如何用Alphalens计算IC值？

目录

1. Alphalen是什么？
2. 如何编写Alpha因子？
3. Alphalens需要什么数据格式？
4. 如何计算不同Quantiles收益与标准差？
5. 如何将不同收益曲线可视化？
6. 什么是信息系数？

Alphalen是什么？

Alphalens是一个Python包，用于对阿尔法因子进行性能分析。Alpha因子表示一些给定的信息和未来的回报之间的预测关系。通过将这种关系应用于多个股票，能够产生阿尔法信号，然后从中交易。开发一个好的alpha信号是很有挑战性的，那么用Alphalens能让事情变得更简单，因为一套用于分析alpha因素的常用工具会对量化交易产生很大的影响。通过Alphalens分析你在研究中的因素，你可以花更少的时间来写和运行回测。因此，这允许更快的思想迭代，以及最终的算法，您可以对它有信心。Alphalens建立了一个严格的工作流程，将使你的策略更有活力，更不容易过度拟合。

下载方式： pip install alphalens

官方网站： http://quantopian.github.io/alphalens/index.html

如何编写Alpha因子？

1. 编制函数需要的算法，调用talib计算momentum
2. 定义计算alpha值的类
3. 编制因子的函数，并返回因子DataFrame
4. 传入股票数据（Panel）
5. 输出Factor数据

import talib as ta
import numpy as np
import pandas as pd
from datetime import datetime
def momentum(PN, period=40):
    return pd.DataFrame(
            {name: pd.Series(ta.abstract.ROCR(price, period),index=price.index)
            for name, price in PN.iteritems()})

data = pd.Panel(pd.read_excel('sz50.xlsx', sheetname=None, index_col='datetime'))
PN = data.dropna(how='all',axis=0)

alpha_mom = momentum(PN)

Alphalens需要什么数据格式？

factor: MultiIndex（用stack()方法来转换）

prices: DataFrame

#转换成MultiIndex
factor = alpha_mom.stack()
print (factor.tail())

datetime                        
2017-11-20 15:00:00  601857.XSHG    1.022616
                     601881.XSHG    0.744411
                     601901.XSHG    0.893478
                     601985.XSHG    0.993412
                     601988.XSHG    0.971698
dtype: float64

# 股票池价格的Dataframe
prices = PN.minor_xs('close')
print (prices.tail())

                     600000.XSHG  600016.XSHG  600028.XSHG  600029.XSHG  \
datetime                                                                  
2017-11-14 15:00:00       118.12       125.93        12.06        16.00   
2017-11-15 15:00:00       118.12       124.74        11.82        16.04   
2017-11-16 15:00:00       116.16       123.54        11.76        16.29   
2017-11-17 15:00:00       119.81       127.42        11.92        16.97   
2017-11-20 15:00:00       120.47       128.17        11.92        17.05   

                     600030.XSHG  600036.XSHG  600048.XSHG  600050.XSHG  \
datetime                                                                  
2017-11-14 15:00:00        69.27       111.81       199.75         9.49   
2017-11-15 15:00:00        69.04       111.25       204.52         9.68   
2017-11-16 15:00:00        68.05       112.13       218.27         9.61   
2017-11-17 15:00:00        69.88       117.24       224.00         9.63   
2017-11-20 15:00:00        67.71       121.82       224.19         9.80   

                     600100.XSHG  600104.XSHG     ...       601766.XSHG  \
datetime                                          ...                     
2017-11-14 15:00:00       178.62       204.03     ...             12.10   
2017-11-15 15:00:00       176.35       202.78     ...             12.07   
2017-11-16 15:00:00       174.24       200.97     ...             11.77   
2017-11-17 15:00:00       165.92       207.21     ...             12.11   
2017-11-20 15:00:00       170.61       206.46     ...             12.14   

                     601788.XSHG  601800.XSHG  601818.XSHG  601857.XSHG  \
datetime                                                                  
2017-11-14 15:00:00        17.28        17.39         5.13        10.63   
2017-11-15 15:00:00        17.25        17.34         5.12        10.37   
2017-11-16 15:00:00        17.04        16.91         5.11        10.28   
2017-11-17 15:00:00        17.30        17.04         5.21        10.33   
2017-11-20 15:00:00        17.18        16.79         5.24        10.40   

