遗传算法赋能交易行为因子.docx

目 录 1、 开源金工特色遗传算法框架 4 、 算子的赋予：创造性引入切割算子 4 、 变量的遴选：大小单资金流、日内分钟特征、日间特征 5 、 遗传算法流程：针对性的改写 5 2、 遗传算法的因子挖掘成果举例 6 、 遗传算法优选综合因子表现优异 6 、 沙里淘金：遵循“可解释”理念 7 3、 因子 3 的精细化讨论 8 、 主动超大单强度效果不佳 8 、 “小单强度”切割“主动超大单强度”敏感性分析 8 、 “小单强度”切割“全部超大单强度”敏感性分析 9 4、 因子 4 的精细化讨论 11 、 切割算子部分的讨论 11 、 时序极差算子 14 5、 因子 8 的精细化讨论 15 6、 风险提示 16 图表目录 图 1： 开源金工特色遗传算法整体流程 6 图 2： 遗传算法优选综合因子回测曲线较为优异 7 图 3： 主动超大单强度 5 分组年化收益不单调 8 图 4： 不同??值下????????????_??????(??)和????????????_??????(??)的 RankICIR 绩效 9 图 5： 主动超大单关注度因子多空收益波动比为 2.08 9 图 6： 主动超大单关注度因子 5 分组年化收益单调 9 图 7： 不同??值下??????_??????(??)和??????_??????(??)的 RankICIR 绩效 10 图 8： 超大单关注度因子多空收益波动比为 2.63 10 图 9： 超大单关注度因子 5 分组年化收益单调 10 图 10： 因子 4 原始公式的拆分 11 图 11： 日内分钟收益波动 5 分组年化收益不单调 12 图 12： 不同??值下????_??????(??)和????_??????(??)的 RankICIR 绩效 12 图 13： ????_????????因子多空收益波动比为 2.83 13 图 14： ????_????????因子 5 分组年化收益单调 13 图 15： 在多空 IR 值上????_????????略胜于理想振幅 13 图 16： 交易情绪不稳定因子多空收益波动比为 3.35 14 图 17： 交易情绪不稳定因子 5 分组年化收益单调 14 图 18： 主力控盘能力因子多空收益波动比为 2.46 16 图 19： 主力控盘能力因子 5 分组年化收益单调 16 表 1： 四大类算子列示 (部分) 5 表 2： 3 大类变量列示 (部分) 5 表 3： 遗传算法优选综合因子在不同股票域的测试结果皆较为优秀 7 表 4： 遗传算法精筛因子明细 7 表 5： 超大单关注度因子在其他样本空间依然具有一定选股能力 10 表 6： 超大单关注度因子与传统 Barra 因子相关性不高 11 表 7： 超大单关注度因子与已有资金流因子相关性也不高 11 表 8： 因子 4 的公式定义 11 表 9： 相较于理想反转，标准化的分钟成交量波动也可改进传统反转因子 13 表 10： 时序极差 ts_max_to_min 的应用 14 表 11： 交易情绪不稳定性因子在其他样本空间依然具有一定选股能力 15 表 12： 交易情绪不稳定性因子与传统 Barra 因子相关性不高 15 表 13： 时序相关性算子 ts_corr 的应用 15 表 14： 主力控盘能力因子在其他样本空间依然具有一定选股能力 16 表 15： 主力控盘能力因子与传统 Barra 因子相关性不高 16 相较于传统人工挖掘因子而言，遗传算法和神经网络是当下较为流行的挖掘因子的机器学习模型。其中遗传算法的优点在于公式的可视化，每个因子均可用算子树的形式展现，供我们在有一定变量和算子储备的前提下，最大程度的找到蕴含在背后的有效因子。本篇报告以遗传算法为基础，结合我们已有的特色变量和算子， 尝试了量价因子的挖掘，具体从如下 3 大部分展开。 在第一部分，我们介绍了遗传算法框架。其中在算子部分，我们创新性地引入了切割算子，其是我们的招牌因子理想反转、理想振幅等的来源；在变量部分，我们引入了日内量价、日间量价以及资金流相关指标；在遗传算法的具体流程上，我们从个体初始化到初始种群的生成，再到选择、交叉、变异，每一步都做了对应的针对性改写，使其更加高效的进行因子挖掘。 在第二部分，经过一轮完整的迭代，我们得到了近 200 个有效因子，进一步地， 我们选取样本内 RankICIR 大于 3.5 的个体，并将其合成，综合因子全区间 RankICIR 为 5.52，效果非常亮眼。除此之外，我们在挖掘出的因子中进一步精筛，选取了 8 大因子进行后续的逻辑解释和衍生测算，对我们已有的人工因子库为有效的补充。 在第三部分，我们把目光聚集在了第二部分筛选出的