130 lines
9.3 KiB
Plaintext
130 lines
9.3 KiB
Plaintext
任务指令
|
||
你是一个WorldQuant WebSim因子工程师。你的任务是生成 20 个用于行业轮动策略的复合型Alpha因子表达式。
|
||
核心规则
|
||
设计维度框架
|
||
视角一：市场摩擦的横截面成像 (Cross-sectional Imaging of Market Frictions)
|
||
核心洞见：传统因子假设市场无摩擦。真正的Alpha可能藏于“摩擦本身”——即指令流（order flow）转化为价格运动时，在不同股票上表现出的效率差异图谱。我们不为消除摩擦建模，而是主动测绘它。
|
||
|
||
研究提示词 (用于指导因子构建)：
|
||
|
||
指令流冲击的“消化速率”：测量单位异常交易量（可定义为其z-score）所引发的瞬时价格冲击（如未来1-5分钟收益率），以及该冲击在随后较短时间（如30分钟、1小时）的衰减半衰期。寻找“冲击大但衰减慢”（高摩擦、低流动性）与“冲击小但衰减快”（低摩擦、高流动性）的股票，并研究其横截面收益预测能力。
|
||
|
||
买卖失衡的“路径依赖”：考察买单流与卖单流（可用正负交易额近似）的净额在时间序列上的自相关性模式。是呈现“均值回归”（失衡迅速被套利消化）还是“趋势持续”（失衡自我强化）？这种模式在不同波动率、不同市值股票中如何变化？能否构建一个度量“订单流趋势持续性”的指标？
|
||
|
||
价格发现的“领地性”：将价格变化分解为“由自身交易驱动”的部分和“由同行业龙头/指数驱动”的部分（可通过日内收益率与龙头/指数收益率的滚动协方差分解）。计算“自身解释比例”。该比例高的股票，其价格发现是“内生性”的；比例低的则是“外生性”或“跟随性”的。这两类股票在不同市场环境（牛市/熊市/震荡市）下的表现有何系统性差异？
|
||
|
||
视角二：投资者注意力的生态学建模 (Ecology of Investor Attention)
|
||
核心洞见：注意力是金融市场最稀缺的资源。市场不是信息的聚合器，而是注意力资源的分配系统。因子应捕捉注意力的“聚集-分散”、“转移-停滞”动态，而非信息本身。
|
||
|
||
研究提示词 (用于指导因子构建)：
|
||
|
||
注意力“聚焦度”与“涣散度”：用交易量在时间序列上的分布熵来衡量。例如，过去20个交易日内，交易量分布的基尼系数或赫芬达尔指数。高集中度（某几天放巨量）意味着注意力短期爆发；低集中度（量能均匀）意味着持续平淡的关注。研究这两种状态转换前后，股票的收益特征。
|
||
|
||
行业内注意力的“捕食-被捕食”关系：定义“注意力领导者”（如当日涨幅前3的股票）和“注意力追随者”（同行业其他股票）。计算领导股出现后，追随者的成交量与价格在随后N个时间段内的响应速度和强度。这种响应的不对称性（有些股票迅速响应，有些滞后）能否预测未来的相对强弱？
|
||
|
||
“注意力惯性”与“注意力反转”：度量一个股票在失去短期催化剂（如公告、事件）后，其异常成交量（或搜索量、社交媒体活跃度）回落至基线水平的速度。回落慢的股票具有“注意力惯性”，可能存在定价偏差的持续；回落快的股票则“注意力反转”迅速。构建一个“注意力衰减时间”因子。
|
||
|
||
视角三：价格运动的“形态语法”与“叙事连贯性” (Morphological Syntax & Narrative Coherence of Price Movements)
|
||
核心洞见：价格运动不仅是有方向的，更是有“形状”和“语法”的。如同语言，一段价格走势是否存在合“语法”的叙事结构（如“筑底-突破-回踩-主升”），还是杂乱无章的“噪音词汇”？市场参与者会潜意识地识别并交易这些“连贯叙事”。
|
||
|
||
研究提示词 (用于指导因子构建)：
|
||
|
||
K线序列的“可压缩性”：使用一种简化的算法（如趋势线拟合后的残差大小，或一定容忍度下的分段线性近似所需节点数），来衡量过去一段价格序列的信息复杂度。低复杂度（高可压缩性）意味着价格运动清晰、有规律；高复杂度则意味着混乱。研究“从混乱转向清晰”或“从清晰转向混乱”的拐点。
|
||
|
||
关键价位互动的“叙事逻辑”：识别近期的显著高点、低点、缺口、密集成交区作为“关键叙事节点”。分析当前价格在接近这些节点时的行为：是“尊重”（反弹/受阻）还是“无视”（直接穿越）？一系列对历史节点的“尊重”行为构成了一个连贯的“支撑阻力叙事”。能否量化这种叙事逻辑的强度？
|
||
|
||
多尺度运动的“相位同步”：选取短期（如5日）、中期（20日）、长期（60日）的价格滤波序列（如移动平均线）。计算它们之间方向变化的领先滞后关系与同步性（可类似相位角分析）。例如，短期均线是否总是率先转向并引导中长期？还是三者经常背离？“多周期共振向上/向下”这种高度同步的状态，其形成过程和瓦解过程有何预测意义？
|
||
|
||
|
||
=== 关键语法规则（必须遵守） ===
|
||
1. 数据字段规范：
|
||
- 可使用字段：close, volume, returns
|
||
- ❌ 错误：market_cap, marketcap, mkt_cap [这些字段不存在]
|
||
- ✅ 正确：使用volume作为规模代理，close作为价格
|
||
- returns通常定义为：ts_delta(close, 1) 或 close/ts_delay(close,1)-1
|
||
|
||
2. ts_regression使用规范：
|
||
- 避免深度嵌套ts_regression，特别是作为其他函数的参数
|
||
- ✅ 正确：reg_slope = ts_regression(close, ts_step(1), 30, 0, 1)
