对离群值怎么操作。这个就是拟合操作的。用更弯曲的曲线去拟合，如常见函数log
多元回归和单元回归
如题，如果我有多个自变量，来对一个因变量进行OLS回归，有没有operator可以做到？(ts_regression似乎只支持一个自变量）
0
Comments 评论
1 comment 1评论
Sort by 排序方式
- 1 year ago
您的观察是正确的，多元回归运算符在后续才会推出，目前暂不提供。可以思考有无替代性的方法。
想法逻辑落地到表达式中
假设股票有量价特征A、B
那么这样的逻辑应该怎么表达呢：过去x天内，属性A达到前x%的股票的属性B-属性A达到后y%的股票的属性B
定义振幅，此处简单将振幅定义为过去1个月的收益率的标准差
wave = ts_std_dev(returns, 20);简单振幅就是对这个回报率2-天的波动率
2.使用bucket进行分组后直接取收益率。
my_group = bucket(rank(wave),range="0.1,1,0.1");对股票排名分组
对mygroup
3.以分组的值取收益率：
my_return = if_else( my_group <=2 || my_group >=8, returns, nan)条件筛选
含义：
- 当波动性处于最低的 2 组（
my_group <=2）或最高的 3 组（my_group >=8）时，保留原始收益率（参与交易）。- 否则，将收益率设为
nan（不参与交易，相当于空仓）。金融意义 ：
- 高波动策略：在市场波动极大时（如危机、重大利好），可能存在趋势性机会，因此参与交易。
- 低波动策略：在市场波动极小时，可能预示即将突破，提前布局以捕捉潜在趋势。
- 回避中等波动：中等波动市场通常缺乏明确趋势，交易成本可能吞噬收益，因此选择空仓。
策略逻辑总结
该策略通过波动性筛选交易时机，核心逻辑是：
高波动捕捉趋势 ：在市场剧烈波动时，趋势性行情更明显，此时参与交易。 低波动布局突破 ：在市场极度平静时，可能酝酿突破行情，提前介入。 规避震荡行情 ：回避波动适中的区间，减少无方向交易带来的亏损。
潜在应用场景
期货 / 外汇市场 ：在重大数据发布（如非农、利率决议）前后，波动性激增，适合该策略。 趋势跟踪策略 ：结合波动性过滤，避免在震荡市中频繁止损。 期权交易 ：高波动时期权价格昂贵，可选择在低波动时买入期权，等待波动放大时获利。
需要注意的是，实际应用中还需考虑交易成本、滑点及参数优化等因素。
weight concerntration在某一天过高的原因
Follow 跟随Followed by 2 people
CW51623
- 1 year ago
在测试时发现如下的问题，想请教一下这一现象的原因，及相应的改进措施。
0Comments 评论
1 comment 1评论
Sort by 排序方式
- 1 year ago
这大概率是因为您的raw Alpha value 在某天出现了极端的数值，过高或者过低。请尝试考虑到极端值并处
极端值过大或过低，我们需要对极值进行nan操作，平滑或其他处理
昨日换手率相比
volume/sharesout
volume/sharesout什么样的因子是Average，什么样的是Good、Excellent、Spectacular？有具体的划分标准吗？
fitness的比较标准
目前发现的规律是--Fitness在如下区间时，Alpha为对应的等级：
Average：(1 - 1.5] 平均：（1 - 1.5]
Good：(1.5 - 2] 好：（1.5 - 2]
Excellent：(2 - 2.5] 棒棒哒：（2 - 2.5]
Spectacular：(2.5 - ∞) 壮观：（2.5 - ∞）
终止中性化，用做多来实现多头盈利
中性化会让alpha vector有负数，关闭掉外部的中性化选项，alpha公式、中性化都由alpha_func(.)来完成。
最终公式为max(alpha_func(.),0)，这样模拟A股只可以做多的模式可以吗。
或者是否有更好的方法来模拟回测适用于A股的因子？您好，这样的方式是可行的。但我个人并不建议您构建一个只有多头的Alpha,这样你会暴露在市场的风险之下。建议你可以使用if_else等函数，使得做空的股票更多是属于沪深300等指数类型的成分股，这样其实也非常贴近于现实情况
for循环
最近用fast expression实现for循环，但尝试多次后无果，想知道brain平台上能实现for循环的用法吗？
感谢提问，平台本身每天都会重新计算一次Alpha的值，因此它本身就是一个循环。
希望上述答案能帮到您，如否，烦请提供稍微具体的Idea，让我们一起思考如何解决。
用这个策略运用于每天的数据
策略实现
请问如果我在不同行业算出了一个行业的值，我想把这个值赋给行业内所有公司，使得该行业中的所有公司权重相同，然后再按行业排序，怎么操作呢？
比如A行业3个公司算出来一个行业值为2，B行业4个公司算出来一个行业值为3，然后我想让A行业3个公司都是2，B行业4个公司都是3，然后再rank（【2，2，2，3，3，3，3】）得到7个公司的
这个操作并不难实现，你只需通过以下操作即可。
value = group_mean(数据点名称，grouping)；
rank(value)以分组，如对行业或市场对mou
| 代码 | 参数说明 | 计算逻辑 | 金融含义 | 输出结果 |
|---|---|---|---|---|
value = group_mean(returns, grouping) |
returns：收益率序列 grouping：分组依据（如my_group） |
按分组（如波动组、行业、市值等）计算平均收益率。 | 衡量各组的历史表现，用于比较不同组的盈利能力或风险特征。 | 每个分组的平均收益率（如组 1：0.5%/ 月，组 10：2%/ 月）。 |
rank(value) |
value：分组统计值（如平均收益率） |
对分组结果从高到低排序（1 为最高， |
| 步骤 | 核心目标 | 关键工具 / 函数 | 数据流向 | 策略意图 |
|---|---|---|---|---|
| 1 | 衡量市场波动风险 | ts_std_dev |
