# quanti_strategy

**Repository Path**: txl000/quanti_strategy

## Basic Information

- **Project Name**: quanti_strategy
- **Description**: No description available
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-25
- **Last Updated**: 2026-04-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 多因子量化投研框架

## 1. 数据层 (Data Layer)

- **日线数据 (OHLCV)**
- **财务数据 (PE/PB/ROE)**
- **行业数据 (行业分类)**

## 2. 因子层 (Factor Layer)

- **估值因子** (BP/EP/CFP)
- **成长因子** (ROE增速)
- **动量因子** (MOM/RSI)
- **质量因子** (ROE/负债率)
- **情绪因子** (换手率)

## 3. 因子处理层 (Factor Processing)

- **去极值** (MAD/百分位)
- **标准化** (Z-score)
- **中性化** (行业/市值)

## 4. 因子评价层 (Factor Evaluation)

- **IC分析** (信息系数)
- **IR分析** (信息比率)
- **分层回测** (分组收益)

## 5. 组合构建层 (Portfolio Construction)

- **因子加权方式**：等权 / IC加权 / IR加权 / 优化加权
- **股票筛选**：Top K / 阈值法 / 打分法
- **权重分配**：等权 / 市值加权 / 波动率倒数 / 优化求解

## 6. 风险控制层 (Risk Management)

- **行业中性** (行业暴露)
- **风格中性** (因子暴露)
- **换手率控制** (交易成本)

## 7. 执行层 (Execution Layer)

- **订单生成** (目标权重)
- **算法交易** (TWAP/VWAP)
- **绩效归因** (Brinson)

## 数学基础

### 1. 多因子模型基础：
$$
R_i = α + \sum_{k=1}^{j} β_ik \times f_k  + ε_i
$$
其中：
- $R_i$: 股票i的收益率
- $β_ij$: 股票i在因子j上的暴露
- $f_j$: 因子j的收益率
- $ε_i$: 特质收益率

### 2. 因子收益率估计（横截面回归）??

对于每个时间t：
$$
R_t = X_t \times f_t + ε_t
$$
求解：
$$
f_t = \frac{X_t' \times R_t}{X_t' \times X_t}
$$
加权版本（市值加权）：
$$
f_t = \frac{X_t' \times W_t \times R_t}{X_t' \times W_t \times X_t}
$$

### 3.预期收益计算
$$
E(R_i) = \sum_j \beta_{ij} \times E(f_j)
$$
其中$E(f_j)$可用历史均值估计

### 4. 组合优化
最大化
$$
\mathbf{w}^\top \boldsymbol{\mu} - \frac{\lambda}{2} \mathbf{w}^\top \boldsymbol{\Sigma} \mathbf{w}
$$
约束
$$
\sum_{i} w_i = 1, \quad 0 \leq w_i \leq w_{\max}
$$
其中:
- μ: 预期收益向量
- Σ: 协方差矩阵
- λ: 风险厌恶系数