首先，你需要了解什么是仓位。仓位决定了你要买入或卖出多少股票。
- 多头仓位 (Long Position)： 这意味着你买入股票，并期望它的价格会上涨。
- 空头仓位 (Short Position)： 这意味着你卖出股票，并期望它的价格会下跌。这是一种做空的策略，即使在熊市中也有可能盈利。
在模拟过程中，系统会为每一只股票计算一个仓位，来决定是买入还是卖出。
表达式计算
这是模拟的第一步，系统会运行你输入的公式。
-
rank()函数：rank()的作用是给一堆数值排序，并把它们均匀地分配在 0 到 1 之间。举个例子，假设有 5 只股票，它们的
-returns值各不相同。rank()函数会给它们排名，然后把排名结果转换为 0、0.25、0.5、0.75、1 这五个值。-returns值最大的股票，rank()结果是 1。-returns值最小的股票，rank()结果是 0。- 中间的股票则根据大小得到相应的分数。
在您的例子中，公式
rank(-returns)就是将每只股票的“昨天回报率的反向值”进行排名。这意味着，昨天跌得最惨的股票，会得到最高的rank()值（最接近 1）；而昨天涨得最多的股票，会得到最低的rank()值（最接近 0）。
市场中性化 (Market Neutralization)
这是非常关键的一步，它让你的投资策略更加稳健。
-
为什么要中性化？ 股票的价格通常会受到整个大盘走势的影响。如果你只买入（做多）股票，那么当市场整体下跌时，你的所有股票可能都会跟着跌，这会带来很大的风险。
-
什么是中性化？ 中性化的目的就是消除大盘对你策略的影响。平台通过构建一个“多头-空头”组合来实现中性化，也就是一半仓位做多，另一半仓位做空。
这样一来，无论市场整体是涨是跌，你的策略都能保持稳定。如果市场大涨，你的多头仓位会盈利，但空头仓位可能会亏损，二者可以对冲；如果市场大跌，你的空头仓位会盈利，从而弥补多头仓位的损失。
-
在平台上，你的投资策略如何被执行和优化的？
市场中性化：多头-空头组合的威力 ⚖️
你可能会发现，无论你的策略是预测股价上涨（多头）还是下跌（空头），如果只持有单一方向的仓位，你的投资组合都很难摆脱整个大盘的影响。
- 只做多（Long-only）的问题： 假设你预测10只股票都会上涨，并买入了它们。如果当天大盘突然暴跌，即使你的预测是正确的，这10只股票很可能还是会跟着市场一起下跌，导致你亏钱。这种风险叫做市场风险。
为了解决这个问题，平台引入了市场中性化的概念。核心思想是：同时做多和做空，让多头仓位的总价值等于空头仓位的总价值。
为什么这么做？ 这么做的好处是，你的投资组合不再受大盘整体涨跌的影响，而只取决于你选股的准确性。
- 如果大盘上涨，你的多头仓位会赚更多钱，但空头仓位会亏一些钱，两者对冲后，你的净收益仍然是正的。
- 如果大盘下跌，你的空头仓位会赚钱，弥补了多头仓位的损失，你的净收益可能仍然是正的。
这就像是你在玩一个只与你个人技巧相关的游戏，而不是受限于整个市场的波动。
仓位分配的三个步骤：
平台每天都会通过三个主要步骤来为你的投资策略分配仓位：
- 居中归零（Centered around 0）： 首先，系统会计算出你所有股票的 Alpha 值（比如
-returns排名后得到的 0 到 1 的值），然后减去它们的平均值。这样做的目的是让所有股票的 Alpha 值围绕 0 居中，正值代表做多，负值代表做空。 - 标准化权重（Normalized weights）： 接下来，系统会将这些居中后的值进行处理，确保所有值的绝对值加起来等于 1。这样就得到了每只股票的“权重”，方便后续计算。
- 分配资金（Assign capital）： 最后，系统会根据这些权重来分配你的总投资资金（比如 2000 万美元），决定每只股票具体要买入或卖出多少。
通过这三个步骤，你的 Alpha 模型每天都会得到一个多空平衡的仓位列表，从而实现市场中性化。
衰减（Decay）：控制仓位变化的速度 🍂
有时，你的 Alpha 策略可能每天都会产生非常大的仓位变化。比如，
rank(-returns)策略可能需要每天都大幅调整多头和空头仓位，以适应最新的价格反转。为什么这会是个问题？ 过于频繁和剧烈的仓位变动会带来两个问题：
- 交易成本： 频繁买卖会产生高昂的交易佣金和滑点（实际成交价与预期价格的偏差），侵蚀你的利润。
- 稳定性： 过于激进的策略可能在短期内表现良好，但缺乏稳定性，容易在特定市场环境下遭遇重大亏损。
为了解决这个问题，我们可以引入衰减（Decay）。
- 什么是衰减？ 衰减是一种平滑仓位变化的方法，它将你过去几天的仓位也考虑进来，而不是只看今天的数据。
- 如何工作？ 举例来说，如果你设置了 3 天的衰减，那么今天的最终仓位不是完全由今天的 Alpha 值决定，而是由今天、昨天和大前天的 Alpha 值加权平均而来。今天的数据权重最高，昨天次之，大前天最低。
衰减公式：
Decay_linear(x,n) = (x[今天]*n + x[昨天]*(n-1) + ... + x[n天前]*1) / (n + (n-1) + ... + 1)优点与缺点：
- 优点： 衰减能让你的投资组合更加稳定，减少不必要的交易成本，并平滑掉一些短期噪声。
- 缺点： 衰减会削弱你信号的实时性。因为今天的仓位中包含了过去几天的数据，所以对今天最新信号的反应会变得迟钝。
通常，衰减的参数会设置在 10 以下，以在信号强度和仓位稳定性之间取得平衡。