第七课 ALPHA 101（101个选股公式）-- 零基础量化投资小课堂

上节课我们讲了因子的定义和因子测试的方法。我明白这不是一节简单的课，需要的知识储备和经验积累非常的多，很高兴在这节课还能继续见到你。

下面我们讲一讲因子投资的圣经之一，世坤投资（WorldQuant）前些年公开的论文《101 Formulaic Alphas》。意思就是101个构造因子的公式，用现在的大师们的话说就是“教你101个选股公式”。

这些因子现在几乎都已失效或者不可交易，要不然人家也不会公开给我们看了，而且是针对美股的研究，美股是常年牛市，所以对A股可能会有些许的水土不服，比如他们的动量因子基本都很强，但在A股就差点意思。

但这并不影响我们的学习，我们可以从中感受一些因子构造方法，自己搞一套适合A股的赚钱策略。

下面我们开始实操，对于想要深入代码细节的朋友们来说，本节课对于python基础的要求极高，如有不适可以先补一下基础。

首先，我们的工程分为几个部分：数据下载的datas.py, 因子定义的alphas101.py和因子计算的alphas.py。另外还有程序运行的入口课件和用来存放数据的目录

数据的下载和因子的处理的工程部分就不多做赘述，直接调用即可，我们看一看alphas101里面的内容

这里用python构造了论文中的所有因子，并且把他们封装成了一个类，用的时候只需实现这个类即可，非常方便，并且每个因子的计算公式都详细的注释到了后面。 我们挑一个简单一点的因子进行说明，比如alpha012，他代表着“最近一天成交量上涨，同时收盘价大降；或者成交量下降，同时收盘价大涨的股票对应的因子值较大。”光看描述，我们知道这是描述价量分歧的因子。

其余的因子也可以自己分析或者去网上找现成的分析，我建议找现成的分析节约时间，挑有用的看。

下面我们开始下载数据：

首先导入相印的包并且运行下载程序，这里的程序高度封装，直接运行即可：

这一步会运行的非常之慢，不要怀疑你的电脑卡了，因为程序会下载90年代至今的所有股票的价量数据，看看你的文件夹里是不是多出来了一大堆文件。

(写到这里的时候我发现电脑确实卡了，似乎是因为jupyter对于多线程的支持不好，所以我们等一会看到文件夹里的文件不更新了，就可以手动点上面的方框终止程序，然后从下面的代码开始运行。（或者直接用命令行运行datas.py，这个不会卡）

接下来我们计算所有的因子供后面回测使用，这里为了节约时间，我们只计算2022年沪深300成分股的所有因子

list_assets,df_asserts = get_hs300_stocks(f'2022-01-01')


download_index_data("sh000300")


Alphas101.generate_alphas(2022, list_assets,"sh000300")


不要紧张这里不会卡，这一步是真的慢，当然你也可以把代码改造成只计算你想测试的单个因子，那样会快很多。

运行的过程中我们可以看jupyter notebook提供的窗口，他会显示我们每个因子计算的耗时，等到全部寄算完之后，会出现一个Dataframe的显示，并且notebook里也会显示运行结束了。

都计算完成之后，接下来就没有很慢的操作了，还记得我们上一节课讲的因子测试吗？我们这里就要用到因子测试的工具了。

这里的year指定我们的测试年份2022年，alpha_num指定我们想测试哪个因子，这里我们以第六个为例，所以指定他为6，这个可以随便改。
运行之后我们即可得到关于alphas6这个因子的全部测试报告啦，感兴趣的话你可以改一下代码，测试一下全部的因子，看看目前a股还有哪个是最有效的？

源码运行到最后可能会报错，可以忽略，想解决的网上搜一下报错，也挺好解决的。

写到这里这一节的正式内容就结束了，但是有没有想过，这里的因子测试并没有考虑费用等因素呢？我们日常交易是有很多限制的，比如涨跌停买卖限制，手续费，印花税等等，这个因子测试对于因子有效性的检查是足够了，但是要想成为一个策略，一定得经过回测的检验。

那么就要复习我们前几节课的内容了，使用backtrader进行回测。
这里代码太长，就不放了，运行封装的函数即可，结果图如下：

我们发现这个回测结果和我们的因子测试结果有一定的出入，你知道是为什么吗？

欢迎关注同名微信公众号【量化的韭菜】或知识星球获取更多内容