《Python量化投资》01 量化投资之单因子测试（概述，Pandas的适用）

一、 股票aplha多因子策略介绍

量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。在海外的发展已有30多年的历史，其投资业绩稳定，市场规模和份额不断扩大、得到了越来越多投资者认可。从全球市场的参与主体来看，按照管理资产的规模，全球排名前四以及前六位中的五家资管机构，都是依靠计算机技术来开展投资决策，由量化及程序化交易所管理的资金规模在不断扩大。

1.1 股票alpha多因子

多因子投资：先去找一些系列单个的因子，将单因子进行合成，完成一个大的因子alpha。利用大的alpha去构建一个组合，组合构建的方法多种多样，根据组合的策略进行投资。通过因子分析去分析挣钱的原因是什么，亏钱的原因是什么，看每个因子对于挣钱和亏钱的贡献度是多少。

1.2 多因子实现框架

首先要有一个股票的Signal Pool（信号），比如市值，每个股票的5天的涨幅，过去一年的涨幅，或者每个股票财务的ROE，PE，PB。或者每个股票的舆情数据，是自己认为有用的信号都可以就得到了很多Signal。

可以根据数学方法和经验，将相关的Signal归位一类的Factor，就组成了Factor Pool。

对N个Factor进行配权重，就得到了Alpha。对或得到的Alpha函数对股票池子中的函数进行打分，排序。

用筛选出来的股票（比如前10个股票），比如等权组合，有1000万资金，对每个股票每个买入100万。或者打分加权组合：依据前面的Alpha计算的值进行配权重，依据权重进行买入。

利用归因模型对组合进行归因。

1.3多因子的市场视角

正常人看股票就是一个波动图，工程师看股票，类似股票是傅里叶变换得到的不同频率的组合分布图。

工程师看股票的涨跌是认为股票的属性，股票的影响因素角度去看待收益。某个股票的因素影响挣钱和亏钱。

可以将市场是由维度组成，维度又是根据signal 组成。

二、Pandas的常用方法

输入

tpd = trading price daily

import pandas as pd
demo_tpd = pd.read_hdf('.demo_tpd.hs)

第一个属性是交易日，第二个是股票代码，SZ是深圳交易所，daily_turn股票收益，市值，自由流通市值，换手率，行业代码。

输出

demo_tpd.to_csv('路径')

取出部分数据集

列的选择

demo_tpd[['data_date','secucode','daily_return']]

行的选择
第二个[]表示条件的选择，得到True和Fale的判断

demo_tpd[[demo_tpd['data_date'] > '2015-01-22']]

多个条件选择：& |

列之间的运算

截面数据数据和时间序列数据

截面数据就是从一个时间点（比如某一天）看待所有数据，时间序列是不同时间点的截面数据


获取截面数据

计算截面数据下所有股票的标准差

计算每天的所有股票的收益率的标准差：groupby按照data_date对所有股票的daily_return计算标准差

在notebook中之间显示matplotlib的魔法命令：%matplotlib inline,在用绘制出来截面波动率。

可以看出来每天的截面波动率不一样，每天的收益是不能之间比较的，今天市场波动高，市场风险比较大，今天挣得5个点，很大一部分是市场的风险溢价。

所以需要对截面下，每个股票daily return做一个归一化调整，用当前的截面收益率/其标准差，这个的收益率是可以比的。

用groupby做对单行进行组合计算

用groupby对多行进行计算，注意需要先sort和.value

绘制单个股票的日收益的时间序列绘图，先选中单个股票，在选中日收益，进行绘图

绘制直方图，选择柱子数为100