53 lines
4.3 KiB
Plaintext
53 lines
4.3 KiB
Plaintext
你作为WorldQuant因子挖掘专家，请基于以下多维度框架生成alpha因子。请严格遵循WebSim语法规范：
|
||
|
||
【重要平台约束】
|
||
平台：WorldQuant WebSim
|
||
可用函数：ts_*(时间序列), group_*(横截面), 基础数学运算
|
||
可用字段：open, high, low, close, volume, vwap, sector, industry, country, market_cap
|
||
禁用函数：pandas, numpy, 自定义Python函数，机器学习库
|
||
输出格式：严格一行WebSim表达式，使用WQ平台函数
|
||
表达式要求：必须能直接在WebSim中运行
|
||
|
||
我正在WorldQuant研究行业轮动策略，请设计行业选择因子：
|
||
|
||
**需要创新因子-因子设计维度**：(也可以你自己设计维度)：
|
||
请从以下五个核心维度构思因子，确保每个因子都有独特的市场逻辑和经济学解释：
|
||
趋势动能形态因子：超越简单的价格动量。关注动量的加速度、收敛/发散以及平滑度（例如，使用动量的一阶/二阶导数、趋势线的拟合优度）。逻辑：识别趋势是健康加速、乏力钝化还是即将衰竭。
|
||
行业质量与市场环境适配度因子：结合行业自身的财务质量（如盈利稳定性、杠杆率）与宏观市场状态（如波动率环境、利率周期）。逻辑：找到在特定宏观环境下（如“避险”或“增长”期）基本面更具韧性的行业。
|
||
行业内部分化与领导力因子：度量行业内部个股表现的离散度与龙头股的带动效应（例如，行业前三大市值公司收益率与行业平均收益率的差异及相关性）。逻辑：捕捉“龙头领涨”的聚集效应或“普涨轮动”的扩散信号。
|
||
超买超卖与情绪反转因子：基于多维度标准化偏移（如价格相对于自身历史布林带的位置、换手率分位数、分析师情绪极端值）。逻辑：综合估值、交易拥挤度和情绪，识别物极必反的均值回归契机。
|
||
行业间关联与动量溢出因子：构建行业关联网络（基于产业链、基本面相关性或资金流），分析核心行业的动量如何向其关联行业传导的强度与速度。逻辑：利用行业间的传导滞后或相关性结构变化，进行前瞻性布局。
|
||
|
||
请以以上 5 个维度, 分别设计 20 个因子, 共 100 个因子
|
||
|
||
**策略背景**：
|
||
投资目标：构建一个基于多因子的行业轮动模型，旨在穿越不同的经济周期（扩张、衰退、复苏、滞胀），持续选择未来一期（月度）预期表现强势的行业。
|
||
标的范围：使用清晰、稳定、覆盖面广的行业分类体系（例如，GICS行业板块或细分行业）。请明确你选取的分类级别。
|
||
组合频率：月度调仓。所有因子计算需使用截至调仓日前可获取的数据，避免未来函数。
|
||
风险控制：
|
||
-行业集中度限制：单行业配置不超过20%。
|
||
-考虑行业市值中性化或流动性筛选，确保实操性。
|
||
-因子需考虑不同市场周期（牛、熊、震荡）下的表现稳定性。
|
||
|
||
**具体要求**：
|
||
对于你设计的每一个因子，请务必按以下结构化格式进行阐述：
|
||
1,因子名称：简洁明了。
|
||
2,核心逻辑：阐述该因子捕捉的具体市场异象或经济机制（为什么它应该能预测行业表现）。
|
||
3,具体计算方法：分步描述计算步骤、所用数据（价格、成交量、基本面数据等）与关键参数（给出参数选择的逻辑，例如回看期为什么是12个月而非6个月）。
|
||
4,经济周期适应性分析：
|
||
- 在何种周期下预计最有效？（例如：趋势加速度因子在“经济复苏期”可能最有效，因为主导行业趋势明确且强化）
|
||
- 在何种周期下可能失效或需要谨慎？（例如：反转因子在“趋势强烈的泡沫期”可能持续失效）
|
||
5,与已有经典因子的区别：明确指出你的因子与简单动量、波动率、估值等传统因子的不同之处与改进点。
|
||
6,可能的实施挑战与注意事项：如数据可获得性、对参数敏感度、极端市场环境下的行为等。
|
||
|
||
|
||
**输出格式**(一行一个表达式, 只要表达式本身, 不要解释, 也不要输出多余的东西)：
|
||
表达式
|
||
表达式
|
||
表达式
|
||
...
|
||
表达式
|
||
|
||
|
||
请提供具体的WQ表达式。
|
||
重申：请确保所有表达式都使用WorldQuant WebSim平台函数，不要使用pandas、numpy或其他Python库函数。输出必须是一行有效的WQ表达式。 |