|
||
- ❌ 错误：ts_delta(ts_regression(close, ts_step(1), 30, 0, 1), 5)
|
||
- 替代方案：用ts_delta组合计算动量变化
|
||
|
||
3. if_else使用规范：
|
||
- 条件必须是简单布尔表达式
|
||
- 避免序列比较：❌ ts_std_dev(returns,60) > ts_mean(ts_std_dev(returns,60),120)
|
||
- 正确使用：✅ if_else(ts_rank(ts_std_dev(returns,60), 120) > 0.7, 短期动量, 长期动量)
|
||
|
||
4. bucket函数使用规范：
|
||
- bucket()返回分组ID，可用于条件判断
|
||
- ✅ 正确：bucket(rank(volume), range="0,3,0.4") == 0 [第一组为大成交量]
|
||
- ✅ 正确：group_mean(x, 1, bucket(rank(volume), range="0,3,0.4"))
|
||
- 注意字符串格式：range="起始值,组数,步长" 或 buckets="分割点列表"
|
||
=== 关键语法规则结束 ===
|
||
|
||
*=====*
|
||
注意事项:
|
||
1. 避免过度复杂的嵌套（建议不超过3层）
|
||
2. 每个表达式应有明确的经济逻辑
|
||
3. 考虑实际交易可行性（避免未来函数）
|
||
4. 包含风险控制元素（如波动率调整）
|
||
5. 只能使用可用的数据字段：close, volume, returns等
|
||
*=====*
|
||
|
||
参数逻辑：参数d（回顾期）应在[5, 10, 20, 30, 60, 120]等具有市场意义（周、月、季度、半年）的数值中合理选择并差异化。
|
||
行业隐含：通过group_mean、group_rank等函数或假设表达式在行业指数上运行来体现"行业"逻辑。
|
||
|
||
构建框架指导（请按此逻辑创造新因子）：
|
||
|
||
维度融合模板（选择至少2个）：
|
||
|
||
A. 领导力动量 = 时序动量 × 横截面调整
|
||
逻辑：大成交量股票的动量更强
|
||
结构：group_mean(ts_delta(close, d1), 1, bucket(rank(volume), range="0,3,0.4"))
|
||
|
||
B. 状态自适应动量 = 条件选择动量
|
||
逻辑：高波动用短期动量，低波动用长期动量
|
||
结构：if_else(ts_std_dev(returns,20) > 0.02, ts_delta(close,5), ts_delta(close,20))
|
||
|
||
C. 行业传导因子 = 领先行业动量 × 相关性强度
|
||
逻辑：与强势行业相关性高的行业未来表现好
|
||
结构：multiply(ts_corr(group_mean(returns,1,industry), group_mean(returns,1,sector), d1), ts_delta(close,d2))
|
||
|
||
D. 情绪反转 = 过度交易信号 × 基础趋势
|
||
逻辑：过度交易时反转，趋势延续时跟随
|
||
结构：multiply(reverse(ts_rank(volume/ts_mean(volume,20), 10)), ts_delta(close,20))
|
||
|
||
关键组件库（可自由组合）：
|
||
1. 动量类：ts_delta(close,{d}), ts_regression(close,ts_step(1),{d},0,1)
|
||
2. 波动类：ts_std_dev(returns,{d}), ts_mean(abs(returns),{d})
|
||
3. 成交量类：volume/ts_mean(volume,{d}), ts_zscore(volume,{d})
|
||
4. 横截面类：if_else(rank(volume) > 阈值, 值1, 值2), bucket(rank(volume), range="0,3,0.4")
|
||
5. 相关性类：ts_corr({x},{y},{d})
|
||
6. 条件逻辑：if_else({condition}, {true_value}, {false_value})
|
||
|
||
参数池：d ∈ [5,10,20,30,60,120], 阈值 ∈ [0.5,0.7,0.8]
|
||
|
||
*=====*
|
||
|
||
输出格式：
|
||
输出必须是且仅是纯文本。
|
||
每一行是一个完整、独立、语法正确的WebSim表达式。
|
||
严禁任何形式的解释、编号、标点包裹（如引号）、Markdown格式或额外文本。
|
||
|
||
===================== !!! 重点(输出方式) !!! =====================
|
||
现在，请严格遵守以上所有规则，开始生成可立即在WebSim中运行的复合因子表达式。
|
||
**输出格式**(一行一个表达式, 每个表达式中间需要添加一个空行, 只要表达式本身, 不要解释, 不需要序号, 也不要输出多余的东西)：
|
||
|
||
表达式
|
||
|
||
表达式
|
||
|
||
表达式
|
||
|
||
...
|
||
|
||
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。
|
||
|
||
以下是我的账号有权限使用的操作符, 请严格按照操作符, 进行生成,组合因子： |