基本术语解释
- 平均AUC：
- 伪阳性率（FPR）：判定为正例却不是真正例的概率，即真负例中判为正例的概率
- 真阳性率（TPR）：判定为正例也是真正例的概率，即真正例中判为正例的概率
- ROC曲线：一个二分类模型的阈值可能设定为高或低，每种阈值的设定会得出不同的 FPR 和 TPR ，将同一模型每个阈值的 (FPR, TPR) 坐标都画在 ROC 空间里，就成为特定模型的ROC曲线。ROC曲线横坐标为假正率（FPR），纵坐标为真正率（TPR）
- AUC：ROC 曲线下方的面积(Area under the Curve)，其意义是：
（1） 因为是在1x1的方格里求面积，AUC必在0~1之间
（2） 假设阈值以上是阳性，以下是阴性
（3） 若随机抽取一个阳性样本和一个阴性样本，分类器正确判断阳性样本的值高于阴性样本的概率 = AUC
（4） 简单说，AUC值越大的分类器，正确率越高
- 超额收益率：超额收益率是指超过正常(或预期)的收益率，它等于某日的收益率减去投资者(或市场)当日要求的正常(预期)收益率之差
- 最大回撤：策略收益曲线上，高点到后期最低点的回撤幅度的最大值
- 信息比率：
- 跟踪偏离度(Tracking Difference)：
：基金i在时间t内的跟踪偏离度
：基金i在时间t内的净值增长率
：基准组合在时间t内的收益率 (大盘指数收益率)
- 跟踪误差(Tracking Error)：
：基金i的跟踪误差
：表示基金i的跟踪偏离度的样本均值
：样本数
跟踪误差越大，说明基金的净值率与基准组合收益率之间的差异越大，并且基金经理主动投资的风险越大，通常认为跟踪误差在2％以上意味着差异比较显著- 信息比率(Information Ratio)：
：基金i的信息比率
：基金i的跟踪误差
信息比率越大，说明基金经理单位跟踪误差所获得的超额收益越高，因此，信息比率较大的基金的表现要优于信息比率较低的基金
- Calmar比率：区间年化收益率/区间最大回撤
算法
- 模型：随机森林
- 数据：全 A 股，剔除 ST 股票，剔除每个截面期下一交易日停牌的股票，剔除
上市 3 个月以内的股票，每只股票的每个月末截面期数据视作一个样本 - 标签：每只股票下一自然月的超额收益（以沪深 300 指数为基准）
- 特征：70个通用因子+上证指数周期三因子
-
训练集合成：在每个月末截面期，选取下月收益排名前 30%的股票作为正例（y = 1），后 30%的
股票作为负例（y = 0）。将当前月份前 6 个月的样本合并形成训练集
月频回测示意图