                     601881.XSHG  601901.XSHG  601985.XSHG  601988.XSHG  \
datetime                                                                  
2017-11-14 15:00:00        13.15         8.63         7.80         6.08   
2017-11-15 15:00:00        13.03         8.49         7.79         6.07   
2017-11-16 15:00:00        12.76         8.28         7.54         6.02   
2017-11-17 15:00:00        12.30         8.11         7.63         6.14   
2017-11-20 15:00:00        12.32         8.22         7.54         6.18   

                     601989.XSHG  
datetime                          
2017-11-14 15:00:00        10.64  
2017-11-15 15:00:00        10.51  
2017-11-16 15:00:00        10.49  
2017-11-17 15:00:00        10.14  
2017-11-20 15:00:00        10.25  

[5 rows x 49 columns]

#输入Alphalen所需要的数据格式
import alphalens
factor_data = alphalens.utils.get_clean_factor_and_forward_returns(factor, prices, quantiles=5)
print (factor_data.head())

                                        1         5        10    factor  \
date                asset                                                 
2017-03-07 15:00:00 600000.XSHG -0.001197 -0.010349 -0.024974  1.008018   
                    600016.XSHG -0.005597 -0.015598 -0.034555  0.985728   
                    600028.XSHG  0.003578 -0.016100  0.007156  1.021938   
                    600029.XSHG -0.003912  0.010172  0.000782  1.097938   
                    600030.XSHG -0.006045 -0.006045 -0.013999  1.016659   

                                 factor_quantile  
date                asset                         
2017-03-07 15:00:00 600000.XSHG                2  
                    600016.XSHG                1  
                    600028.XSHG                3  
                    600029.XSHG                5  
                    600030.XSHG                3  

如何不同Quantiles期望收益与标准差？

mean_return_by_q, std_err_by_q = alphalens.performance.mean_return_by_quantile(factor_data, by_date=True)
print(mean_return_by_q.head())
print(std_err_by_q.head())

                                           1         5         10
factor_quantile date                                             
1               2017-03-07 15:00:00  0.006782  0.003821  0.006060
                2017-03-08 15:00:00  0.002207  0.000536 -0.005845
                2017-03-09 15:00:00  0.000176  0.001881  0.012697
                2017-03-10 15:00:00  0.001894  0.004035  0.006478
                2017-03-13 15:00:00  0.000316  0.009381  0.011278
                                           1         5         10
factor_quantile date                                             
1               2017-03-07 15:00:00  0.008181  0.005817  0.011047
                2017-03-08 15:00:00  0.001643  0.005422  0.012947
                2017-03-09 15:00:00  0.002841  0.004721  0.012215
                2017-03-10 15:00:00  0.002748  0.003273  0.013972
                2017-03-13 15:00:00  0.001233  0.006354  0.011653

如何将不同收益曲线可视化？

1. 持有不同天数的收益曲线
2. 累积收益曲线

import matplotlib.pyplot as plt
alphalens.plotting.plot_cumulative_returns_by_quantile(mean_return_by_q, 10)
plt.show()

什么是信息系数？

度量变量的预测值与实际值之间的关系的相关值。信息系数是用来评估金融分析师预测技能的一种表现方法。

系数在-1到1之间，越大表示正相关程度强。标准是mean(IC)>0.02

什么是spearman相关系数？

其中d为秩次差。

因此IC值是代表因子排序与收益排序的相关性。

什么是秩次差？

A = [1,3,5,7,9]
B = [3,2,4,5,1]

A的排序是1,2,3,4,5

B的排序是3,2,4,5,1

d为排序相减

# IC值例子
ic = alphalens.performance.factor_information_coefficient(factor_data)
# print (ic)
alphalens.plotting.plot_ic_hist(ic)
mean_monthly_ic = alphalens.performance.mean_information_coefficient(factor_data, by_time='M')
# print mean_monthly_ic.mean()
alphalens.plotting.plot_monthly_ic_heatmap(mean_monthly_ic)
plt.show()

factor_returns = alphalens.performance.factor_returns(factor_data)

alphalens.plotting.plot_cumulative_returns(factor_returns[10])
plt.show()

作业

试用alphalens不同的功能。