yuxuanhui
2.3 KiB
2.3 KiB
本地相关性与组合增量
先分清三种相关性
| 对象 | 本地可取得什么 | 不能据此推断 |
|---|---|---|
| 候选互相关 | 自己拿到的两条候选 PnL | 它们与生产全池的最大相关 |
| Self-Correlation | 个人已提交池与候选的同口径 PnL | 任意本地相关都等于平台 SC |
| Production Correlation | 平台检查结果；本地可能只有不完整缓存 | 可以通过个人 PnL 完全复现 PC |
8 月帖子从 /alphas/{id}/recordsets/daily-pnl 取 date/pnl，截取 2020-01-01 后交易日，使用 Pearson；作者报告 6 对样本与平台最大误差 0.00004。这个样本规模与起始日不是永久口径保证。本次只读该研究，没有对你的 Alpha/PnL 重算。来源：把 Self-Correlation 搬到本地：用 daily-pnl 精确复现平台口径（实测最大误差 0.00004）（发帖 2026-08-14，社区经验）。
实现前需要校准的事项（建议）
- 识别 recordset 的列名、频率与是否为日 PnL；累计 PnL 若误当日 PnL，会产生错误相关性。不能仅凭字段名猜测是否需差分。
- 对齐交易日，明确缺失、停牌、零收益、窗口起止和最小重叠样本；不把缺失全部补零。
- 同一批取数与平台抽查保持时点相近；记录已提交池的变化、退役/隐藏状态和真实比较范围。
- 选不同类型/地区/相关性水平的样本做平台结果校准，保存差值；即使小样本误差很小，也只声明该范围一致。
- 本地 SC 筛选之后仍需要平台 PC 与正式检查；不要用本地缓存规避限流或替代终验。
从“单条好”走向“组合多赚了什么”
先比较已有组合、加入候选、替换同族旧候选三种情景，在相同时段、缩放与成本下看收益、回撤、相关性和区域分布。候选单独 Sharpe 高，不保证加入后更好。
可将高相关候选构成冲突图，在各同族/相关簇内选择代表；但不同阈值、样本期和目标函数会改变结果。最大独立集等算法是候选筛选工具，不是收益保证。对不同数据集也计算实际 PnL 相关，不能凭名称认定正交。
Osmosis 的短滚动窗口更容易波动，详见 组合与 Osmosis。