最近在使用 WorldQuant Brain 平台，并开始系统性学习 Alpha 因子的构建方法。本文整理了一些基础概念与实践体验，便于后续回顾与进一步研究。
WorldQuant Brain 支持 FAST Expression，用于快速构建因子表达式，例如：
1 | ts_sum(x, d), ts_rank(x, d), rank(), zscore(), group_mean(x, weight, category) |
这些函数主要用于构造横截面或时间序列信号，能够较方便地表达交易逻辑。同时平台提供 API，可以使用 Python 进行批量回测与数据处理。
1. 平台结构与入门
登录后主要界面分为两个区域，如图：
- 左侧 Simulate：用于编写策略并进行回测
- 右侧 Results 与 Data：用于查看回测结果与数据
建议初学者优先阅读官方 Tutorial，通过示例逐步理解 Alpha 构建方式与评价指标体系。
2. 核心概念
WorldQuant Brain的Simulate左上角setting可以选择不同设置，说明如下：
2.1 Neutralization（中性化）
中性化用于控制组合风险结构，使策略在某些维度上保持对冲。
Alpha 输出为权重向量，多头为正，空头为负：
常见中性化维度包括：
- Market
- Sector
- Industry
- Subindustry
通常建议从 Subindustry 开始尝试，因为约束相对较弱，更容易得到有效信号。
2.2 Universe（股票池）
Universe 定义策略作用的标的范围，例如：
- USA Top 3000
- USA Top 2000
股票池越大，噪声通常越高，对 Alpha 稳定性要求也越强。
2.3 Decay（时间平滑）
Decay 用于对时间序列进行平滑处理，例如：
1 | signal = ts_decay(x, d) |
平滑的优缺点：
- 优点：降低噪声，提高稳定性，降低换手率
- 缺点：引入滞后，降低信号敏感度
2.4 Delay（交易延迟）
Delay 表示信号使用数据的时间延迟：
- Delay = 1：使用前一交易日数据（更常见）
- Delay = 0：使用当日数据（更激进，依赖执行时间）
3. Alpha 策略示例
3.1 简单反转策略
1 | rank(-returns) |
该策略含义：
returns为股票收益率- 取负号构造反转信号
rank()做横截面标准化
特点：
- 极短周期均值回归信号
- 对最新价格变化非常敏感
- 换手率较高
- 在真实交易中容易受到交易成本影响
本质上是一个不含记忆结构的短周期反转策略。
3.2 带时间结构的增强信号
1 | signal = rank(-returns) |
在原始横截面信号基础上，引入时间结构：
ts_rank(signal, 5)：衡量该信号在最近 5 天中的相对强度- 与当前
signal相乘，相当于做“强度 × 持续性”过滤
解释：
- 若持续上涨 → signal 为负
- 若持续下跌 → signal 为正
本质是短周期反转的时间扩展版本。
对比总结
| 策略 | 特征 | 换手率 | 稳定性 |
|---|---|---|---|
| rank(-returns) | 极短期反转 | 高 | 低 |
| rank × ts_rank | 带记忆结构 | 高 | 中 |
