本期编辑：Thomas

● 北京大学概率与统计本科，北京大学智能系硕士在读。

● 主要研究方向为基于深度学习的序列生成模型和多空股票策略(多因子模型为主)。

● 希望以后可以为大家分享自己的研究成果，以及和大家一起阅读一些相关的学术论文，开拓思维，一起进步。

原文连接：[【多因子系列】之新手必看 | 量化交易七宗罪](https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzAxNTc0Mjg0Mg%3D%3D%26mid%3D2653283543%26idx%3D1%26sn%3Df7376931ac

摘要

传统多因子模型换仓频率相对较低，所用因子以基本面因子、低频量价因子为主，近年来表现相对一般，国内私募越来越重视基于高频量价数据的短线策略研究，在风格切换频繁的市场往往能取得不错的超额收益。本文将从高频数据的角度探究市场的日内微观结构，寻找符合经济学逻辑的有价值的因子。

高频数据主要可以分成两大类，快照数据和逐笔数据。快照数据又称tick行情数据，展示的是3秒一次的最新市场行情，包含的数据包括tick级的量价数据以及盘口委托挂单数据，tick级量价数据能够精准刻画股票日内价格波动，能够展现价格、成交量及成交笔数在时序上的分布和变化，盘口挂单数据能够体现不同时刻投资者的买入卖出意愿

本报告导读：机器学习寻找的是适宜交易异象的稳定周期频率，并不是寻找特定参数组下的高收益曲线（即参数过拟合）。

摘要

目前获取战胜基准指数的主要途径是从多因子模型角度来考虑的，其本质上都是通过股票间的横向比较来获取超额收益，这也是我们提出T0系列策略的初衷，希望将==个股择时与多因子模型结合==起来，给投资者带来更多思路。

深度学习在图像处理领域更加成熟，其类似于一种图像降维技术，通过提取图像中的特征值对类似图像进行匹配。本文通过深度学习的方法对参数组及胜率的多维空间进行降维，并对其分布形态进行评估，从而确定模型泛化能力。

自2015年5月至2019年5月，相对上证50指数（股票采

摘要

因表达式规划下的价量因子挖掘

多因子模型能够持续改进的核心是持续有效地发现有显著选股能力的因子。基因表达式规划是一种启发式算法，其借鉴生物基因进化的思想，能够通过不断变异与进化来发现更好的解。因此，本报告中我们基于基因表达式规划来挖掘有效的价量因子。

在短周期价量数据构造的因子中，大部分因子选股效果的单调性并不显著，还有很多因子的多头没有超额收益，因此在设置因子有效性筛选指标时，我们结合了因子的ICIR、多头超额收益以及分组收益的单调性，综合考察因子的选股效果，实际挖掘出的因也具有较为单调和显著的选股效果。

基于挖掘因子构建指数增强组合

我们将挖掘得到的周

摘要

本报告从风险和收益两个方面探讨了主题在多因子模型中的应用。

近年来A股市场股票分化较大，不少主题跑出了独立行情，我们认为研究如何将主题纳入传统的多因子模型十分必要。风险方面，当主题成为市场主要波动来源，如果不对其进行约束，可能会增大策略的风险。收益方面，主题的超额收益是独立于传统因子之外的信息源，如果能使用量化的方法获取主题的收益，则可以提升策略的表现。

主题的选取需要满足一定的条件

主题的成分股除了在基本面上有共同的驱动因素外，其涨跌幅的相关性也需要在统计上显著。我们选取了由中证指数公司等机构编制的主题指数和成分股数据，并使用回归的方法计算

研究要点

多因子模型是量化投资领域中最为经典、应用最为广泛的方法体系之一。本文使用改进后的截面回归法，在因子定价逻辑基础上对技术类、预期类、财务类因子的历史收益进行了考察，构建了多因子跟踪体系。

