利用指数增强模型收割alpha
包括原始数据获取、因子生成、因子数据预处理、单因子检验、收益预测模型及风险模型等，具体流程如图：
1.原始数据获取.py：原始数据获取主文件；
2.raw_data_fetch.py：原始数据获取功能文件，用于从tushare数据源获取原始数据，数据以指标名作为文件名保存到一个个文件中。
3.因子生成.py：因子生成主文件；
4.factor_generate.py：因子生成功能文件，用于通过对原始数据的计算生成相应各种因子，以截面形式保存到文件。
5.因子预处理.py：因子预处理主文件；
6.factor_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。
7.单因子检验.py：单因子检验主文件；
8.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。
9.指数增强模型.py：指数增强模型运行主文件；
10.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。
本模型针对沪深 300 成分股，最终选取估值因子、动量因子、流动性因子、成长因子、作 为阿尔法因子，选取波动率因子、市值因子、 Beta 因子和行业因子作为风险因子，采用月2 频方式调仓，根据历史月频横截面回归计算因子收益率，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 60-100 只个股，以最优权重构建组合。 回测周期为 2014 年 1 月 - 2019 年 12 月。模型采用 24 个月指数加权方式预测 T+1 期因 子收益率，并进行市值中性化和行业中性化处理。经过回测，模型年化超额收益 8.3%，并 在 2014-2019 年 期间每一年都跑赢指数，详见《指数增强策略研究报告》。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent