CMC Markets：| 指数交易策略（上）

在了解场内、场外交易产品的不同机制后，熟悉指数衍生产品后，本文将介绍相关指数操作策略。

A、多因子量化对冲策略、

听名字第一感觉非常“高大上”，实际理解不难，它是一个以“做多股票为主、做空指数期货为辅”的一个思路。

整体思路如下：

先要构建一个股票池，“因子”的设定可以选择市场层面的“量价关系”、“指标系列”这些技术层面的参数、同时也非常关注基本面以及外部影响因素。诸如：环比季度（年）的市盈率、市净率、营收增长，利润增长等等；

对于这些因素构造“筛选”条件，而后进行有效性检验，对股票池里的票进行“评级处理”；

这里的筛选会用到“特征选择”，以下提供了一些专业类博客有关“特征选择”思路，比如：

CSDN论坛中：

“特征选择是一种及其重要的数据预处理方法。样本的特征数非常大，但是可能仅仅有少部分特征会对结果产生影响。甚至是简单的线性分类，如果样本特征数超过了n，但假设函数的VC维确仍然是O(n)，那么，除非大大扩展训练集的数量，否则即会带来过拟合的问题。在这样的情况下，可以使用特征选择算法降低特征的数量。”

比如，机器学习中的特征——特征选择的方法以及注意点，有兴趣的朋友可以去了解。

（附上链接：https://blog.csdn.net/google19890102/article/details/40019271）

比如，股票市场中著名的“Alpha套利”，它是一个做多样本股票池，做空股指的策略，其股票的选择是源自于指数的成分股，这里就可以用到“多因子”。

可根据“技术形态”、“市盈率”等等指标，进行“分数”赋值，按照这个规则可以得到各个因子的权重 ，除此之外，例如使用SVM（支持向量机）、神经网络的办法对这些股票进行打分。

此时放进模型的y值一般是股票周期内的收益率，可对y值的做预测或者回测。

按照标准调整持仓，根据打分后的结果，按照一个比例（如前30%）买进评分高的股票。此时的权重一般是通过使用流通市值或者是总市值进行加权而得出，然后再卖空对应的股指期货进行套利，从而赚取价差。

以美国股市为例，运行多因子Alpha策略回测。输入的股票日数据表USPrices包含6个字段：sym （股票代码）, date（日期）, close （收盘价）, RET（日回报）, MV（市值）和VOL（交易量）。

Dolphin DB虽然是一个通用的分布式时序数据库，内置极其高效的多范式编程语言，用于量化交易，开发效率非常高。

Dolphin DB对美国股市25年中市值较高的股票按日进行回测，最后产生的盈亏明细表包含1亿余条记录。如此复杂的计算量，在单机（4核）上执行耗时仅50秒。

（Source：知乎）

附上知乎论坛上的一段Dolphin DB函数说明：

dict(key, value)：创建字典；

cj(leftTable, rightTable) ：交叉连接两个表；

isValid：检查元素是否为NULL。如果不是NULL，则返回1，如果是NULL，则返回0

ej(leftTable, rightTable, matchingCols, [rightMatchingCols]) ：等值连接两个表。