因子构建过程中，正交处理和赋权处理内部算子与回测性能数据的对比试验。 在量化投资中，量化因子的构建是核心环节，而内部算子的正交处理与赋权处理，正是让因子“好用、管用”的关键两步。简单来说，正交处理就是给多个因子“去重去干扰”，删掉它们之间重复的信息，让每个因子都能独立发挥作用、互不影响；赋权处理则是给每个因子“定话语权”，根据因子的效果、稳定性，决定它们在最终投资决策中占多大比重。搞懂这两个处理方式，就能轻松理解量化因子如何从一堆原始数据，变成能指导投资的有效工具。下面我来做一个完整的因子构造过...

构建思想 经典布林线指标在日线级别的传统用法，通常被视为价格通道的突破信号或回归信号。然而，直接使用股价触及上下轨的简单信号，往往面临信号频繁、稳定性差的问题。其深层原因在于：布林线的宽窄反映了市场的波动状态，而在不同波动状态下，股价触及上下轨所蕴含的交易含义存在显著差异。因子切割论提供了一套系统的方法，将这一“矛盾”转化为可量化的精细结构。 思维逻辑 我们希望构造一个因子，能够准确表达布林线的“回归”与“突破”在不同市场环境下的有效性。核心思想是：将股票的日度收益率按照“布林线位置”进行切割...

大家好，我是正在量化路上摸索的小白。最近在用PandaAI这个个人量化工具，发现它真的挺适合我们这种不想折腾底层代码的人。今天想和大家分享一个经典的研究——市值因子，看看A股的小市值股票是不是真的像传说中那样，能在未来几天跑赢大盘股。 这篇文章完全是我个人的学习笔记，希望能帮到同样刚入门的朋友。我们不用纠结复杂的数学公式，就用PandaAI的界面和简单操作，一步步验证这个因子。 一、为什么想到研究市值因子？ 刚接触量化的时候，总听前辈说“小市值效应”：市值小的公司，长期收益往往比大公司高。理由...

听说PandaAI可通过自然语言实现量化全流程，无需代码，作为散户老炮，我抱着尝试心态过来尝试学习。 一、平台初印象 界面特点：简洁友好，核心功能直观可见。 “AI工作流”，标注“拖拽节点搭策略，自然语言提需求”，工作流的核心逻辑是用日常语言下达需求，让AI来完成全流程技术操作（数据获取、因子构建、回测、分析）。   二、实操过...