方法介绍

使用逐步回归法提取各类因子的纯收益。

（1）截面回归在使用中面临的最大问题是因子之间的共线性问题，本文采用逐步回归法进行规避。

（2）逐步回归法的含义是，每一步回归中只对单一变量进行回归，即仅估计单一因子的收益率，而每一步回归时将前一步回归的残差项作为这一步回归的因变量。

（3）逐步回归法在实践中100%的规避了共线性问题，而且从逻辑上说，相当

报告目的

系列报告主要专注于对多因子框架进行研究，本报告完成模型的第一步：因子组合的确定。

报告的特点

基于对冲的思想，将基准的因子暴露度加入组合筛选的条件之一，从而减少因子搜索的复杂度。

报告结论

组合的评判标准分为三点：因子暴露度、因子相关强度和因子选个股能力，相关结论如下：

1. 三大股指的市值和股本因子的偏离度均是最高的。中等偏离度的因子包括，换手率、ROE、PE、EPS 因子。偏离度最小的是净利润增长率因子。
2. 相关强度最低的组合为净利润增长率和成交量，换手率和EPS，ROE 和换手率，股本和换手率。
3. 除了换手率因子较强，净利润增长率较弱之外，

摘要

近年来，随着投资者对于因子选股体系研究的深入，选股因子值的处理也在逐渐细化。本文主要对于选股因子的正交进行了讨论。之所以讨论因子的正交是因为在传统的多因子模型中，选取的因子之间往往存在着相关性，而这种相关性并不稳定。因此相关性的存在会复杂因子权重的分配。对于等权分配因子权重的多因子模型，由于因子之间相关性的存在，模型可能实际上对于某一因子有更高的暴露（例如，市值因子）。对于权重优化的模型，相关性的影响可能会更大。因此，本文考虑在构建因子的时候就对于相关性进行剔除从而达到更为可控的因子暴露。

选股因子截面相关性波动较大。以市值因子与反转因子为例，虽然两因子截面相关性长期来看均值较

研究结论

去年底至今，得益于南下资金的注入，以及经济复苏的预期，恒生综指涨幅已超过10%，低估值、高股息的优质港股吸引了全球投资者前来配置，随着沪港通、深港通的相继开放，港股与A股的关系日益紧密，两地投资者可以更加便捷地投资对方的股市，研究因子选股模型在港股的应用能产生直接的投资收益。

我们分别在恒生综指和港股通成分股内进行了7大类23个Alpha因子的有效性检验，和美股类似，估值、盈利、成长因子在港股中都比较显著，IC在3%左右，流动类因子中的Am ountAvg_1 M_3M（过去一个月日均成交额/过去三个月日均成交额）表现优异，特别是在港股通成分股当中，夏普比率最高0.

摘要

自2017年以来，多因子模型中常用的选股因子皆出现了不同程度的波动。因此，因子收益的预测就变得至关重要。

系列前期专题报告《选股因子系列研究(二十)——基于条件期望的因子择时模型》就对于常见选股因子收益的预测进行了初步讨论。模型样本外跟踪至2017年11月底依旧具有较好的表现。

结合模型实际跟踪经验与投资者交流反馈，本报告旨在对于因子择时模型进行改进与简化，希望得到一个易于理解、易于操作同时具有较强扩展性的因子择时模型。

由于需要讨论的内容较多，故而相关内容会在本文与《选股因子系列研究(三十一)——因子择时指标的选择》两篇报告中进行详细讨论。

条件期望因子择时模型2017

核心观点

本报告包含有色金属行业择时和有色金属行业内多因子选股两个模型。择时 模型使用宏观和行业的基本面数据，分为绝对收益和相对收益两种情况。选 股模型为多因子模型针对单一行业的细化研究。

有色金属行业择时模型

利用均值 T 检验的方法得到获取绝对收益的有效择时因子，包括 PMI、消费 者信心指数、城镇可支配收入、M0 同比、社会融资规模、十种有色金属产 销量当月同比、有色金属采矿业主营业务收入同比、有色金属采矿业固定 资产投资完成额同比，择时策略相对基准的年化收益率由 6.18%增加到 7.72%，择时策略的最大回撤为 23.85%，而基准的最大回撤为 82.17%。

