问题

策略回测时候如何看最大回撤是哪个时间段的？

解答

你可以在回测模块之后接入这样一个模块：策略风险概览

结果如下：

可以看到最大回撤是-15.12% 发生在2021-02-08 。

后续我们可以在收益率曲线图上直接反映出来

超参里的评分函数除了用夏普标记外，如何将年化、胜率、最大回撤加进去

问题

回测模块的返回可以用

read_raw_perf()来读取，但是读取之后每个列的值的含义可以去哪里查呢，虽然这个链接已经写了一部分，但是列名和使用read_raw_perf()读取后的结果是对不上的，比如读取后的列名有 returns，

starting_exposure，pnl，

excess_return max_drawdown max_leverage

等等这些列的具体含义有说明文档可以查吗？

解答

目前还没有对raw_perf进行字段文档的输出，这个我们下来整理一下近期会放到知识库中

摘要

正文

/wiki/static/upload/c8/c889ea29-9c9e-4610-883a-d095ba76fca9.pdf

\

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

分享头部量化私募团队、策略、深度资料等

\

/wiki/static/upload/74/7464d5e3-c643-485a-bdef-793d0ba69cca.pdf

\

摘要

文献来源：Jennifer Bender, Jerry Le Sun and Rick Thomas, Asset Allocation vs. Factor Allocation – Can We Build a Unified Method?[J] The Journal of Portfolio Management, 2018, 45 (2) 9-22

推荐原因：近60年间，股票和债券等资产一直是多元化投资组合的主要基石。长期以来，投资者普遍认为，对不同类别的资产进行分散投资足以为组合带来多元化投资的裨益，但近期在市场大幅下挫过程中，对不同类别资产进行分散投

摘要

中国商品期货市场近30年来取得历史性突破和跨越式发展。近年来，伴随股票市场多因子选股策略的风靡，越来越多的期货界投资人士，在尝试使用多因子框架构建商品市场的CTA策略。这类策略的核心是找到各类可以影响商品市场价格涨跌的公共因子，如资产动量、波动率、宏观基本面等，构建统一框架来评估资产价格上涨、下跌的潜力，进而构建商品市场的组合投资策略，多因子策略是近年来CTA策略的一个重要分支。本文主要尝试对多因子CTA策略构建中一些常用的因子进行测评，并试图构建一个基本的多因子CTA策略，以深入洞察该类策略的运作，供投资者参考

测试的因子包括技术面因子以及宏观基本面两类因子。技术面因子采用横

摘要

文献来源：Demiguel V, Gil-Bazo J, Nogales F J, et al. Can Machine Learning Help to Select Portfolios of Mutual Funds?[J]. Social Science Electronic Publishing, 2021.

推荐原因：众所周知，事先确定未来表现优异的共同基金是一项困难的任务。本文基于大量投资者容易获得的基金特征数据，利用机器学习方法训练提升其预测能力。研究发现，利用1980年至2018年期间美国股票型基金的数据，基于机器学习方法构建的基金组合，经风险调整

正文

/wiki/static/upload/25/259b1aaa-df16-4ed2-abd6-8ad67bba7fb7.pdf

\

摘要

2018 年 5 月多因子指数增强模型沪深 300 组合跑赢基准 0.65%，月中超额收益最大回撤 0.49%。中证 500 组合跑赢基准 1.57%，月中超额收益最大回撤 0.23%。

