查看之前文章请点击右上角 ， 关注 并且 查看历史消息 所有文章全部分类和整理，让您更方便查找阅读
请在页面菜单里查找
Alpha是投资者获得与市场波动无关的回报，一般用来度量投资者的投资技艺
比如投资者获得了12%的回报，其基准获得了10%的回报，那么Alpha或者价值增值的部分就是2%. 小编将推出一系列Alpha 策略，希望能起到抛砖引玉的作用
如有不足之处，欢迎批评指正~~ 策略设计 在这里就不对alpha作介绍了，想了解alpha的读者可以去看看前两天Thomas大大推的《多因子系列之二》~ 那我们就直接从策略开始吧
作为alpha系列的第一篇，我们先来实现一个简单的Alpha策略
首先我们选取前一根K线的开盘价(open)、收盘价(close)、最高价(high)、最低价(low)进行分析
阳线(close>open)实体越大说明买方强大，上涨越可靠，越小甚至是十字星表明多空争夺激烈，最终打平，收于开盘价附近，最终走势与原先趋势一致的可能性大
阴线(close 所以我们可以定义alpha为： alpha = ((close – open) / ((high – low) + 0.001)) 为了保证分母不等于0，在后面加上0.001.当alpha>0时，买入股票；当alpha<0时，卖出股票 策略测试 测试平台： 优矿(uqer.io) 回测时间： 2014-1-1~2015-12-31 测试品种： A股所有股票 代码（python)： start = ‘2014-01-01’ # 回测起始时间 end = ‘2015-12-31’ # 回测结束时间 benchmark = ‘HS300’ # 策略参考标准 universe = set_universe(‘A’) # A股 capital_base = 100000 # 起始资金 freq = ‘d’ # ‘d’表示使用日线回测 refresh_rate = 1 # 调仓频率 # 初始化虚拟账户状态 def initialize(account): pass # 每个交易日的买入卖出指令 def handle_data(account): preopen = account.get_attribute_history(‘openPrice’,1) preclose = account.get_attribute_history(‘closePrice’,1) prehigh = account.get_attribute_history(‘highPrice’,1) prelow = account.get_attribute_history(‘lowPrice’,1) for s in account.universe: alpha = ((preclose[s][0]-preopen[s][0])/(prehigh[s][0]-prelow[s][0]+0.001)) if s not in account.valid_secpos: if alpha > 0: order_pct(s,0.05)#买入 else: order_to(s,0)#卖出 return 回测结果 年化收益率：63.6% 基准年化收益率：30.1% 阿尔法：39.2% 夏普比率：1.74 最大回撤：50.4% 可以看到，简单的策略收益也高于基准的年化收益 但是，该alpha策略也存在很多问题，最大回撤较高，尤其是2015年下半年，该策略表现得比较差 总的来说，虽然策略简单，但其表现也出乎小编意料，后续也可以对其进行优化 最后再唠叨两句，这次的alpha的策略比较简单，各位大牛如果有什么改进意见的话可以留言或者发邮件到395460642@qq.com联系小编，欢迎批评指正 同时也希望和大家多多交流，共同进步~~以后会陆续推出一些alpha策略，感谢大家的持续关注！ 后台 回复下 列关键字，更多惊喜在等着 你 【区分大小写】 1.回复 每周论文 获取Market Making论文分享 2. 回复 matlab量化投资 获取大量源码 3. 回复 每周书籍 获取国外书籍电子版 4. 回复 文本挖掘 获取关于文本挖掘的资料 5. 回复 金融数学 获取金融数学藏书 6. 回复 贝叶斯Matlab 获取NBM详解与具体应用 7.回复 AdaBoost 获取AdaBoost算法文献、代码、研报