10

100

11

120

12

80

13

10

VWAP  加权平均分 （VWAP）

11

 💻 在 BRAIN 中实现动量效应

The momentum effect can be implemented in various ways. The simplest method is calculating recent price increases. Shall we calculate an asset's price increase over one year? Since BRAIN only considers business days, a year's length is typically represented as 250 days (the number of business days in a year). We can measure the change in x over a year using the time series operator ts_delta(close,250)/ts_delay(close,250).

动量效应可以通过多种方式实现。最简单的方法是计算最近的价格上涨。我们应该计算资产一年内的价格上涨吗？由于 BRAIN 仅考虑工作日，因此一年的长度通常表示为 250 天（一年中的工作日数）。我们可以使用时间序列运算符 ts_delta（close，250）/ts_delay（close，250） 来衡量一年中 x 的变化。

但是，单独使用此公式不会产生良好的 Alpha 结果。一年期回报率受近期回报率的显著影响，包括短期回归效应。要在 BRAIN 中将动量效应实现为 Alpha，我们需要使用不同的方法或添加条件。

因此，为了更清楚地看到动量效应，我们可以使用以下方法：

• Apply delay to one-year returns to mitigate short-term reversion effects.
  对一年期申报表应用延迟，以减轻短期回归效应。
  • ts_delay(ts_delta(close,250)/ts_delay(close,250),10)
    ts_delay（ts_delta（收盘，250）/ts_delay（收盘，250），10）
• Count the number of days with price increases over one year.
  计算一年内价格上涨的天数。
  • ts_sum(returns>0? 1:0, 250) *
    ts_sum（返回>0？ 1：0， 250） *

* <condition>? <if_true>:<if_false> returns if_true value when the condition is true, and if_false value when it's not. if_else(<condition>,<if_true>,<if_false>) means the same thing.
* <condition>？ <if_true>：<if_false> 在条件为 true 时返回 if_true 值，在条件不为 true 时返回 if_false 值。if_else（<condition>，<if_true>，<if_false>） 表示相同的内容。

 ts_sum(if_else(greater(returns,0),1,0),250)

解析 ts_sum(if_else(greater(returns,0),1,0),250)

这个表达式是金融时间序列分析中的一个复合函数，用于统计过去 250 天内收益率为正的天数。下面我来逐步拆解它的逻辑：

函数拆解与执行流程

1. 内层函数 greater(returns,0)

• 功能：判断每日收益率是否大于 0。
• 输入：returns 是每日收益率序列。
• 输出：布尔值序列，收益率 > 0 时为 True，否则为 False。

2. 中间函数 if_else(...)

• 功能：根据布尔值进行条件赋值。
• 逻辑：

  plaintext

  if returns[i] > 0:赋值为 1
  else:赋值为 0
  

• 输出：由 1 和 0 组成的序列，其中 1 代表当天收益率为正。

3. 外层函数 ts_sum(...,250)

• 功能：计算过去 250 天内的累积和。
• 滑动窗口：对每个时间点 t，统计 [t-249, t] 区间内所有 1 的总和。
• 输出：每个时间点对应的过去 250 天内正收益天数。

数学表达

对于时间序列 returns = [r₁, r₂, ..., rₜ]，该函数计算：

plaintext

result[t] = ∑_{i=t-249}^{t} I(r_i > 0)

其中 I(r_i > 0) 是指示函数，当 r_i > 0 时为 1，否则为 0。

Python 实现示例

python

运行

import numpy as npdef ts_sum(if_else_result, window=250):"""计算滑动窗口内的累积和"""return np.convolve(if_else_result, np.ones(window), mode='valid')def greater(returns, threshold):"""判断序列中每个元素是否大于阈值"""return returns > thresholddef if_else(condition, value_if_true, value_if_false):"""根据条件进行赋值"""return np.where(condition, value_if_true, value_if_false)# 示例数据：生成1000天的随机收益率
np.random.seed(42)
returns = np.random.normal(0.0005, 0.01, 1000)  # 假设日均值0.05%，标准差1%# 计算正收益天数
condition = greater(returns, 0)
binary_result = if_else(condition, 1, 0)
positive_days = ts_sum(binary_result, window=250)# 输出前10个结果
print("过去250天内正收益天数:", positive_days[:10])