2018 年 5 月短周期价量模型跑赢中证 500 基准指数 2.69%，月中超额收益最大回撤 0.26%。

2018 年 5 月 AI 人工智能选股模型绝对收益 2.38%，跑输沪深 300 指 数-1.51%。

2018 年 5 月 Smart Beta 选股模型组合绝对收益 4.61%，跑赢万德全 A指数 1.45%。

2018 年 5 月事件驱动选股模型组合绝对收益 5.54%，

\

摘要

机器学习波动率预测

大多数量化策略的盈利与波动率高度相关。预知波动率对于分配每个策略的仓位至关重要。使用机器学习进行波动率预测较传统方法的预测效果有所提升。

机器学习策略判断失效的方法

判断机器学习策略失效有独特的方法，可以在击穿最大回撤前提前下线策略。

机器学习在量化投资中应用的杂谈

我们在这一章节中致力于打通实盘的各个环节，以及展开对机器学习对冲基金运营方式的探讨。

正文

[/wiki/static/upload/3a/3af7bff5-f4fe-4eef-96df-74530303b737.pdf](/wiki/static/up

正文

/wiki/static/upload/cc/ccdb74be-b863-4da3-8f49-1f6faa26c18e.pdf

\

\

\

https://bigquant.com/experimentshare/4653b9de9090496ba06147ce444eeb36

\

涉及国内主要品种的不同的频率的回测与交易

\

摘要

本文汇集了海通量化团队在大类资产配置、指数增强、因子择时以及CTA这四方面的核心研究成果，着重展现了策略在2107年的业绩和风险收益特征。

大类资产配置策略。2017年，包含权益和债券两类资产的积极的风险均衡（ARP） 组合累计收益率为6.94%，最大回撤仅有3%，夏普比率高达1.164。

沪深300指数增强策略。2017年，沪深300增强组合累计收益为35.58%，同期沪深300指数的累计收益为21.77%，超额收益为13.81%。指数增强策略的年化跟踪误差为2.82%，信息比率为4.9。

中证500指数增强策略。2017年，中证500增强组合累计收益为12.60%，

报告摘要

战略性＋战术性的资产配置框架下的思考配置模型重视资产价格之间的相对强弱，核心目的不再是预测资产价格的方向，而是把握不同经济状况下，资产价格的相对强弱，战略配置相对强势的资产，该策略关注3-6个月的中期配置，核心目标是控制组合波动率和最大回撤；配置模型层面，我们开发了兼顾经济逻辑和数量逻辑的模型，覆盖了投资时钟、美元时钟和库存周期等，从配置策略的角度，进行资产配置。择时模型相对灵活，从战术层面调整组合内各类资产的权重，决定基础资产的超配与低配。最后战略性配置与战术性择时模型，通过模型进行融合。我们深知组合优化模块中资产配置方法的更新很难真正提升策略的收益风险比。

低相关性因子体

报告摘要

因子多空收益整体表现

以因子等权配置的多空组合作为基准，该基准2018年2月多空收益差为1.16%，自2016年以来的多空累计收益为19.12%，月最大回撤为-0.23%。

最近三月因子IC系数表现

最近3个月基本面因子表现最为稳定，反转类因子中的细分因子表现不一，估值因子在12月和1月表现不佳。综合来看，ROE、毛利率、净利率、每股收益、ROA增长率、ROE增长率、净利率增长率、每股收益增长率、主营业务收入增长率、销售费用比率、每股净资产、一个月换手率、一个月股价反转、DIF、MACD的表现最为突出。 当月因子IC系数表现盈利因子和成长因子与下一期股价在

报告摘要

本月就市场近期比较流行的“高ROE，低PB”的行业配置策略进行了分析。发现该策略实际效果长期来看并不是很稳定。 用可获得的ROE数据去回测：年化超额收益0.7%，胜率只有，最大回撤达到25.37%。另外，即便假设市场完美预期到所有行业下个季度ROE的大小排序，年化超额收益3.76%，最大回撤29.91%，胜率51.02%，效果并没有得到很大改善。 历史上出现过这个策略表现很好的时间段（，2011Q1~2013Q1），但是之后都出现了长达1.5年~2年的回撤。过去两年策略表现较好，有可能仅仅是历史的重演，市场不断自我强化的结果。 我们当前观点是：根据历史数据统计规律，ROE&

https://bigquant.com/experimentshare/5f74d02dff0e45d595f7494edb417019

\

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\