remove internal doc

doc/alpha-mind work flow.md

-# Alpha - Mind Work Flow (version 0.1.0)
-
-
-## 数据表说明
-
-* ``factors``：因子数据表；
-* ``halt_list``：停牌信息；
-* ``index_components``：指数成分信息；
-* ``market``：行情数据；
-* ``risk_exposure``：风险因子暴露；
-* ``risk_cov_day``：风险模型协方差矩阵，``day``模型；
-* ``risk_cov_short``：风险模型协方差矩阵，``short``模型；
-* ``risk_cov_long``：风险模型协方差矩阵，``long``模型；
-* ``specific_risk_day``：风险模型特质收益，``day``模型；
-* ``specific_risk_short``：风险模型特质收益，``short``模型；
-* ``specific_risk_long``：风险模型特质收益，``long``模型；
-* ``risk_return``：风险因子收益；
-* ``specific_return``：特质收益；
-* ``universe``：股票池。
-
-
-## 输入
-
-### a. 测试已入库因子
-
-* 交易日(``date``): 类型为``str``，格式：``YYYY-MM-DD``；
-* 交易证券代码(``codes``)：类型为``list``，大小 $n \times 1$；
-* 因子名称(``factor_names``): 类型为``list``, 大小为 $k \times 1$；
-* 风险模型(``risk_model``)：类型为``str``，可选为：``day``、``short``以及``long``；
-* 基准指数(``benchmark``)：用于计算超额收益，类型为``str``，例如：``zz500``代表中证500指数；
-* 延迟(``delay``)：使用多少天以后的收益计算，默认为1；
-* 期限(``horizon``)：在延迟``delay``天后，使用累积多少天的收益，默认为1。
-
-
-### b. 测试新因子
-
-* 交易证券代码(``codes``)：类型为``list``，大小 $n \times 1$;
-* 因子数据(``factor_data``)：类型为二维数组，大小 $n \times k$;
-* 风险模型(``risk_model``)：类型为``str``，可选为：``day``、``short``以及``long``;
-* 基准指数(``benchmark``)：用于计算超额收益，类型为``str``，例如：``zz500``代表中证500指数；
-* 延迟(``delay``)：使用多少天以后的收益计算，默认为1；
-* 期限(``horizon``)：在延迟``delay``天后，使用累积多少天的收益，默认为1。
-
-## 获取因子数据
-
-### a. 测试已入库因子
-
-按照``factor_names``从``factors``获取因子数据$Y$。
-
-### b. 测试新因子
-
-使用``factor_data``组成因子数据$Y$。
-
-## 风险中性化
-
-从``risk_exposure``中取出对应的风险因子暴露，对$Y$做中性化，得到$\bar Y$
-
-## 计算预期收益
-
-根据$\bar Y$计算得到预期收益$r$。
-
-## 计算股票协方差矩阵
-
-根据对应的``risk_model``，从``risk_cov_*``表中取出对应的风险因子协方差矩阵，根据对应的``risk_exposure``以及``specific_risk_*``计算得到股票协方差矩阵$C$：
-
-$$ C = E^T \times RC \times E + SR $$
-
-其中:
-
-* $E$为股票的``risk_exposure``;
-* $RC$为风险因子的协方差矩阵；
-* $SR$为股票的``specific_risk``。
-
-## 计算组合
-
-根据预期收益$r$和预期协方差矩阵$C$，计算最优组合$\omega$

doc/多因子回顾（公募篇）.md

-# 策略描述
-
-## 当前策略概述
-
-概述：目前，我们的Alpha策略基于多因子模型框架，以线性模型为基础，以少数近期内表现优秀的基本面或技术面因子作为选股因子，多维度中性化，并经过优化处理后，产生持股权重，以买入持有的方式，以一固定周期进行调整操作；在买入股票的同时，对冲基准所对应的股指期货，以期获得较稳定的超额收益；
-
-表现基准：中证500指数；
-
-选股范围：中证500指数成分股；
-
-选股数量：100只股票左右；
-
-单只股票最大权重：约为1%；
-
-调仓频率：2周；
-
-中性化维度：行业中性化，市值中性化，市场中性化；
-
-策略起始时间：2016年12月；
-
-## 策略改进记录
-
-2017年5月中旬，我们对Alpha策略的进行了较大的升级和变更，为了平稳过渡策略升级以及提升超额收益稳定性，我们将原有的“大股票池子”（约为2000只股票）变更为指数成分股（500只股票）。此次升级的效果比较符合预期，升级后的策略减少了在部分风险因子上的暴露度，降低了超额收益的波动；
-
-这次改动产生的副作用是在5月中下旬的一次调仓中，产生了较高的换手。但是我们估计，这种副作用是一次性的，不会持续，对业绩表现的影响不大。从我们后期跟踪来看，之后的调仓，双边换手都控制在20%左右，不会造成很大的交易难度。
-
-# 业绩回顾
-
-自2016年12月开始策略，截至2017年6月9日，Alpha策略相对于中证500指数的超额收益率约为4.61%，策略的月胜率为71.4%。其中，自2017年5月中旬策略升级以来，实现超额收益约1.97%，
-
-![累积超额收益](累积超额收益.png)
-
-# 未来计划
-
-我们计划在未来进一步目前的多因子模型进行改进，包括但不限于以下列举内容：
-- 增加风险因子，改进风险模型，以期更好地控制风险；
-
-  现阶段，风险因子中风格因子偏少，不利于超额收益预测的精细化。未来我们将引入更多的风格因子作为风险刻画的手段。
-
-
-- 扩展选股范围，争取对于单位风险，实现更大的超额收益；
-
-  5月份升级策略以来，新的择股标准确实起到了降低超额收益波动的作用，这符合我们的预期。同时我们在回测中观察到，如果将新择股方案施加到“大股票池子”中，在并不显著增加波动的情况下，超额收益相对于当前方案更有优势。我们将持续跟踪这一现象，待时机成熟时，将考虑重新回归“大股票池子”轨道。
-
-
-- 不断开发研究新的因子，更快更准确地捕捉市场信号；
-
-  我们仍然在扩大在库因子的规模，同时做到因子表现的日级监控，月级回顾，力争更加快速准确的捕捉到市场风格的切换。