之前认为这些复杂的策略无法在果仁上回测，现在发现其实是可以做到的

只考虑三个简单的因子：总市值、20日换手率，60日涨幅

作为基准的等权加权综合因子：SRankScore(总市值,0,默认股票池,0)+SRankScore(20日换手率,0,默认股票池,0)+SRankScore(60日涨幅,0,默认股票池,0)

年因子动量因子：IF(SRankIC(总市值,0,250,默认股票池,0)>0,1,0)*SRankScore(总市值,0,默认股票池,0)+IF(SRankIC(20日换手率,0,250,默认股票池,0)>0,1,0)*SRankScore(20日换手率,0,默认股票池,0)+IF(SRankIC(60日涨幅,0,250,默认股票池,0)>0,1,0)*SRankScore(60日涨幅,0,默认股票池,0)

月因子动量因子：IF(SRankIC(总市值,0,20,默认股票池,0)>0,1,0)*SRankScore(总市值,0,默认股票池,0)+IF(SRankIC(20日换手率,0,20,默认股票池,0)>0,1,0)*SRankScore(20日换手率,0,默认股票池,0)+IF(SRankIC(60日涨幅,0,20,默认股票池,0)>0,1,0)*SRankScore(60日涨幅,0,默认股票池,0)

根据至今为此的IC值动态调参的综合因子：SRankIC(总市值,0,0,默认股票池,0)*SRankScore(总市值,0,默认股票池,0)+SRankIC(20日换手率,0,(Year()-2007)*240+DayY(0)-21,默认股票池,0)*SRankScore(20日换手率,0,默认股票池,0)+SRankIC(60日涨幅,0,(Year()-2007)*240+DayY(0)-61,默认股票池,0)*SRankScore(60日涨幅,0,默认股票池,0)

.

“默认股票池”剔除了涨跌停、ST和上市不足60日的股票

选择240是发现取更高的值会导致60日涨幅/20日换手率的RankIC出现大量空值

动态调参因子中参数可以对系数进行更复杂的处理，以检验自己调参方式的样本外（而不是样本内）效果

结果算下来发现换来换去还不如直接等权

尝试了各种方法改善效果，比如反向加权，中性化，叠加等等，但都失败了

所以相比幻想“肯定是因为XXX才XXX"（比如”肯定是因为没有根据最新的数据调整参数策略才失效“乃至更荒谬的“肯定是因为它没有公开性别所以它肯定是女性才会这样”），不如进行实证检验其有效性

当然，还是有强于简单等权的办法的，但真能比简单的IC加权调参方法更好的方法其实不那么容易……

https://www.htsec.com/jfimg/colimg/upload/20200323/26211584942439271.pdf

比如非线性化还是有些潜力的，但这就不只是调权重那么简单的事情了

相比用各种复杂的方式拟合多头表现不佳的因子，类似此前提到的，利用类似ReLU的函数干脆无视多头端，只利用其空头端的排除效果，其实还好一些

顺带一提，就连中证500里面都是卷成这样，用上这些各种办法也就为了提升平均不到1%的样本内年化超额，所以想在大盘股和这些量化机构拼，还不如在小盘玩比较好