核心观点

• 本篇报告中，我们介绍了Thompson Sampling算法，并将其应用于改进的多因子模型。ThompsonSampling算法是在线学习算法的一种，2017年年末，市值因子失效，导致大多数传统多因子模型回撤。我们想要尝试使用在线学习算法，构建可以适应这种风格转变的多因子模型
• 针对沪深300和中证500成分股，选取估值、盈利、成长、动量、反转、波动率、流动性、市值八大类因子建立多因子模型。使用传统多因子模型估计投资组合的未来收益，使用分层抽样方法剔除了行业的影响，单独检测市值因子在历史不同时间段的表现。我们发现，在过去较长的一段时间内，小市值组合一直占据着较为稳定的

核心要点

报告目的

本报告主要对多因子模型的第二步：收益预测进行研究。

报告结论

基于回归模型的日频因子收益率，我们测算了三种收益预测模型：收益移动均值模型，收益加权移动均值模型，以及残差模型。

1）收益移动均值模型：以回归所得的日频因子收益为基础，通过滚动计算其均值作为因子收益预测值，从而得到个股预测收益。从测试情况看，该方法分层能力强且短期数据较有效。

2）收益加权移动均值模型：和收益移动均值模型总体相似，加入衰减系数，越新的数据权重越大。从测试情况看，该方法分层能力更强且对滚动窗口敏感性降低。

3）残差模型：以回归所得的残差收益为基础，通过滚动计算

摘要

自2017年以来，多因子模型中常用的选股因子皆出现了不同程度的波动。因此，因子收益的预测就变得至关重要。系列前期专题报告《选股因子系列研究(二十)——基于条件期望的因子择时模型》就对于常见选股因子收益的预测进行了初步讨论。专题报告《选股因子系列研究(三十)——因子择时模型改进与择时指标库构建》对于因子择时模型进行了改进并对于择时变量库的构建进行了讨论。本文将重点讨论择时变量的筛选以及择时模型的相关扩展应用

可使用套索回归进行择时变量筛选以及因子收益预测

在2016年12月30日至2017年12月29日间，因子择时模型收益为12.3%，基准组合收益为-20.9%。

摘要

多因子模型通常由收益预测和风险控制两部分组成，风险模型中的限制条件可选种类多，常见的有跟踪误差、风险因子敞口、个股权重、行业、风格等，投资者通常根据自身的收益风险需求选择特定的限制条件。本文主要考察因子敞口上限的设定对优化组合的影响。

在风险控制模型中，因子敞口上限的设臵会同时影响优化组合的收益和风险。上限越大，组合超额收益越高；同时回撤和跟踪误差也越大。组合收益风险比的大小，则取决于收益和风险指标的相对增幅。敞口上限对不同标的指数优化组合超额收益的影响存在差异，敞口上限增加，沪深300优化组合超额收益增幅相对较小，而中证500优化组合超额收益增幅则相对较大。

沪深300指数

摘要

多因子模型通常由收益预测和风险控制两部分组成，风险模型中的限制条件可选种类多，常见的有跟踪误差、风险因子敞口、个股权重、行业、风格等，投资者通常根据自身的收益风险需求选择特定的限制条件。

本文主要考察因子敞口上限的设定对优化组合的影响。

在风险控制模型中，因子敞口上限的设置会同时影响优化组合的收益和风险

上限越大，组合超额收益越高；同时回撤和跟踪误差也越大。组合收益风险比的大小，则取决于收益和风险指标的相对增幅。敞口上限对不同标的指数优化组合超额收益的影响存在差异，敞口上限增加，沪深300优化组合超额收益增幅相对较小，而中证500优化组合超额收益增幅则相对较大

摘要

本篇报告针对前期发布的6篇行业轮动报告进行汇总，方便投资者查阅。我们以多因子模型为框架，分析不同类型的因子在行业轮动策略中的作用，并对因子进行整合处理给出行业轮动建议。目前已有的报告分别为：《行业预期数据的应用分析》、《行业历史基本面和价格数据的应用分析》、《龙头股效应在行业轮动上的应用》、《系统风险集中度在行业轮动策略中的应用》、《行业轮动在指数增强上的应用（沪深300）》、《行业轮动在指数增强上的应用（中证500）》。报告覆盖了预期基本面、历史基本面、量价以及情绪面的部分因子。

