云子量化

在开始这篇文章之前，首先要说明的是，在工作中我的主要研究方向并非是因子方向，所以很多细节上的东西可能涉及的不是很深入，很多东西很可能是我基于自己对python、backtrader和因子的了解提供的设想，提供的更多的是一种思路上的东西。

在以前的专栏中，或多或少有一些文章涉及到因子研究的，先梳理一下这部分的文章。

昨天有读者咨询做因子研究会使用到哪些库以及如何做组合优化？

下面我尝试用自己有限的能力来回答下这个问题。

因子研究从使用的因子数量上来看，涉及到单个因子和多个因子的研究；从资金使用上，可以分为使用固定资金量和使用固定资金比例；在资金分配上，又分为简单的平分和一些分配方法。所以，单单一个因子研究，就可以分成很多方向，更不用说不同种类的因子了。

使用因子研究比较常用的python库包括pandas、numpy、scipy、statsmodels，还有一些其他的库也可能会用到，比如画图的话，用matplotlib或者plotly之类的；用什么库不重要，怎么更有效率的实现对因子的研究才更重要。

一些研究中的核心原则：

python的pandas和numpy在向量运行中效率非常高，有些简单的因子研究是可以通过向量运算直接实现的，在这种情况下，尽量用向量去实现，提高研究效率。

举例说明，有n个资产的开盘价和收盘价，有n个资产的因子，就可以通过向量计算出每个资产的信号、持仓、交易盈亏、累计盈亏，进而计算出这个因子的效果好坏。

有些比较复杂的因子研究，涉及到使用固定比例资金以及复杂的资金分配方法的时候，可能使用向量回测会比较麻烦，不太好实现，这个时候可以考虑使用一些量化交易框架，比如backtrader之类的。

先从简单因子开始，经过向量化回测之后，简单因子效果不错，可以考虑用框架进一步测试。如果用多个因子值进行选股之类的，如果能够在加载到backtrader之前计算好最终的因子值，最好先计算好。

至于说如何做组合优化？组合优化这种事情本身就是一个参数优化，给定优化的目标和约束条件，选择合适的参数的过程。这个需要自己去实现了，如果算法写的不是很好的话，可能需要耗费的时间特别多，建议这个步骤尽可能是在可以向量化的时候去做，不要基于事件驱动的回测的时候去做，要不然耗时会特别多。