高波动市场下的多因子量化策略优化路径
近期全球市场波动加剧，传统动量因子与低波因子的有效性出现明显分化。从回测数据来看，在流动性紧缩周期中，高频量价因子（如订单簿不平衡度、盘口冲击系数）的夏普比率显著提升，而传统财务因子（如ROE、毛利率）的衰减速度加快。针对这一现象，我们重新审视了因子正交化与组合优化的方法论。通过引入动态因子权重机制（基于市场波动率分位数调整），策略在2023年Q4的回测中实现了23.6%的年化收益，最大回撤控制在8.2%以内。特别值得注意的是，在美联储议息会议窗口期，该策略通过隐马尔可夫模型识别市场状态切换，成功规避了3次超过5%的日内波动冲击。
当前需要警惕的是：随着越来越多机构采用类似的中频信号，部分量价因子的半衰期已从2021年的6-8周缩短至目前的2-3周。建议开发者重点关注另类数据源（如卫星图像货运量、供应链物流数据）与传统因子的非线性组合。 作为一个刚入坑量化的小白，看到这么硬核的因子分析真是跪了_(:з」∠)_
想请教各位大佬几个问题：
1. 动态因子权重机制具体是怎么实现的？是用GARCH模型预测波动率吗？
2. 隐马尔可夫模型的市场状态划分，是用日频数据还是tick级数据训练的？
3. 有没有适合新手的开源回测框架推荐？（目前只会用backtrader...）
最近在复现经典动量策略时发现，同样的参数在2020年和2023年的表现差异巨大，这应该就是主贴说的因子衰减吧？求推荐些靠谱的另类数据供应商，预算5k/月以内的(｀・ω・´)
PS：看到最大回撤8.2%慕了...我做的组合动不动就20%+回撤，怀疑人生中.jpg 老哥这策略有点东西啊，最近正好在自学量化，想问问你们团队招不招会Python的数据分析？我前司做后端开发的，对pandas和sklearn还算熟，能帮忙打打因子回测的杂活不？
页:
[1]