# ILLQ因子 By [KeepLearning](https://paragraph.com/@keeplearning-2) · 2024-01-04 --- 1，pct过滤0.6/0.9的话，净值降低。0.8感觉最优 2，流动性差，喜欢过去跌的多的币，流动性好，喜欢过去涨的多的币。所以对于BWB3来说，都不喜欢涨的多的币，所以用pct过滤掉前20%的币效果很好。也就是说，在币圈，大市值喜欢趋势特征，小市值呈现反转特性。小市值跌多了容易涨，大市值跌多了还是跌。那我就做多小市值且跌多了的币，做空大市值且跌多了的币。那么纯多头的话，我就挑选小市值（低流动性也行）+跌的最多的币种。 看邢大的视频看看怎么得出来的。 一些测试结论： 1， factor\_list **\=** \[ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。 ('PctChange', True, 7, 0.5), ('LowPrice', True, 7, 1), \] 无过滤 1D 累积净值 12.11 年化收益 152.71% 最大回撤 -14.85% 2， factor\_list = \[ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。 ('PctChange', True, 7, 1), ('LowPrice', True, 7, 1), \] 无过滤 1D 累积净值 9.45 年化收益 130.43% 最大回撤 -15.62% 3， factor\_list = \[ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。 ('LowPrice', True, 7, 1), \] pct change过滤 0.8 1D 累积净值 12.75 年化收益 157.60% 最大回撤 -19.35% 4, ('ILLQStd', True, 7, 1),pct change过滤 0.8 1D 累积净值 17.08 年化收益 187.16% 最大回撤 -13.09% 对比3和4，加入low price因子感觉是负收益。 5， factor\_list = \[ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。 ('LowPrice', True, 7, 1), ('PctChange', True, 7, 1), \] 无过滤 1D 纯多头 累积净值 84.96 年化收益 421.27% 最大回撤 -71.65% 6， factor\_list = \[ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。 ('LowPrice', True, 7, 1), 无过滤 1D 纯多头 累积净值 47.62 年化收益 320.34% 最大回撤 -72.07% 7, factor\_list = \[ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。 ('LowPrice', True, 7, 1), pct过滤0.8 1D 纯多头 累积净值 63.75 年化收益 368.49% 最大回撤 -71.64% 8， factor\_list = \[ ('ILLQStd', True, 7, 1), # 因子名（和factors文件中相同），排序方式，参数，权重。pct过滤0.8 1D 纯多头 累积净值 114.03 年化收益 481.54% 最大回撤 -67.42% 对比纯多头策略，还是单个因子ILLQStd最好。 9， \[('NetTaBuyStd', True, 7, 1)\] pct过滤0.8 1D 累积净值 12.22 年化收益 153.54% 最大回撤 -13.97% 10， \[('NetTaBuyStd', True, 30, 1)\] pct过滤0.8 1D 累积净值 12.87 年化收益 158.50% 最大回撤 -13.27% 思考因子改进的过程，改进后的因子包含基础因子的信息，但是包含更多的信息。比如成交额，然后ILLQ，然后净流入 11， \[('NetTaBuyStd', True, 30, 1)\] pct过滤0.8 1D 纯多头 ---- 也还可以。 累积净值 89.24 年化收益 430.89% 最大回撤 -68.78% --- *Originally published on [KeepLearning](https://paragraph.com/@keeplearning-2/illq)*