传统用超额收益衡量事件效应大小的方法容易受行业和市值风格影响，错误的识别出一些“伪事件”，我们建议采用横截面回归方式剔除行业和市值影响计算事件导致的异常收益，再配合秩检验来识别能真正贡献alpha的事件

如果策略组合对各个风险因子的主动暴露控制为零，那么用中性化后的alpha因子预测残差收益和预测

2016年，周期股崛起，市场风格发生明显切换，各类alpha因子的相对强弱态势也发生剧烈变化。我们认为周期股是否会持续强势有待讨论，但随着IPO增速、市场监管加强以及量化产品规模的扩张，传统偏小盘、偏技术的低资金容量alpha因子的效用会减弱，估值、盈利等基本面因子的作用会相对增强，市场日趋成熟。因

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臵，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

银行的金融资产占比较大，运营模式独特，股票价格和其他行业指数相关性低，通过全市场测试选出的alpha因子可能在银行股内并不适用，有必要单独建模。而且银行股在沪深300和上证50指数里权重极高，做好银行行业内选股对指数增强效果的提升十分明显

长期来看，EP2TTM、BPTTM、NPL 、NPC、CC

如果用因子打分分组后的多空组合收益衡量一个月收益反转因子的表现，我们发现反转因子在经历了2015年强势后，从2016.04开始衰弱，但多空组合收益整体保持为正，还未到失效阶段。不过如果把多空组合拆开，分别看多头组合和空头组合相对市场的超额收益，会发现空头组合一直持续跑输市场，而多头组合已经有一年时间

抽象出了动态情景Alpha模型（DCAM）的一般框架，DCAM是传统的静态模型的层次化叠加，当只有一个情景且该情景只有一个情景区间时DCAM退化为静态模型

衡量一个情景因子好坏的主要标准就是这个情景下不同区间的alpha模型的差异化程度，即该情景下不同区间股票预期收益的影响因素及其重要性是否差异明

ROE是价值投资者考察上市公司盈利能力的一个重要指标，在美国市场上有效性很强，但在A股基本没有选股效果，造成“A股不看公司盈利”的印象。但如果ROE的分子换成一年后的未来盈利，ROE的选股能力将显著提高，说明历史ROE选股无效的原因主要在于其对公司未来盈利的预测作用太弱，准确的盈利预测可以为投资者带

风险模型的作用主要有三个：识别风险、估计股票收益率协方差矩阵和组合绩效分析。

如果只是估算协方差矩阵做组合优化，可以考虑用压缩估计量这样的统计方法。本报告提供的结构化因子模型，能在一套体系下实现三个功能，效果在理论上和实务上都比纯统计模型更佳

DFQ-2018风险模型包括29个行业风险因子（中信

由于时间和精力的有限性，投资者更倾向于交易自己关注的股票，涨跌幅排行榜上的股票更容易进入投资者视野，由于做空约束，这类股票更倾向于被买入，导致股价高估，未来收益率较低。

以搜狗指数作为代理变量，我们发现股票单日涨跌幅和关注度存在明显的U型关系，只有涨幅或者跌幅特别靠前的股票才会有明显的关注度提升，

尾部相关系数是指二维分布中尾部数据的相关系数。反映了两个资产在极端情况下同涨或同跌的可能性。尾部相关系数分为两种，上尾相关系数和下尾相关系数

我们基于copula方法来度量股票和市场之间的上下尾部相关系数，从结果看，上下尾部相关系数原始值和行业市值中性化后因子值在中证全指范围内均有着很强的选股效果

绩效归因分析主要是将投资组合的业绩与基准业绩相比较，并将超越基准部分的收益分解成若干影响投资决策的因素。投资组合的绩效归因分析主要有两大类：基于收益率的绩效归因和基于组合持仓的绩效归

基于收益率的绩效归因主要有T-M 模型、H-M 模型、C-L模型、TM-FF3 、HM-FF3和CL-FF3模型。

从2013年开始，券商股在沪深300成分股中的总权重就始终处在8%以上，最高的时候甚至能达到12%，对于指数有着不低的影响。此外，券商指数与其他行业指数走势的同步率较低，说明券商行业有其独特之处。因此，在构建沪深300增强组合的时候，若能对于券商、银行等权重占比较大的独特行业进行独立的分块建模，理论

