我有些想法但是我懒得去跑回测。
大致流程上可以把大量随机量化指标丢入机器学习，让其分析出全市场主要指数在高维空间中的相关性。这些指数必然在空间中形成团块聚集（比如sp500和NASDAQ总是非常接近）
（这里的麻烦在于jointquant有回测时间限制，券商的量化接口有数据但要自己拼ML环境，自己本地跑没有数据orz）
对各个团块提取“主成分”或者简单粗暴直接排序找长期涨幅动能最强的。
对各团块最强品种进行风险平价计算，然后持有全部不为0的标的就是标准风险平价模型，
对各个最强品种进行2或3sigma外反向多空就是统计套利，
对各个最强品种选当期最强进行轮动就是所谓核心资产轮动。
这个搞起来有点麻烦，但最近有了chatgpt或许会容易点。
比如用2022年12月的数据生成相关性团块，选出最强，进行轮动，到2023年6月再跑一次相关性，再选一次最强，继续轮动这样。
哪位大佬有空写出来？
2023-06-02
雪球
