2015年底World Quant发表了论文《101 Formulaic Alpha》，论文中给出了101个现实中的alpha。
改一两行就能换alpha哦~~
原文pdf：
——We emphasize that the 101 alphas we present here are not “toy” alphas but real-life trading alphas used in production. In fact, 80 of these alphas are in production as of this writing.
其中强调80%都仍在使用（当然，这个信着先吧....）。
论文中还科普了一下alpha的简单分类，也就回答了一下收益能解释关联程度等一些问题，其中这些alpha是可以做空使用的，但是在大A股方面做空需要比较复杂，这里只实现做多的一面，然后阶级止损。
在Appendix A：分为了两部分
A.1是101个alpha的计算公式和使用的函数的定义和解释，其中一部分的函数解释：
rank(x) 是一个排名的函数
abs(x) ，logx)，sign(x)都是按照命名定义的函数分别是绝对值，对数还有信号函数
delay(x,d) 在d days以前的x 的值
delta(x,d) 今天的x值减去d天以前x的值
correlation(x,y,d) 在过去长度为d 天，x和y的相关性
covariance(x,y,d) 在过去长度为d天，x和y的协方差
ts_min(x,d)，ts_max(x,d) 时间序列函数，d天内的最小值和最大值
ts_argmax(x,d)，ts_argmin(x,d)是计算ts_min(x,d)，ts_max(x,d)发生在哪一天
A.2.部分是描述了我们需要输入的一些数据，大部分跟名字相关。
returns 每日收盘之后的收益
open，close，high，low，volume 对应是开盘价，收盘价，最高价和最低价还有成交量。
vwap 成交量加权平均价
cap 市值
adv(d) d天的平均成交额
还有部分的工业指数（这是美国市场方面的）
我们使用了其中的单因子alpha 2来对399968创业成长成份股进行了回测（我们自己添加了阶级止损的方法），然后收益率是很可观的。
alpha2：(-1*correlation(rank(delta(log(volume),2)),rank(((close-open)/open)),6))
嗯...就是用-1去乘一个6天的相关系数。
相关系数的x是成交量的rank(delta(log(volume),2)) 也就是当天成交量的对数和2天前的成交量对数的差值的排名~
相关系数的y就是rank(((close-open)/open))，收盘价减去开盘价的差去除以开盘价的一个排名~
（我知道这很拗口而且也神难懂，所以我们就有了文末的亮点~）
代码方面：
alpha：
每天初始化：
买卖：
最后收益图：
亮点：
我们Ricequant已经把其中的60个Alpha写成了一个demo，我们已经把alpha都写进去了，每一个alpha都可以独立使用，但是我们鼓励大家去使用这些Alpha去做一个组合。
比如说：
alpha 1和alpha 40去做一个组合，经过各自的回测，我希望看看在alpha 1与alpha 40的权重比设置为30%和70%的情况，会是怎么样的呢？
对alpha值进行计算获得一个新的alpha也是可以的。
使用方法：
在before trading 中设置alpha_use=alpha.alpha002()的时候更改后面数字的部分就可以使用不同的alpha，但是注意不同的alpha返回的数值可能是NaN或者是负数，要另作处理呢。
有基础的同学如果使用多因子的话，就要自己手动去增加多个alpha_use然后去计算结果根据自己的方法去回测啦~
最后放上代码地址，快来试试吧~：
@量化钢铁侠 @我的兄弟叫弥勒 @啊咪老师 @绝对可怜的小孩 @梧桐居士2010 @量化小王子 @量化小兵sss @漪漪 @饕餮海