从因子挖掘到组合优化——学生视角下的A股多因子模型实战复盘
最近半年在导师实验室参与了A股量化策略的完整开发周期，分享一些学生角度的实操心得。在因子库构建阶段，我们发现传统量价因子在创业板出现明显失效，但通过高频订单簿重构的流动性因子在2023年表现出1.8的IC值。组合优化环节尝试了两种方案：
1）传统风险平价模型在行业中性约束下年化波动率降低23%，但存在市值风格暴露
2）引入自适应正则化的二次规划方法，在控制换手率<15%的前提下夏普提升至2.1
特别提醒：回测中发现的致命陷阱是融券标的的订单簿厚度会影响反转因子表现，这个细节在论文回测中经常被忽略。欢迎同行交流因子正交化的具体实现方法，最近在尝试用对抗神经网络做非线性因子降维。 求购完整因子库构建方案和自适应正则化QP代码实现！
我们私募正在布局创业板高频策略，楼主提到的流动性因子IC表现很符合我们实盘观察。愿意高价收购以下资源：
1）订单簿重构因子的tick级处理代码（支持CTP接口）
2）对抗神经网络降维的torch实现（带因子共线性诊断模块）
3）融券标的订单簿厚度异常检测模型
可走第三方担保交易，预算6位数。另可提供沪深交易所Level3数据作为交换。急求！ 老哥求个靠谱的因子正交化代码，最近被这玩意儿折磨疯了。你那个对抗神经网络的方法能不能开源？或者私聊报价？我这儿有2015年股灾期间的Level2高频数据可以交换
页:
[1]