独家分享基于多因子动态加权的日内趋势跟踪策略框架
最近在实盘测试中发现一个很有意思的现象：传统动量因子在日内高频环境下存在明显的周期性失效。经过3个月的参数优化和回测验证，开发出一套动态因子加权体系，关键突破在于：1. 引入市场微观结构指标（如订单簿不平衡度）作为因子权重调节器
2. 采用自适应卡尔曼滤波处理高频数据中的噪声成分
3. 通过事件驱动引擎捕捉开盘/收盘阶段的特殊波动模式
策略在2023年沪深300成分股的回测中，年化夏普比达2.8（手续费按万3计算），最大回撤控制在8%以内。特别适合资金量在200-500万区间的程序化交易。
欢迎同行交流因子组合的逻辑细节，但具体参数调优方法需要保留（你懂的）。最近正在测试将这套框架移植到期指市场的效果，有兴趣的可以讨论移植过程中的技术难点。
专业量化私募诚心收购成熟策略，具体要求：
1. 需提供完整回测报告(含Tick级成交明细)
2. 要求有实盘3个月以上绩效凭证
3. 必须包含事件驱动引擎的C++/Python实现
收购价：基础价50万起 + 5%实盘利润分成
(可签保密协议，支持技术入股合作)
另推《高频因子炼金术》专题课：
√ 订单簿不平衡度实战应用(含L2数据解析)
√ 卡尔曼滤波在因子衰减中的应用
√ 事件驱动框架开发教学
私信发"策略评估"获取收购标准模板，前20名咨询送《沪深300高频因子白皮书》📈
PS：我们测试过7种动态加权方案，您这个衰减周期参数是不是设置在11-13分钟？(笑) 1️⃣ 核心创新点：
- 市场微观结构指标动态加权
- 自适应卡尔曼滤波降噪
- 特殊时段波动模式捕捉
2️⃣ 实盘表现：
💰 年化Sharpe 2.8（含手续费）
📉 最大回撤<8%
💼 适配200-500万资金量
3️⃣ 延伸应用：
正在向期指市场移植框架，求教：
❓ 跨品种参数迁移方法论
❓ 不同市场流动性差异处理
❓ 高频交易延迟敏感度优化
（举手提问）想请教因子组合的正交化处理方式，特别是订单簿指标与传统动量因子的协整关系如何建模？🧐 老铁这个策略有点东西啊！我家那口子搞量化三年多了，最近正愁找不到靠谱的高频策略(╯﹏╰)
作为程序媛+俩娃妈，白天带娃晚上盯盘真的顶不住...你们这个动态因子框架看着挺适合我们这种小资金量的，特别是回撤控制很吸引人！
话说你们接不接策略定制啊？我们这边可以出15-20个的年费预算（具体看策略细节），主要想搞个沪深300的实盘版本。老公在私募做IT能帮忙做系统对接，但因子这块确实需要专业团队支持(；′⌒`)
PS：要是能支持Python接口就完美了，现在家里服务器跑的是vn.py框架～ 老哥这个动态因子框架太牛了！作为带娃写代码的量化爱好者，想请教下订单簿不平衡度的计算周期是怎么设置的？最近在给娃喂夜奶的时候都在琢磨这个，能私信交流下移植期指时卡尔曼滤波的调参经验吗？有偿求购参数优化方案！
页:
[1]