京公网安备 11010802034615号
经营许可证编号:京B2-20210330
编写量化策略需要注意的几个细节问题
量化平台的出现,省去了quanter们自己打数据结构的时间和精力,可以集中在策略的想法构建上。但量化平台虽然好,还是会有一些功能会受到限制,因此,有时候还是需要自己清洗数据和编写回测程序。这里总结一下在量化策略编写中需要注意的数据处理问题,供参考:
1.数据复权。在量化策略的编写中,是需要对原始的开盘和收盘价进行复权的,以处理因为分红、配股等因素造成的股价变动。很多量化平台都已经对开盘价和收盘价进行了复权处理,可以直接用,但自己进行数据清洗的时候,尤其是在计算日收益率的时候,一定要用复权价。
2.剔除涨停股票。量化策略在实盘跑的时候,可能会遇到各种各样的实际操作问题,比如反转策略,基本逻辑很简单,就是选好那些排序期累计收益率排名靠前的股票并买进持有,然而有可能面临的问题是,在建仓那天,已经选好的那些股票有可能会开盘涨停,根本没办法买进。所以,在自己编写量化策略回测的时候,要将涨停股票在买进的时候剔除,这样回测的结果才更加接近实际。
3.剔除停牌股票。在因子选股过程中,一般会有一个观测期(或者称为排序期),根据这个观测期内因子表现,来选择表现较好的股票来建仓。然而,可能遇到的问题是,在观测期内,有些股票会出现停牌,有的还会停牌好多天。在自己写策略的时候,要注意,在观测期内是需要把那些停牌时间较长的股票剔除掉的,因为停牌往往意味着会有重大信息发布,可能会对当前的选股因子产生较大影响。剔除方法也比较简单,例如观测期为90天,那么如果一只股票的停牌时间超过了90天的五分之一,即18天,那么就可以剔除它。
4.关于平仓平不掉的问题。编写好的量化策略,在实盘交易的时候有可能遇到这么一种情况,就是在想卖的时候卖不掉(比如跌停),还是例如反转策略,在一个持有期结束,准备进入下一个持有期的时候,是需要把现有仓位卖掉再换新的仓位,然而,如果遇到跌停,那么根本就平不掉。如果量化策略回测中没有考虑这种情况,就可能会跟实际情况有差异。应对策略也很简单,可以继续持有现在平不掉的股票到可以平掉的那一天再平掉,这就需要把回测代码再进一步细化了。幸运的是,这种问题属于比较细节的问题,平不掉的情况遇到的也不会太多,所以对回测结果也不会产生很大影响(不像交易费用那样影响巨大),在因子测试等简单回测中,不考虑这个问题应该没什么大碍。但如果真正实盘回测,我觉得还是有必要把这个问题用代码描述出来的,这样才能更接近实际交易。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06在 CDA(Certified Data Analyst)数据分析师的工作中,“可解释性建模” 与 “业务规则提取” 是核心需求 —— 例如 “预测用户 ...
2025-11-06在分类变量关联分析中(如 “吸烟与肺癌的关系”“性别与疾病发病率的关联”),卡方检验 P 值与 OR 值(比值比,Odds Ratio)是 ...
2025-11-05CDA 数据分析师的核心价值,不在于复杂的模型公式,而在于将数据转化为可落地的商业行动。脱离业务场景的分析只是 “纸上谈兵” ...
2025-11-05教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-05教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-04【2025最新版】CDA考试教材:CDA教材一级:商业数据分析(2025)__商业数据分析_cda教材_考试教材 (cdaglobal.com) ...
2025-11-04