研究结论

风险因子可以帮助投资者控制组合收益波动，提升稳健性。但学术和实务研究材料中都没有对风险因子做出准确定义，我们根据BARRA CNE5 文档风险因子的统计特征，从因子稳定性、对股价影响显著、因子收益率波动大三个角度设计了一套风险因子定量判定程序。

个股在某个风险因子上的暴露

研究结论

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

研究结论

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

因子的alpha

研究结论

过去几年A股alpha空间较大，一些经验的简单组合构建策略就可以获得稳健组合，组合优化方法在提高策略收益和稳健性上并无明显优势。它的作用更多是提供一个平台，让投资者同时精确控制组合风险暴露、个股数量和权重、换手率、冲击成本等，同时还可以把投资者的主观信息融合同一个模型框架下

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（Percen

研究结论

策略Alpha收益的定义取决于投资者控制了哪些风险，Alpha因子的ZSCORE可以通过多期横截面回归取平均的方式转化成预测收益率，输入后续的组合优化过程。

在两个变量满足正态分布时，Pearson 和Spearman相关系数的数值很接近，但Spearman秩相关系数在做

研究结论

量化策略回溯测试得到的“纸面收益”与实际交易“账面收益”最大差别在于交易成本控制，特别是对资金量大、换手率高的产品。在成交价格上加减一个固定比例的冲击成本的传统做法并不可行，它无法反应不同时点、不同股票、不同资金量造成冲击的差异。本报告基于A股主动买卖单数据，提供了一个可行

研究结论

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，

研究结论

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

论文原文

《FOMO Index: A Cross Sectional and Time Series Analyses》

论文作者

约瑟夫·波拿巴

科罗拉多大学丹佛分校 - 金融系

发布时间

2021 年 12 月 8 日

关键词

FOMO；抢购; 少数投资

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

报告要点

投资聚焦：十年洗练，格局初现。

国内量化策略经历了十年以上的发展，行业初具规模、策略逐成体系。尤其在大资管行业向净值化、科技化演进的背景下，投资者对量化策略的关注度与日俱增。本文从基金研究的视角，勾勒国内量化策略的历史发展和当前现状、并初步探讨了未来可能的发展方向。

摘要

机器学习波动率预测

大多数量化策略的盈利与波动率高度相关。预知波动率对于分配每个策略的仓位至关重要。使用机器学习进行波动率预测较传统方法的预测效果有所提升。

机器学习策略判断失效的方法

判断机器学习策略失效有独特的方法，可以在击穿最大回撤前提前下线策略。

**机

摘要

机器学习和人工智能在量化投资的应用有很长的历史

机器学习在九十年代初的热潮中已经被大量运用于量化投资中。尽管受限于当时的计算能力和算法，但是由于在算法交易和CTA等领域中机器学习提供了一些更好的解决方案，机器学习在这些领域的应用一直延续到今天

**机器学习在量化投资中应用的

学海拾珠系列，是指从海外量化研究领域的海量文献中选取精华，将最有价值的文章推荐给国内广大的量化投资者们。如系列名称所述，我们团队希望通过不断深耕、探索，力图在茫茫学海中找到闪烁的、凝聚着宝贵知识的珍珠，并在提炼、萃取之后呈现给大家

摘要

2017年以来，随着市场上量化策略的增多，许多以前十分有效的因子，如市值因子、动量因子、波动率因子等，都出现了比较明显的震荡或者失效。想要靠传统多因子模型取得超越基准的稳定收益变得越来越难。对于因子择时模型的研究需求也在持续上升。

本篇报告分为三部分：

首先，我们介

摘要

本报告将介绍一种前沿观点融合模型：熵池模型。熵池模型由KKR前首席风险官Attilio Meucci于2008年提出，主要作用为将主观或者量化的观点通过分布更新的形式融入到风险模型中，用于资产配臵或资产定价。模型当前在许多海外的大型金融机构中已开始普及。

**熵池模型vsBL

如何估算任意函数积分

对于给定的函数，我们可以通过公司计算积分。但对于计算机，对于任何复杂的函数，我们如何运行算力优势，快速估算积分。附python代码实现完整notebook，可以直接克隆运行。

原理

![{w:100}{w:100}](/wiki/api/attachment

研究结论

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

研究结论

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

研究结论

对于大规模资金产品，30-50bp的冲击成本估算在某些市场环境下远远不够，我们上篇报告引入了Almgren(2005)的模型来估算冲击成本大小，并加入组合优化目标中，定量权衡组合alpha与冲击成本的利害关系。

Almgren（2005）冲击模型采用的是幂函数非线性形式，

摘要

数据频率与预测宽度

数据频率与预测宽度数据频率与因子预测时间宽度存在天然隔阂，数据频率越高其时间序列自相关性便越低，所能预测的时间宽度通常越有限。因此信息的变频处理对于在中高频数据中构建⻓周期alpha尤为关键。本篇报告中，我们希望探索中高频数据的通用化降频方式，进而我们通过

研究结论

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息。

通过加总特异度、市值调整换

研究结论

海外和国内股票市场都发行过很多低波动指数，该类指数通常用一段时间收益率的标准差来衡量股价的波动，长期来看表现优于对应的基准指数。股价的波动很大一部分是由市值、估值等一些公共的市场风险因子引起，剔除掉这些公共因素后的剩余波动称为个股的“特质波动”，由个股的自身特性决定。我们的