alpha-design-pipeline

name	alpha-design-pipeline
description	Alpha从想法到回测的完整设计流程。当用户需要开发新的量化因子、设计alpha信号、或建立因子研究管线时加载。
version	1.0.0
source	《寻找Alpha：量化交易策略》Igor Tulchinsky (WorldQuant)
source_chapters	["第1-6章: Introduction, 量化投资基础, Alpha定义与分类, Alpha评估指标, 回测基础, Data and Alpha Design"]
category	quant

Alpha Design Pipeline — 因子设计管线

从零开始设计一个 alpha 信号的完整方法论。源自 WorldQuant 内部实践。

触发条件

• 用户说要开发新因子 / 新 alpha / 新信号
• 用户讨论因子挖掘方法论
• 策略回测失败后需要重新设计
• 用户询问如何系统化地产生 alpha 想法

核心理念

Alpha 不是凭空创造的——它来自信息的错误定价。设计 alpha 的本质是找到市场尚未充分消化的信息，并用可量化的方式表达它。

WorldQuant 的方法论核心：想法 → 数据 → 表达式 → 回测 → 分析，五步循环，不断迭代。

Alpha 分类框架

类别	定义	典型例子
价格型 (Price-based)	仅用价格/成交量	动量、反转、波动率
基本面型 (Fundamental)	财报/估值数据	PE、ROE、盈利超预期
另类数据型 (Alternative)	非传统数据源	新闻情绪、卫星图、社交媒体
事件驱动型 (Event-driven)	公司事件	并购、分红、指数调整
结构型 (Structural)	市场微观结构	订单流、买卖价差

执行步骤

第一步：产生 Alpha 想法

想法来源（按优先级）：

1. 学术文献 → arXiv q-fin, SSRN, Journal of Financial Economics
   • 重点关注：市场异象(anomalies)、行为金融、市场微观结构
2. 市场观察 → 从实盘经验中发现规律
   • 例：小盘股在财报季波动更大 → 可以量化
3. 数据驱动 → 拿到一个新数据集，问"这个数据能预测什么？"
4. 逆向思维 → 已知因子取反、组合、或变换周期

想法筛选（三轴检验法 — Triple-Axis Plan，Ch11）：

轴	问题	通过标准
经济逻辑	为什么这个 alpha 会存在？	有清晰的经济/行为金融学解释
统计显著性	信号是否显著优于随机？	IC > 0.03，t-stat > 2
低相关性	是否和已有因子正交？	与现有因子库的相关性 < 0.3

第二步：获取和处理数据

数据评估清单：

• 覆盖范围：多少只股票？多少年历史？
• 存活偏差：是否包含已退市股票？
• 前视偏差：数据发布时点是否早于可使用时间？
• 复权处理：分红、拆股是否已调整？
• 数据频率：日线、分钟线、还是逐笔？

数据清洗三步走：

1. 去极值：99%分位 winsorize
2. 标准化：截面 z-score
3. 缺失值处理：行业均值填充 or 前值填充

第三步：表达式设计

将想法转化为数学表达式。常见模式：

# 动量型：过去N日收益率
alpha = (close[t] - close[t-N]) / close[t-N]

# 反转型：短期负收益预测正回报
alpha = -1 * (close[t] - close[t-5]) / close[t-5]

# 质量型：ROE横截面排名
alpha = rank(cross_section(ROE))

# 波动率型：低波动溢价
alpha = -1 * std(returns, 20)

设计原则：

• 尽可能简单 — 复杂表达式更容易过拟合
• 参数选择要有经济意义 — N=21天（一个月交易日）比 N=17天更合理
• 避免使用未来数据 — 慢100%确认没有前视偏差

第四步：回测框架

基本流程：

1. 每月/每周计算 alpha 信号值
2. 按信号排序，做多前20%，做空后20%
3. 计算组合收益
4. 扣除交易成本（佣金+滑点）

关键参数设置：

• 回测周期：至少5年，覆盖牛熊市
• 股票池：全A or 指定指数成分股
• 调仓频率：与信号周期匹配（月频信号→月频调仓）
• 交易成本：A股 单边 0.15%（佣金+印花税+滑点）

第五步：结果分析

必看指标：

指标	合格线	优秀线
年化收益	> 5%	> 15%
夏普比率	> 0.5	> 1.0
最大回撤	< 25%	< 15%
IC (信息系数)	> 0.03	> 0.05
IC_IR	> 0.3	> 0.5
换手率 (月)	< 100%	< 50%

如果表现不好，检查：

1. 是不是过拟合了？→ 减少参数，加长回测周期
2. 交易成本吃了收益？→ 降低换手率
3. 只在特定市场有效？→ 分子周期测试（牛/熊/震荡）
4. 信号已经衰减？→ 检查近1-2年的IC是否下降

验证标准

• 新 alpha 通过三轴检验（经济逻辑+统计显著性+低相关性）
• 回测至少覆盖5年，包含一轮牛熊
• IC 显著为正且稳定
• 与现有因子库相关性 < 0.3

常见陷阱

1. 前视偏差 — 用了财报发布日期之后的财务数据。财报反映的是前一季度的状态，但实际发布有延迟
2. 存活偏差 — 只用当前存活的股票做回测。已退市的烂股票必须包含
3. 过度优化 — 参数调得太多太好，实盘必然失效。3个以上参数的 alpha 高度可疑
4. 忽略交易成本 — 高换手 alpha 回测很漂亮，实盘收益全部被手续费吃掉
5. 只在大盘股上跑 — A股小市值有溢价，如果 alpha 在小盘股上失效，整体IC会虚高