实际应用场景

1. 市场强度指标：

   • 正收益天数占比高（如超过 130 天），表明市场处于强势。

2. 胜率分析：

   • 对策略回测而言，该指标反映策略在历史上的胜率。

3. 风险评估：

   • 连续低正收益天数可能预示市场风险上升。

注意事项

1. 边界处理：

   • 对于前 249 天的数据，无法形成完整窗口，需特殊处理（如返回 NaN 或 0）。

2. 参数选择：

   • window=250 通常对应一年交易日，但需根据实际需求调整。

3. 与其他指标结合：

   • 单独使用意义有限，建议结合收益率均值、波动率等指标综合分析。

这个函数本质是一个动量类指标，通过统计正收益天数的频率来衡量市场或资产的强势程度。

编辑

分享

如何解释ts_sum(if_else(greater(returns,0),1,0),250)的输出结果？

ts_sum(if_else(greater(returns,0),1,0),250)和ts_sum(if_else(greater(returns,0),1,0),120)有什么区别？

ts_sum(if_else(greater(returns,0),1,0),250)的计算结果可以用于哪些分析场景？

解析 ts_sum(if_else(greater(returns,0),1,0),250)

这个表达式是金融时间序列分析中的一个复合函数，用于统计过去 250 天内收益率为正的天数。下面我来逐步拆解它的逻辑：

函数拆解与执行流程

1. 内层函数 greater(returns,0)

• 功能：判断每日收益率是否大于 0。
• 输入：returns 是每日收益率序列。
• 输出：布尔值序列，收益率 > 0 时为 True，否则为 False。

2. 中间函数 if_else(...)

• 功能：根据布尔值进行条件赋值。
• 逻辑：

  plaintext

  if returns[i] > 0:赋值为 1
  else:赋值为 0
  

• 输出：由 1 和 0 组成的序列，其中 1 代表当天收益率为正。

3. 外层函数 ts_sum(...,250)

• 功能：计算过去 250 天内的累积和。
• 滑动窗口：对每个时间点 t，统计 [t-249, t] 区间内所有 1 的总和。
• 输出：每个时间点对应的过去 250 天内正收益天数。

数学表达

对于时间序列 returns = [r₁, r₂, ..., rₜ]，该函数计算：

 

plaintext

result[t] = ∑_{i=t-249}^{t} I(r_i > 0)

 

其中 I(r_i > 0) 是指示函数，当 r_i > 0 时为 1，否则为 0。

Python 实现示例

python

运行

import numpy as npdef ts_sum(if_else_result, window=250):"""计算滑动窗口内的累积和"""return np.convolve(if_else_result, np.ones(window), mode='valid')def greater(returns, threshold):"""判断序列中每个元素是否大于阈值"""return returns > thresholddef if_else(condition, value_if_true, value_if_false):"""根据条件进行赋值"""return np.where(condition, value_if_true, value_if_false)# 示例数据：生成1000天的随机收益率
np.random.seed(42)
returns = np.random.normal(0.0005, 0.01, 1000)  # 假设日均值0.05%，标准差1%# 计算正收益天数
condition = greater(returns, 0)
binary_result = if_else(condition, 1, 0)
positive_days = ts_sum(binary_result, window=250)# 输出前10个结果
print("过去250天内正收益天数:", positive_days[:10])

