手把手跑通 QuantsPlaybook 量价因子行业轮动策略从示例到自定义【免费下载链接】QuantsPlaybook量化研究-券商金工研报复现项目地址: https://gitcode.com/GitHub_Trending/qu/QuantsPlaybookQuantsPlaybook 里有个模块专门做行业轮动它把 10 类量价因子量价因子就是只用开盘、收盘、最高、最低、成交量算出来的数值批量展开成 192 个交给机器学习模型预测行业 ETF 次日涨跌再回测验证。整个过程封装在 行业有效量价因子与行业轮动策略 目录下一个 notebook 就能走通。三步跑通示例克隆并安装依赖git clone https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook进入目录后执行pip install -r B-因子构建类/行业有效量价因子与行业轮动策略/requirements.txt打开 notebook 按顺序执行jupyter notebook B-因子构建类/行业有效量价因子与行业轮动策略/行业有效量价因子与行业轮动策略ETF.ipynb前几步会拉取 ETF 数据、转成 qlib 格式然后训练 LightGBM 模型结果在哪里看IC 曲线、分组累计收益图在 notebook 的IC 及分组收益一节里直接画出回测净值曲线在最后的 Backtrader 回测输出中预测结果本身存在 qlib 的实验记录recorder里核心方法拆解192 个量价因子是怎么来的因子清单定义在 scr/factor_expr.py 里由 10 个因子族组成二阶动量、动量期限差、成交金额波动、成交量波动、多空对比总量及其变化、量价相关系数、量价背离等。每个因子族在 5/10/20/60/120/180 天窗口上批量展开组合起来正好 192 个。这样做的理由是研报没写死窗口参数用常用窗口全覆盖再靠 IC 筛选有效组合比人工拍一个窗口更稳。用 IC 验证因子预测力IC 是当日因子值与次日收益的逐日相关系数符号稳定、绝对值大说明预测方向可靠RankIC 用排序算对极端值更稳健。对应 notebook 里plot_qlib_factor_dist那一步会画出 IC 序列和十组分层收益分层收益按因子值从小到大分 10 组若第 10 组曲线持续高于第 1 组说明因子有单调区分力这是比 IC 更直观的证据。分层回测看图预测值转成持仓信号后用 Backtrader 回测并输出净值、回撤和相对基准的表现。从示例到自己换因子族scr/factor_expr.py 里的VolumePriceFactor10就是只保留默认窗口的 10 因子精简版照着它的conf字典删减即可换窗口改parse_config_to_fields里的windows列表192 的个数会随之变化换标的池notebook 里的industry_etf文件可以换成自己的 ETF 清单行业 ETF 历史短作者最后用的是全市场 ETF 池换模型/标签任务配置里的LGBModel可换成其他 qlib 模型标签默认是 T2 开盘价对 T1 开盘价的收益想改预测周期就改get_label_config结果怎么读先 IC 序列带 20 日滚动均线均值远离零且方向一致才算及格再看十组分层累计收益是否单调铺开、头部和尾部差距是否稳定拉开最后看回测净值对基准的超额是否持续为正中间反复穿越零轴说明因子只在部分行情有效。常见坑TA_Lib 装不上现象是pip install -r requirements.txt在 TA_Lib 处失败原因是它需要系统级 C 库支持解决是先装好 C 库或换一个预编译轮子。turnover_rate_f 缺失警告Factor_Calculator打印该提示说明数据里没有换手率字段依赖它的因子如换手率变化无法计算解决是拉数时把换手率字段一起取回来。行业池太短行业 ETF 在 2020 年占比才到 60%用纯行业池训练样本不够解决是像示例一样把标的池扩到全部 ETF或缩短训练区间起点。一句话总结这条流水线把拉数、批量造因子、验证、回测串成了 notebook你只需替换因子族和标的池就能改出自己的行业轮动版本。下一步可以去 B-因子构建类 看看筹码因子、网络中心度因子等模块把它们产出的因子拼进同一个预测模型里试试。【免费下载链接】QuantsPlaybook量化研究-券商金工研报复现项目地址: https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考