分享
注册
1分钟入驻>
+微信
从业认证
首发回答
您好，针对QMT量化因子的相关性问题，我讲通俗的正交化方法及去相关性技巧。
首先，先明确为什么要做：如果因子间相关性高，量化模型会重复计算有效信息，降低预测准确性，所以要先去相关性。
（1）第一步是计算因子相关性：在QMT的Python环境里，用简单代码算每个因子的两两相关系数，找出相关性超过0.7的强相关因子对（比如因子X和Y）。
（2）第二步选正交化方法：常用线性回归法，比如选更有经济逻辑的因子当核心（比如财报类因子），把另一个相关因子对这个核心因子做回归，取回归后的残差，残差就是和核心因子不相关的正交后因子。举个例子：有市值因子和市值对数因子，两者强相关，选市值对数当核心，市值因子对它回归，残差就是正交后的市值因子，相关性就很低了。
（3）注意：正交化时尽量保留因子的实际意义，别破坏原本的逻辑；如果因子多，也可以用主成分分析（PCA）把相关因子转成不相关的主成分，适合批量处理。另外，正交化可能会调整因子数值，后续回测要对比原因子表现，避免偏差。
需要了解QMT中因子正交化的具体代码实现，或有其他量化工具使用需求，可点击头像添加微信联系我，成本佣金开户服务专业靠谱。
首先，先明确为什么要做：如果因子间相关性高，量化模型会重复计算有效信息，降低预测准确性，所以要先去相关性。
（1）第一步是计算因子相关性：在QMT的Python环境里，用简单代码算每个因子的两两相关系数，找出相关性超过0.7的强相关因子对（比如因子X和Y）。
（2）第二步选正交化方法：常用线性回归法，比如选更有经济逻辑的因子当核心（比如财报类因子），把另一个相关因子对这个核心因子做回归，取回归后的残差，残差就是和核心因子不相关的正交后因子。举个例子：有市值因子和市值对数因子，两者强相关，选市值对数当核心，市值因子对它回归，残差就是正交后的市值因子，相关性就很低了。
（3）注意：正交化时尽量保留因子的实际意义，别破坏原本的逻辑；如果因子多，也可以用主成分分析（PCA）把相关因子转成不相关的主成分，适合批量处理。另外，正交化可能会调整因子数值，后续回测要对比原因子表现，避免偏差。
需要了解QMT中因子正交化的具体代码实现，或有其他量化工具使用需求，可点击头像添加微信联系我，成本佣金开户服务专业靠谱。
发布于23小时前 广州
当前我在线
直接联系我
秒答
关注
分享
追问
踩 
举报
45
电话咨询
咨询
18630917047 