在某个时点上的股票的横截面市值基本上都可以被公司的财务指标和市场因素所解释，也就是说市值解释模型依据了市场上股票的情况，给出了每个公司当期投资者认为的内生市场价值，而解释模型的残差部分，也就是当前市值和内生市值的差，代表了不可解释的部分。残差值越大，代表公司当前的市值向上偏离内生市值越多，那么公司的

因子选股研究通常采用月频调仓模式，但是Alpha因子的效用并非在未来一个月均匀分布，而是呈现逐步衰减的形态，也就是说我们从月初获得的alpha要比月末获得的alpha高，持仓一个月不动的调仓方式在当月后半段资金利用效率较低，有必要在alpha衰退之前调仓

子的alpha衰减速度可以用其IC的半衰期

研究结论

流行差的股票有横截面溢价，但非流行性本身不能被直接观测，其一方面表示交易者若想立即成交必须对股价做出的让步，另一方面是单位主动订单对股价的冲击

我们参考学术界的研究和投资界的习惯，选择了相对买卖价差（Percent Quoted Spread）、实际交易价差（Perce

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果

相同比例的主动订单对股价向上的冲击和向下的冲击可能不太一样，向上冲击较大的股票表现出上涨容易、下跌困难的特征，向下冲击较大的股票表现出下跌容易、上涨困难的特征。我们基于股票5分钟的资金流和行情数据提出了价格冲击偏差的概念，用于捕捉这一特征

价格冲击偏差在横截面上有很好的选股能力，价格冲击偏差较小的

随着技术的进步和竞争的加剧，越来越多的投资已经开始关注日内高频数据，高频数据一般指分笔数据（Tick）、快照数据（Quote）以及衍生出来的分钟数据、资金流量数据等，本文涉及主要是日内5分钟行情数据

本文主要想考察股票的日内价格行为特征和股票未来收益率之间关系，度量股票日内价格行为特征最简单的方法

传统多因子Alpha模型大多是在全市场范围内对股票一视同仁地进行打分评价，忽视了个股之间的基本面情况差异和选股因子在不同风格股票池里的适用性，能够捕捉不同股票之间差异性的动态情景模型(Dynamic Contextual Alpha Model)应运而生, 并且在海外市场获得了优异的业绩

本文借鉴

A股呈现明显的市值效应和行业效应，不少选股因子的alpha也大部分来源于此。如果采用因子的原始数据和股票收益率做相关性检验，选出的股票会明显受到市场风格因素的影响，我们有必要从因子原始数据中剥离这些因素，检验因子是否能贡献行业、风格因素之外的alpha，本报告用新的方法对估值、成长、技术、风险四类因

在本篇中，我们借鉴统计套利的思想，提出了价差偏离度的概念，试图捕捉股票相对其同类型股票的高估低估程度。价差偏离度因子本质上是一个相对意义上的反转因子，价差偏离度低，近期跑输其同类股票，股票相对处于低位，有向上回复的动力，有正的预期超额收益，价差偏离度越高，股票处于相对高位，后期有回调的压力

价差偏

研究结论

国内量化发展已有十余年，各家机构投资者的Alpha因子库也随之扩大，这时会面临两个问题：alpha信息源的重叠与因子间相关性处理。本报告将提供这两个问题的解决处理方法，

我们基于Fama-MacBeth回归设计了一套Alpha因子筛选流程，剔除信息重复的因子。在实证中，我们把11

前期的专题报告《投机、交易行为与股票收益（上）》中我们提出利用特质波动率、特异度、价格时滞、市值调整换手四个交易行为类指标可变相度量个股被投机的程度，进一步分析我们发现特异度、和市值调整换手两个指标几乎可以包含四个交易行为类指标的所有有效信

通过加总特异度、市值调整换手的信息得到一个的反应个股被投

多因子选股模型的整个投资流程包括alpha模型的构建，风险模型的构建，交易成本模型的构建，投资组合优化过程以及组合业绩的归因分析。从国内市场上已公开的量化模型看，采取的大多是打分法选股或者行业、市值分层构建组合，这种组合构建方式缺乏对风险和alpha的精确控制，最终组合可能偏离预定的投资目标

多因