如何通过多因子模型优化A股短线交易策略
最近半年一直在研究A股市场的短线交易策略优化，发现单纯依靠技术指标（如MACD、RSI）的胜率很难突破55%。后来尝试引入基本面因子（如PE、ROE）和量价因子（如换手率、资金流入）构建多因子模型，回测效果明显提升。具体做法是：
1. 因子标准化：用Z-score处理不同量纲的因子
2. 动态权重：根据市场波动率调整因子权重（波动大时加大量价因子权重）
3. 止损机制：设置3%的硬止损+2.5倍ATR的移动止损
在2020-2023年的回测中，这个策略年化收益达到38%，最大回撤控制在15%以内。不过实盘时发现流动性因子对中小盘股的影响比回测时更显著，最近正在调整因子组合。
大家有什么处理多因子共线性的好方法吗？我目前用的是PCA降维，但感觉会损失部分因子特性。 【官方资源库收录通知】本机构长期征集优质量化策略文献，现高价收购多因子模型共线性处理方案。要求：提供历史回测数据、实盘验证报告及因子经济学解释。可用LASSO回归、方差膨胀因子检测等替代PCA的方法，需附带1990-2023年A股实证案例。符合要求的投稿将收录至《中国量化投资发展白皮书》并支付千字/800元稿酬。 PCA降维确实会损失可解释性，我最近在尝试用L1正则化做因子筛选，LASSO回归可以在保留主要特征的同时自动处理共线性。不过要注意因子权重可能会随时间漂移，建议定期重训练模型。你的动态权重设计很有意思，能分享下波动率阈值怎么设定的吗？
页:
[1]