实际应用场景

1. 市场强度指标：

   • 正收益天数占比高（如超过 130 天），表明市场处于强势。

2. 胜率分析：

   • 对策略回测而言，该指标反映策略在历史上的胜率。

3. 风险评估：

   • 连续低正收益天数可能预示市场风险上升。

注意事项

1. 边界处理：

   • 对于前 249 天的数据，无法形成完整窗口，需特殊处理（如返回 NaN 或 0）。

2. 参数选择：

   • window=250 通常对应一年交易日，但需根据实际需求调整。

3. 与其他指标结合：

   • 单独使用意义有限，建议结合收益率均值、波动率等指标综合分析。

 

这个函数本质是一个动量类指标，通过统计正收益天数的频率来衡量市场或资产的强势程度。

When creating Alpha, you can fine-tune Alpha positions using conditions, using operators like if_else() or trade_when().
创建 Alpha 时，您可以使用条件微调 Alpha 位置，使用 if_else（） 或 trade_when（） 等运算符。

您可以使用常用逻辑运算符（>、<、>=、<=、== 等）创建条件。例如，如果您只想在交易量高于平时（20 天平均值）时更改位置，则可以将条件设置为交易量 > adv20。以下是一些需要考虑的条件，但您可以创建所需的任何条件。请注意，设置过于严格的条件可能会减少数据点的数量并增加过度拟合的风险。

在实现 Alpha 时，有时您需要根据特定条件返回不同的值。if_else 运算符是一个基本但功能强大的运算符，可让您简单地实现条件逻辑。

You can also use if_else in the form of condition? if_true:if_false. For example, ts_sum(returns>0? 1:0, 250) uses this format.
你也可以用 condition if_else 的形式 if_true：if_false。 例如，ts_sum（returns>0？ 1：0， 250） 使用此格式。

使用 trade_when 运算符，您可以决定何时更改 Alpha 中的值。trade_when 运算符仅在特定条件下更改 Alpha 值，否则保持较早的位置。

trade_when takes three inputs: entry condition, Alpha expression, and exit condition.
trade_when 接受三个输入： 进入条件、Alpha 表达式和退出条件 。

• When the entry condition is true, it updates the Alpha expression value daily.
  当输入条件为 true 时，它每天更新 Alpha 表达式值 。
• When the exit condition is true, it liquidates the position (NaN).
  当退出条件为 true 时， 它会清算仓位 （NaN）。
• When both are false, it maintains the last Alpha value from when the entry condition was true.
  当两者都为 false 时，它将保持进入条件为 true 时的最后一个 Alpha 值 。

  让我们设置入场条件。基于动量在成交量激增时起作用的假设，我们可以使用以下方法检测成交量增加：

• volume > adv20 #adv20: 20-day average volume
  交易量 > adv20 #adv20：20 天平均交易量
• volume > ts_mean(volume, N_DAYS)
  Volume > ts_mean（volume， N_DAYS）
• volume * vwap > ts_mean(volume * vwap, N_DAYS)
  交易量 * VWAP > ts_mean（交易量 * VWAP， N_DAYS）

• You can test different values for N_DAYS.
  您可以测试 N_DAYS 的不同值。

  Since momentum is a long-term effect, it's effective to set the exit condition to –1 to keep positions longer once established. Or you can set your own exit condition which you think is effective.
  由于动量是一种长期影响，因此将退出条件设置为 –1 以在建立后保持更长时间是有效的。或者您可以设置您认为有效的退出条件。
  Also, since momentum effects tend to occur across industries rather than within them, it's better to set Neutralization options to avoid overly detailed grouping such as Market or Sector.
  此外，由于动量效应往往发生在行业之间，而不是行业内部，因此最好设置 Neutralization 选项以避免过于详细的分组 ，例如 Market 或 Sector。

你提供的代码是一个量化交易策略，结合了两个关键信号：正收益天数频率和成交量异常。下面我来详细拆解这个策略的逻辑和应用场景。

• 功能：统计过去 250 个交易日中，收益率为正的天数总和。
• 信号含义：
  • positive_days 越大，说明近期市场强势（上涨天数多）。
  • 典型阈值：若 positive_days > 130，意味着超过半数时间市场上涨。