您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识

winsorize(winsorized)

因子,极值,净利润winsorize(winsorized)

发布时间：2016-12-08加入收藏来源：互联网点击：

很多朋友想了解关于winsorize的一些资料信息，下面是小编整理的与winsorize相关的内容分享给大家，一起来看看吧。

本文选择优矿平台介绍单因子测试流程，优矿是一个量化投资研究平台。大家可以免费注册使用。

1.市场中策略

市场中alpha策略是一类收益与市场涨跌无关，致力于获取绝对收益的低风险量化投资策略其主要通过同时持有股票多头和期货空头，获取多头组合超越期货所对应基准指数的收益

2.单因子分析流程

策略的核心在于找到如上图一样能够稳健跑赢基准指数的多头组合寻找组合的核心在于找到驱使股票获得超额收益的因子本篇从单因子角度详细讲解研究步骤与细节

2.1 寻找单因子

符合经济、金融投资逻辑数据来源：基本面、行情、分析师预期、大数据分析。。。作为例子：以市盈率PE为例

2.2 构建因子

公式：PE = 每股价格/每股收益，将上式同时乘以总股本数就是，PE = 总市值/净利润合理：总市值是日度变化数据，净利润则是季度数据，为了对比的一致以及结合企业经营的实际情况，一般采用TTM值（Trailing twelve months）TTM算法说明 - 对一般公司而言，每年会发布四次财务报表（一季报、半年报、三季报、年报） - 假设现在公布了该年的半年报，报表显示半年的净利润为A，那么首先要将半年报数据折算成年报数据，是否直接用2*A作为全年的净利润呢？ - TTM（Trailing Twelve Months）采用过去12个月的完整数据来计算年度财报数据 - 假设我们同时知道去年的年报和半年报，净利润分别为B和C，那么最新的净利润（TTM）= A + B - C投资理念：由于我们假定是低估值会获得超额收益，所以将因子调整为 EP = 净利润/总市值，这样因子值越大就代表越高的持仓权重

# 优矿里提供了400多个因子数据，将诸如TTM类似的标准化算法工程化，可利用DataAPI直接获取

pe = DataAPI.MktStockFactorsOneDayGet(secID=set_universe('HS300'),tradeDate=u"20160922",field=u"secID,tradeDate,PE",pandas="1").set_index('secID')

pe.head()

# pe.plot(figsize=(14,5))

构建好EP因子之后并非直接可用，还需要将其转化为实际可用的信号（signal）常见的因子处理：去极值winsorize、中化neutralize、标准化standardize去极值winsorize：调整明显不合理的极值中化neutralize：调整不同行业之间的差异，季节调整标准化standardize：去量纲、多因子可加通过上述处理过的因子，得到的信号分布更平滑、更合理

2.3 回测分析

回测区间：2010年1月1日~2016年9月1日，基准为沪深300，中证800成分股，策略每20天换仓一次因子选取：市盈率PE因子处理：用到了去极值（winsorize）、标准化（standardize）处理组合构建：整体分位+风格中权重

import pandas as pd

import numpy as np

start = '2019-01-01'

end = '2021-09-01'

benchmark = 'HS300' # 策略参考标准

universe = DynamicUniverse('HS300') + DynamicUniverse('ZZ500')

capital_base = 10000000 # 起始资金

freq = 'd' # 策略类型，'d'表示日间策略使用日线回测，'m'表示日内策略使用分钟线回测

refresh_rate = Monthly(1) # 调仓频率

accounts = {

'fantasy_account': AccountConfig(account_type='security', capital_base=10000000)

}

def initialize(context): # 初始化虚拟账户状态

pass

def handle_data(context): # 每个交易日的买入卖出指令

universe = context.get_universe()

yesterday = context.previous_date.strftime('%Y-%m-%d') # 向前移动一个工作日

data = context.history(universe, ['PE'], time_range=1, style='tas')

data = data[yesterday]

factor = data['PE'].dropna()

factor = pd.Series(winsorize(factor, win_type='QuantileDraw', pvalue=0.05)) # 去极值

factor = 1.0 / factor

factor = factor.replace([np.inf, -np.inf], 0.0)

signal = standardize(dict(factor)) # 标准化

# 组合构建

wts = simple_long_only(signal, yesterday)

# 交易部分

account = context.get_account('fantasy_account')

current_position = account.get_positions(exclude_halt=True)

target_position = wts.keys()

# 卖出当前持有，但目标持仓没有的部分

for stock in set(current_position).difference(target_position):

account.order_to(stock, 0)

# 根据目标持仓权重，逐一委托下单

for stock in target_position:

account.order_pct_to(stock, wts[stock])

回测结果

本文到此结束，希望对大家有所帮助呢。