量化选基系列（十八）：我似乎找到了量化选基因子的正确打开方式！

作者: 量化拯救散户

改进的牛市弹性+熊市韧性因子

在量化选基系列的第十六篇文章中，笔者介绍了一个由 Deepseek 推荐的因子，叫做牛市弹性-熊市韧性因子。如果您对这个因子感兴趣的话可以阅读量化选基系列（十六）：牛市弹性+熊市韧性，Deepseek给了我一个看起来很高端的因子！。

这个因子的表现看起来还可以，但是在量化选基系列整整十六篇文章中，它的表现并不是最好的。表现最好的因子应该是那两个研发失败了的均值回归因子，分别在量化选基系列（十五）：一个对均值回归走火入魔的博主，整了个新活！结果在FOF基金上效果炸裂！和量化选基系列（十四）：精心设计了一个均值回归因子，结果却变成了强者恒强！这两篇文章中有介绍。

于是，对均值回归走火入魔的笔者，决定参考这两篇文章的思想来对牛市弹性+熊市韧性这个因子进行改造。看看，会不会有提升。

计算思想和代码

计算思想和之前的两篇介绍均值回归的思想是一致的，都是拿最近一个自然年的因子值减去该自然年之前所有数据计算的因子值。

代码

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
def cal_factor(self, data):
    data['year'] = data.index.year
    data['month'] = data.index.month
    mom_factor = data.groupby(['year', 'month'], as_index=False, group_keys=False).apply(lambda x: x.sort_index().ffill().iloc[[-1]])
    mom_factor.reset_index(inplace=True)
    mom_factor = mom_factor.drop(columns=['month'])
    mom_factor.set_index(['index', 'year'], inplace=True)
    mom_factor = mom_factor.pct_change()
    mom_factor = mom_factor.replace(0.0, np.nan)
    mkt_rtn = (mom_factor.median(axis=1)).values.reshape(-1, 1)
    flag = mkt_rtn > 0
    mom_factor = mom_factor - mkt_rtn
    bull_elasticity = (mom_factor * np.where(flag, 1.0, np.nan))
    bear_resilience = (mom_factor * np.where(flag, np.nan, 1.0))
    res = []
    for i in tqdm(range(bull_elasticity.shape[1])):
        res.append(self.__cal_factors__(bull_elasticity.iloc[:, i:i+1], bear_resilience.iloc[:, i:i+1]))
    res = pd.concat(res, axis=1)
    return res

这段代码的前 15 行，和该系列第十六篇文章中是一致的，主要是计算每日的牛市弹性和熊市韧性这两个因子。

第 16-19 行，通过遍历的方式计算每一个标的当前自然年的因子值与该年之前的因子值之差。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
@staticmethod
def __cal_factors__(bull, bear):
    col = bull.columns.tolist()[0]
    bull.reset_index(inplace=True)
    bear.reset_index(inplace=True)
    res = []
    idx_list = []
    for year in range(2017, 2025):
        history_bull = bull[bull['year'] < year]
        his_bull = history_bull[col].mean()
        cur_bull = bull[bull['year'] == year]
        day = cur_bull['index'].tolist()[-1]
        cur_bull = cur_bull[col].mean()
        if np.isnan(cur_bull):
            cur_bull = 0
        history_bear = bear[bear['year'] < year]
        his_bear = history_bear[col].mean()
        cur_bear = bear[bear['year'] == year]
        cur_bear = cur_bear[col].mean()
        if np.isnan(cur_bear):
            cur_bear = 0
        res.append(cur_bear + cur_bull - (his_bear + his_bull))
        idx_list.append(day)
    res = pd.Series(res, index=idx_list, name=col)
    return res