# 尋找 alpha 之: alpha 設計 > 來源：https://uqer.io/community/share/56893bb1228e5b67159beb38 ## 一.尋找alpha, 回測時相關誤區: 1. insight back 過去沒有現在這樣全面的分析方法 2. data back 過去沒有現在這樣全面整理的數據來分析 3. computational power and technology 過去沒有現在的計算能力和技術 以上三個因素只是影響預測準確率的眾多因素之一. ## 二.尋找alpha, 如何確認某策略的規則失敗: 1. 回撤大于正常水平 2. 夏普下降 3. 與其他已發現的有效規則沖突 ## 三.尋找alpha, 多策略同時使用: 某策略在50%時間能正確預測價格, 假如有10條相同準確率的策略, 把它們同時應用起來會比使用單一更好. ## 四.策略分類 1. 日內alphas有以下兩種: 1. 一定時間間隔的再平衡, 比如1/5/15分鐘 1. 事件驅動再平衡 2. 日間alphas:以天為最小間隔的再平衡 2. 基于N天內數據 2. 基于當前的快照數據 2. 開盤/收盤 集合競價時的交易 3. 周/月度的alphas ## 五 開發alpha 基于公開的信息, 找到其中的信號/模式, 這些數據處理過程越有效, 則alpha越好. 公開數據可以分為下面5個分類: 1. 量/價 使用技術分析對 量/價 做 預測/回歸. 2. 基本面數據 3. 宏觀數據 4. 各種文本數據:交易所公告, 公司公告, 報紙, 雜志, 新聞, 甚至社交媒體上的內容 5. 多媒體數據:音視頻數據 有些數據并不能直接用來生成alpha, 但可以用來提高alpha的表現. 有下面3個例子: 1 風險因子模型: 通過控制風險因子甚至消除風險因子可以提高alpha的表現 2 關系模型: 不同票據之間在某種程度上有著關聯, 在價格變動時有些是領跑的, 有些是被拖著跑的, 這些關聯創造了套利的機會 3 微觀模型: 提高真實交易執行中的表現 現在不是數據不夠, 而是各種各樣的數據太多了, 如何對數據消除噪音, 提取出我們要的信號. 問題的解決空間為非凸集, 斷續, 動態. 我們可以對解決空間的范圍的縮小就是通過不斷使用已消化的結果來對新的數據進行處理. ## 六 評估alpha策略 1. 信息比率(Information Ratio) 持續表現怎樣 2. 邊際收益(Margin) =alpha帶來的收益/交易次數, 可以得知交易次數對收效的影響, 值越高越好, 說明交易次數對收益影響越小. 3. 唯一性 與策略池里其他alpha相關性越低越好 當然還有其他測試方式來評估, 比如從票據流動性的好還是差還評估. 但記住, 對alpha的參數調整要以未來為目標, 因為就算你調整參數后, 對歷史數據回測有多大提高也是沒有用處的. 如果調整參數后對未來的預測貢獻很小甚至負數, 但對歷史數據卻貢獻很大, 那很可能是過度擬合了, 這時要用”樣本外數據(out-of-sample data)”(機器學習里面有定義)來對alpha做評估, 而不能只是用”樣本內數據(in-sample data)”