收益率序列 → 波动性数值（wave） |
识别市场风险状态 |
| 2 | 划分市场波动区间 | bucket + rank |
波动性数值 → 波动分组（my_group） |
将市场分为低、中、高波动环境 |
| 3 | 筛选交易时机 | if_else |
波动分组 → 有效收益率（my_return） |
仅在极端波动区间交易，规避震荡 |
| 4 | 评估分组表现与排序 | group_mean + rank |
收益率 → 分组统计值（value）→ 排名 |
比较各组历史表现，验证因子有效性 |
通过表格可以直观看到，该策略通过波动性过滤 和分组排序，实现了 "在极端波动环境中捕捉趋势机会，在中等波动环境中空仓避险" 的逻辑，适用于趋势跟踪或事件驱动型交易策略。
目前在平台上只会使用ts_mean计算简单移动平均，但如果想要计算指数移动平均该怎么办呢？比如计算下图所示ema指标
参考这个operator：
ts_decay_exp_window(x, d, factor = f)
ts_decay_exp_window（x， d， 因子 = f）
Returns exponential decay of x with smoothing factor for the past d days. Detailed description
返回过去 d 天具有平滑因子的 x 的指数衰减。详细说明
分类指标方法论 指的是一种分类grouping数据的方法论： At a Glance: FactSet Hierarchy DataFeed
指的是一种分类分组数据的方法论： At a Glance： FactSet Hierarchy DataFeed
量纲不匹配。如矩阵max和vec
Ts_Step(n)是一个生成从n开始递减的值序列的函数。
在任何模拟日di，Ts_Step(n)返回的是di日的表达式值为n，di-1日的值为n-1，依此类推。这形成了一个从n到1的倒数序列，跨越最近的n个模拟天。
将Netrua设置成none后，下列的回测图像也证实了上述的描述
setting中的计算顺序
Decay 衰变 Pasteurization 巴 氏 杀菌 Neutralization (Market for risk neutralization)
Neutralization （风险中和市场） Truncation 截断 Risk handling (for risk neutralization)
风险处理（用于风险平衡） Scale to book size 缩放到书籍大小
我们对Pasteurization这个理解，就是对超出范围的股票数据为nan
用rank()后面和前面为什么不会反过来。
有没有去年该时间的stock return
ts_delay(returns, 200)
应用场景 ：
计算长期趋势（如 200 日移动平均线）、动量因子（Momentum）或滞后回报相关性。
例：
- 若当前是第
T天，ts_delay(returns, 200)表示第T-200天的收益率，可用于计算过去 200 天的累计收益率（如sum(ts_delay(returns, 1):ts_delay(returns, 200))）。 - 识别长期趋势反转信号（如 200 日收益率由负转正，可能预示牛熊转换）。
金融逻辑 ：
通过滞后数据捕捉长期市场动量，过滤短期噪音，适用于中长期趋势跟踪策略。
2. 风险管理与滞后效应分析
应用场景 ：
评估资产价格对宏观事件（如政策调整、经济数据发布）的滞后反应 。
例：
- 分析某行业指数在 "碳中和" 政策发布 200 天后的收益率表现，判断政策对行业的长期影响。
- 计算滞后波动率（如用滞后 200 日的收益率计算波动率），用于风险模型（如 VaR）的参数估计。
-
金融逻辑 ：
市场对信息的消化可能存在延迟，滞后数据可用于验证因果关系的时间跨度。
3. 多因子模型与滞后特征构造
应用场景 ：
在量化投资中，将滞后收益率作为因子输入模型，捕捉价格序列的自相关性 或记忆效应 。
例：
- 构造因子
Factor = ts_delay(returns, 200) + ts_delay(returns, 100)，用于预测未来收益率。 - 检验 "长期反转效应"（Long-term Reversal）：若某资产 200 日前收益率极高，未来可能出现均值回归。
金融逻辑 ：
利用价格序列的历史依赖性（如动量或反转特性）构建预测信号。
我有观察到各市场(US、GLB、CHN)在 covid 区间是没有交易的，所以好奇是否可以将中国市场 2015 年 6、7 月的交易拿掉，这段时间很容易有较大的 drawdown (部分逻辑在这段时间相斥)，或是有推荐 de risk 的方法，谢谢。
您好。感谢提问。感谢您细致的观察和深入思考。然而，您说的"各市场(US、GLB、CHN)在 covid 区间是没有交易的"是不准确的。我们的IS目前仅给到21年，但实际上21-23年这两年的历史是属于semi-OS即样本外的历史，您的Alpha在这两年的表现至关重要，您的Alpha是否会被选择入库也会跟其有关。因此，它只是被隐藏了，并非不交易。
粗暴地将中国市场 2015 年 6、7 月的交易拿掉，可能导致过拟合。您可以思考系统性的风险对冲方式，例如对冲掉一些常见的风险因素。可用的运算符为vec_neutral
对于拟合度
今天提交的每一个因子都和前几日提交的一个因子（rank（mdf_rds））相关度极高，可是确实是完全不一样的idea呀（比如group_rank（fam_est_eps_rank， pv13_r2_min20_3000_sector），group_rank（-returns，densify（subindustry））等等）
您是否打开了neutralization
用递归
如题，比如我有一个因子的递推公式是Y(i，x) = F（Y（i-1，x）） ，其中i是下标，x是自变量，想问一下如果要写这种因子，应该怎么写呢？
欢迎参加我们的office hour与研究员进行讨论。初步来看，您的idea可以通过ts_Delay（）等运算符实现。核心的一件事情是，您希望做多哪类股票，做空哪类股票？计算出数据可能仅是开始的一步