmp["volume"]))*1e4
DATA=rbind(DATA,tmp)
}
MAXTIME=max(DATA$Time)
minutes=60
hours=3600
days=3600*24
weeks=7*days
t=DATA$Time[1]
ed=t+weeks
?aggregate
buy=matrix(rep(0,length(DATA$Time)),nrow=length(filename))
weekn=1
while(t<MAXTIME)
{
st=t
ed=st+weeks
tmp=DATA[which((DATA$Time<ed)&(DATA$Time>=st)),]
t=ed
n=0
l=rep(0,length(filename))
for(i in 1:length(filename))
{
tmp2=tmp[which(tmp$name==filename[i]),"fact"]
tmp2=as.numeric((tmp2))+1e-7*(1:length(tmp2))
# tmp2=sort(tmp2)
# l[i]=sum(tmp2[1:as.integer(length(tmp2)/4)])/sum(tmp2)
tmp2=rank(tmp2)
smart_rank=which(tmp2<=as.integer(length(tmp2)/4))
l[i]=sum(tmp[smart_rank,"amt"])/sum(tmp[smart_rank,"volume"])/(sum(tmp["amt"])/sum(tmp["volume"]))
}
short_p=quantile(l,probs=0.25)
long_p=quantile(l,probs=0.75)
short_index= which(l<=short_p)
long_index=which(l>long_p)
weekn=weekn+1
buy[short_index,weekn]=-1
buy[long_index,weekn]=1
}
long_ret=1
short_ret=1
st=DATA$Time[1]
st=weeks*2+st
laslong=1
lasshort=1
long_cnt=NULL
short_cnt=NULL
plot.new()
plot(x=0,y=0,xlim=c(0,10000),ylim=c(0.9,1.2),cex=0.1)
la_point_cnt=0
point_cnt=0
for( i in (2:(weekn-1)))
{
long_index=which(buy[,i]==1)
short_index=which(buy[,i]==-1)
ed=st+weeks
tmp=DATA[which((DATA$Time<ed)&(DATA$Time>=st)),]
if(length(tmp$Time)==0)
next
totl=0
for(j in long_index)
{
tmp2=tmp[which(tmp$name==filename[j]),]
price=tmp2$price[1]
totl=totl+price
}
tots=0
for(j in short_index)
{
tmp2=tmp[which(tmp$name==filename[j]),]
price=tmp2$price[1]
tots=tots+price
}
totl=totl/length(long_index)
tots=tots/length(short_index)
if(i==2)
{
ss=1
sl=1
lasshort=tots
laslong=totl
}else
{
ss=short_cnt[point_cnt]
sl=long_cnt[point_cnt]
lasshort=tots
laslong=totl
}
ss=ss*1.0001
sl=sl*0.9999
time_length=as.integer(length(tmp$Time)/length(filename))
short_start=short_index[1:length(short_index)]-1
short_start=short_start*time_length
long_start=long_index[1:length(long_index)]-1
long_start=long_start*time_length
abline(v=point_cnt,col='grey')
print (0-la_point_cnt+point_cnt)
la_point_cnt=point_cnt
for(j in 1:time_length)
{
for(ck in short_start)
if(all(filename[short_index]!=tmp[ck+j,'name']))
print("short_error")
stmp=ss*mean(tmp[short_start+j,"price"])/lasshort
ltmp=sl*mean(tmp[long_start+j,"price"])/laslong
short_cnt=c(short_cnt,stmp)
long_cnt=c(long_cnt,ltmp)
point_cnt=point_cnt+1
if(point_cnt>=5079&&point_cnt<=5083)
{
print(short_start)
print(stmp)
print(tmp[short_start+j,"name"])
print(tmp[short_start+j-1,"price"])
print(tmp[short_start+j,"price"])
print(tmp[short_start+j,"Time"])
print("\n")
print("\n")
}
points(x=point_cnt,y=stmp,col='green',cex=0.1)
points(x=point_cnt,y=ltmp,col='red',cex=0.1)
points(x=point_cnt,y=1+ltmp-stmp,col='yellow',cex=0.1)
}
st=ed
}
abline(h=1)
黄线代表多空对冲后的结果
红线代表多仓
绿线代表空仓
