沪深300指数增强模型

包括数据预处理、单因子检验、收益预测模型及风险模型四部分，具体流程可参考图片“指数增强模型结构”。

1.因子预处理.py：因子预处理主文件；

2.factor_data_preprocess.py：因子预处理功能文件，用于对计算后的原始因子数据进行预处理，包括缺失值处理、中位数法去极值、标准化及相对行业和市值中性化处理。

3.单因子检验.py：单因子检验主文件；

4.single_factor_test.py：单因子检验功能文件，用于对标准化后的单因子进行回归IC法检验、分层回测法检验，对有效因子进行初步筛选。

5.指数增强模型.py：指数增强模型运行主文件；

6.index_enhance.py：指数增强模型功能文件，用于对有效单因子进行因子合成与正交，进行收益预测，并通过风险模型进行权重优化，最终生成回测结果。

1.Backtest_stock类：股票回测框架，可根据输入的市场数据、回测频率以及基准进行向量化回测，输出结果包括Sharpe、Maxdrawdown、年化收益、年化波动、信息比率、跟踪误差等指标；（位置：single_factor_test.py）

2.SingleFactorLayerDivisionBacktest类：因子分层回测类，内部先生成各层在每期的股票池，回测则委托给Backtest_stock类进行，输出结果为分层净值走势图。 （位置：single_factor_test.py）

3.factor_return_forecast函数：收益预测部分功能函数，通过每一期以下一期个股收益对本期期末个股因子暴露进行截面回归，获取因子溢价时间序列，取N期滑动平均作为最新期因子溢价的预测值；（位置：index_enhance.py)

4.get_est_stock_return函数：收益模型主函数，利用factor_return_forecast函数计算结果，以及本期期末的个股因子暴露，获得下一期的预测个股收益； （位置：index_enhance.py)

5.linear_programming函数：风险模型权重优化函数，以最大化组合收益为目标，同时控制组合相对基准的行业和风格暴露，获得根据预测最大组合收益对应的下期个股权重（位置：index_enhance.py)

6.stratified_sample函数：风险模型权重优化函数，通过对中信各一级行业进行分层，每个行业选取3只收益最高的股票，构建下期持仓股票池（位置：index_enhance.py)

模型采用月频方式调仓，根据历史月频横截面回归计算因子溢价，并在每个月末根据最新的因子暴露预测下个月全部指数成分股收益，并通过风险模型以最大化组合的预测收益为目标，同时控制组合相对基准指数的行业及市值暴露，实现对组合中个股的权重优化，以沪深300增强为例，每个月通过模型从300只成分股中选出约60-90只个股，以最优权重构建组合。

模型2011年至今每年均能实现相对沪深300指数的超额收益，平均年化超额收益9.54%，2019年1月至8月，获得收益36.01%，相对沪深300的超额收益达9.81%。

wechat：13821369426

tencent qq：450359526