研究结论

前言：本篇报告为东吴金工动量因子系列研究的第二篇，延续并拓展了上一篇报告《成交量对动量因子的修正》的研究理念，按照交易者类型对成交量做了进一步细分，考察在不同交易者结构下，动量因子表现的强弱。

A股市场的交易者结构：按照挂单金额的大小，可以将交易者分为机构、大户、中户和散户。在A股市场

核心观点

目的

多因子模型体系包括alpha模型、风险模型、成本控制模型、组合优化模型。组合优化模型是最终将前三个模型整合为一体，得到最优结果。本期报告的主要目的是对组合优化模型进行详细的探讨，对不同的限制条件影响组合表现的规律性进行一定程度的揭示

lamda系数

lamda系数对组合表现的

大小盘轮动效应明显，把握轮动节奏能有效提升策略收益

2010年6月以来，以沪深300为代理变量的大盘指数和以创业板指为代理变量的小盘指数的相对强弱关系发生了多次切换，在过去十年时间，大盘占优、小盘占优、大小盘均衡三种状态之间发生了多次来回切换。假如能够完美捕捉每月大小盘相对强弱变化，在完美

因子投资周报旨在根据主观参与程度高低，为投资者提供不同主被动等级的因子投资解决方案及产品建议，以满足投资者对于因子投资的不同需求。周报按照主被动程度从高到低分为以下五个部分：因子择时建议，量化投资组合，Smart Beta量化配置方案，多因子复合指数，单因子指数。

风险模型因子收益统计：本周最为强

上周波动率因子表现出色，其余价量因子整体表现较好

上周波动率因子表现出色，在沪深300成份股票池的RankIC值超过10%，在中证500、中证1000成份股、全A股票池的RankIC值在20%左右。估值、反转、换手率、beta因子表现接近，在沪深300成份股票池表现平淡，在其余股票池表现较好。成长

投资要点：

本文主要针对朝阳永续、WIND两家数据供应商的分析师预测数据进行分析，比对数据源、加工一致预期数据的质量以及选股的有效性。

从数据源上来看，朝阳永续收纳的分析师报告篇数多于WIND，但两者之间的差距在逐步缩小，目前这个差异已经很小；从两个数据商覆盖的股票比例来看，朝阳永续覆盖比例始终

报告摘要：

传统多因子选股。在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘。传统的因子指标挖掘主要集中于

报告摘要：

机器学习是订单簿动态建模的前沿方法订单簿的动态建模，主要有两种方法，一种是经典的计量经济学方法，另一种是前沿的机器学习方法。机器学习通过对己知数据的学习，找到数据内在的相互依赖关系，从而对未知数据进行预测和判断，最终使得机器具有良好的推广能力。支持向量机(SVM,Support Vec

摘要

采用统一的视角解释与测试所有的广义线性模型

本文中，我们试图采用统一的视角解释与测试所有的广义线性模型，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实用意义的参考价值。

广义线性模型的构建和回测

我们对该模型合成的这个“因子”进行分层回测，随后根据

从三个角度应用牛熊指标均能取得不错的效果

摘要

本文从指数、行业、个股三个角度对牛熊指标在投资策略中的应用进行了探讨：

1. 对宽基指数设计直接牛熊策略，在上证50和沪深300上都有不错的表现；
2. 在行业层面上开发牛熊变化率轮动策略，策略有显著的超额收益，且与择时策略结合后表

摘要

本文构建了基于量价的人工智能选股体系并测试其有效性

经过华泰金工前期报告的探索，我们认为人工智能模型已经可以很好融入多因子选股模型的因子生成和多因子合成步骤。在多因子模型的信息来源中，量价信息能提供海量的数据，是最适合AI技术运用的领域。本文构建了基于量价信息的全流程人工智能

摘要

本文构建了基于量价的人工智能选股体系并测试其有效性

经过华泰金工前期报告的探索，我们认为人工智能模型已经可以很好融入多因子选股模型的因子生成和多因子合成步骤。==在多因子模型的信息来源中，量价信息能提供海量的数据，是最适合AI技术运用的领域==。本文构建了基于量价信息的全流程

Learning the Dynamics of Technical Trading Strategies

作者：Murphy N. J., Gebbie T. J.

出处：Quantitative Finance, 2021-03

摘要：本文使用了一种基于对抗型专家的在线学习算法来学习，

策略案例

[https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d08](https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d0

策略案例

[https://bigquant.com/experimentshare/41ba8c41f99346a6872f3ecac3a50c80](https://bigquant.com/experimentshare/41ba8c41f99346a6872f3ecac3a50c8

摘要

外资开放大背景下，北向配臵资金长期稳定流入且日内成交活跃，日频资金流中枢不断抬升，波动率加速放大：目前北上资金持股市值占A股流通市值约3%，日成交占A股总成交比例11%左右，资金成交十分活跃；17年以来每日资金流入均值11.76亿元，且均值和波动率中枢不断抬升。

**择时方面：北向资

策略案例

[https://bigquant.com/experimentshare/41ba8c41f99346a6872f3ecac3a50c80](https://bigquant.com/experimentshare/41ba8c41f99346a6872f3ecac3a50c8

导语

以下为平台优秀开发者持续分享的策略思路和源码，帮助每一位平台上的quant开拓思路，开发出超额收益越来越高的策略。

策略分享

提升实盘的仓位管理策略

[Stockranker评分的另类用法](/wiki/doc/

摘要

特征选择是人工智能选股策略的重要步骤，能够提升基学习器的预测效果

特征选择是机器学习数据预处理环节的重要步骤，核心思想是从全体特征中选择一组优质的子集作为输入训练集，从而提升模型的学习和预测效果。我们将特征选择方法应用于多因子选股，发现特征选择对逻辑回归_6m、XGBoost

在BigQuant上做股票数据分析和可视化展示真是太方便了。只需要写两行代码，其他都是搭积木。

在交易中是否我们常常会想一个已经连续涨的股票（比如3天），继续上涨的概率大么？（好吧，这很散户思维，只考虑了一个维度）。除了看连续上涨的股票上涨概率，我们还需要用全市场股票上涨情况做为对比（不然就很业余

摘要

本文从网络结构和特征优化的角度改进AlphaNet，回测表现更好

华泰金工前期报告《AlphaNet：因子挖掘神经网络》(2020.6.14)提出了AlphaNet-v1模型，能以端到端的方式有效提取股票原始量价数据中的因子。然而AlphaNet-v1在2019年下半年后表现

摘要

外资开放大背景下，北向配臵资金长期稳定流入且日内成交活跃，日频资金流中枢不断抬升，波动率加速放大：目前北上资金持股市值占A股流通市值约3%，日成交占A股总成交比例11%左右，资金成交十分活跃；17年以来每日资金流入均值11.76亿元，且均值和波动率中枢不断抬升。

**择时方面：北向资

\

该策略源码可有偿提供，需要的朋友可留下联系方式

天梯链接：https://bigquant.com/live/shared/strategy?id=6123844

分享知识库出售源码，

https://bigquant.com/experimentshare/08b87fc91a054702b606bebd169ca317

\