从预期基本面数据来看，投资者有两种类型的因子可以选择。分别是全行业的预期数据，以及龙头股构建的预

摘要

事件驱动策略的因子化。研究发现，分析师推荐、机构调研、限售股解禁等事件具有常见选股因子不能解释的超额收益。在多因子模型中引入事件因子，能够显著提升收益预测模型的精度与多因子组合的表现。

事件驱动策略因子化的条件

在现有的事件驱动策略因子化框架下，具有不能被常见选股因子解释的超额收益，超额收益对时间不敏感，发生股票数量较多、在时间序列上分布均匀的事件，在因子化的过程中，具有更好的效果。

条件1：超额收益

事件驱动策略的评估往往以宽基指数为基准。超额收益既可能源于事件，也可能源于风格或其他因子。在多因子框架下，风格或其它因素的影响已经考虑在内，因此需要不能被解释的

摘要

新版因子测试框架：作为量化选股多因子模型搭建过程中最重要的一部分，如何找到具有逻辑意义，并且能够有效区分个股和一定收益预测能力的因子，是我们本篇报告探讨的主要内容。我们知道因子的信息会随着持有期增长而衰减，尤其是市场相关因子。目前多数因子测试方法以月度为频率调仓，无法直观反映因子的衰减情况。我们采用的方法是，每天进行测试，对当天的每一只股票，计算其后一段时间的收益。这样做能直观地反映因子的衰减情况，也可以利用到更多的因子信息，得到平滑的数据，而不会受固定月初或者月末调仓可能带来的突发情况影响。除此之外，日频计算可以帮助我们更好的对组合在因子的风险暴露做到实时的监控。在此基础上根据

摘要

文献来源：Dopfel, Frederick E., and Ashley Lester. "Optimal blending of smart beta and multifactor portfolios." The Journal of Portfolio Management 44.4 (2018): 93-105.

推荐原因：随着机构投资者增加对smart beta基金的配置，以及多因子投资方法带来的复杂性提升，投资者们需要一个smart beta产品组合的配置指引。在设计一个多样化和高效的投资组合时，需考虑到因子的偶发性敞口和特殊敞口。因此，本文开发了一个标

/wiki/static/upload/9c/9c48c146-4bd4-4189-993b-ef5abdd8bb9b.pdf

\

问题

如图，我挑出来的多因子在 StockRanker 的训练效果如下，还有NDCG，问题来了，怎么寻找优化的方向呢？怎么评价当前的因子组合合理有效呢？感谢大佬，多谢赐教。

报告目的

系列报告主要专注于对多因子框架进行研究，本报告完成模型的第一步：因子组合的确定。

报告特点

基于对冲的思想，将基准的因子暴露度加入组合筛选的条件之一，从而减少因子搜索的复杂度。

报告结论

组合的评判标准分为三点：因子暴露度、因子相关强度和因子选个股能力，相关结论如下：

1）三大股指的市值和股本因子的偏离度均是最高的。中等偏离度的因子包括，换手率、ROE、PE、EPS因子。偏离度最小的是净利润增长率因子。

2）相关强度最低的组合为净利润增长率和成交量，换手率和EPS，ROE和换手率，股本和换手率。

3）除了换手率因子较强，净利润增长率较弱之外，其他因子的选股

模型板块包含了AI算法模型，多因子模型等一些研究内容。

摘要

资产定价理论保证了 SDF 和 mean-variance frontier 的等价性。机器学习在估计 SDF 方面或大有可为。

前文《FF3们背后的资产定价理论》介绍了 Stochastic Discount Factor（SDF）和多因子模型之间的等价关系。今天我们再来说说 SDF 和 mean-variance (efficient) frontier 的等价性。

由于相关系数的取值范围是 -1 到 +