苏州市相城区住房和城乡建设局网站,做网站如何赚钱,中网互联网站建设,苏州企业网站建设电话在前面的笔记中#xff0c;无论是回报分析#xff0c;还是因子Alpha#xff0c;它们都受到交易成本的影响。信息分析 (Information Analysis)则是一种不受这种影响的评估方法#xff0c;主要研究方法就是信息系数(Information Coefficient)。 信息系数的范围为-1到1#x…在前面的笔记中无论是回报分析还是因子Alpha它们都受到交易成本的影响。信息分析 (Information Analysis)则是一种不受这种影响的评估方法主要研究方法就是信息系数(Information Coefficient)。
信息系数的范围为-1到1绝对值越大表明因子与收益之间的相关性越强绝对值越小表明因子对收益的贡献越小因此0表示因子对收益完全不产生贡献1表示完美的线性关系预测能力好-1则表示因子与收益完全负相关这也表明它的预测能力强。
我们通过factor_information_coefficient方法来求因子的IC
from alphalens.performance import factor_information_coefficient
ic factor_information_coefficient(factor_data)ic.head()当然研究时间序列的最好方式还是可视化 从图形上我们能看出来什么IC的均值似乎很接近于零。按照IC的定义这是不是说明低换手率因子与预测涨跌几乎没有关联因而不值得我们考虑这个因子
在下结论之前我们先看看我们得到的IC究竟如何 它的均值只有0.058最大值也只有0.52。这是否说明这个因子不够好
我们来看看聚宽因子库中最好的因子IC均值是多少
聚宽是一家百亿私募他们也提供了类似quantpian一样的众包平台。在它的网站上有一个栏目叫因子看板我们把他所有的因子都列出来按IC均值降序排列 聚宽的三年期因子中IC均值最大的是0.01因此我们这个因子的预测能力已经超出了聚宽因子库中的因子。实际上聚宽因子库中收纳了多个换手率相关因子比如有年度平均月换手、240日平均换手等。其中年度平均月换手率因子的IC是-0.035年化是13.39%。当然这些因子是如何计算的不得而知。
出于好奇我们也把这个问题抛给了GPT4 当我们使用随机变量的均值时我们常常会担心这个均值是否受到了少数极值的影响。我们可以通过标准差来度量不过最直观的方式是通过直方图或者QQ图
from alphalens.plotting import plot_ic_histplot_ic_hist(ic)这仍然要非常有经验才能看出来IC的分布好坏。看直方图关键是要看多数时间IC的表现如何何处IC值很可能下降以及是否存在肥尾。如果借助QQ图观察要容易很多
from alphalens.plotting import plot_ic_qqplot_ic_qq(ic)QQ图能显示IC值分布与正态分布之间形状的差异。特别是对了解分布中最极端的数值是如何影响预测能力的特别有帮助。
应该说1日换手率因子的表现相当好。多数点落在对角线上。
最后作为一个快捷方式Alphalens允许我们调用create_information_tear_sheet来一次性获取所有的信息分析数据
from alphalens.tears import create_information_tear_sheetcreate_information_tear_sheet(factor_data)这将把今天笔记中出现的所有图以集中显示的方式绘制一次。
factor_data是一切的起点。我们在第一篇笔记中对它作过介绍它是通过utils包中的get_clean_factor_and_forward_returns来获得的。 【因子分析系列】
因子分析3- 都是坑这么简单的Alpha计算竟然错了 Alphalens因子分析(2) - 低换手率因子秒杀98%的基金经理 Alphalens 因子分析 - 以低换手率因子为例(1)
