导读

量化选股的数据来源无外乎财务数据、量价数据、预期类数据以及部分另类数据（文本、网络热度、专利、新闻情绪等）。除了另类数据的探索之外，传统数据加工方法的创新化也是探寻新Alpha的路径。

我们从公司财务能力的四大衡量维度入手（偿债能力、营运能力、盈利能力、企业发展能力），分别选取有代表

摘要

首先，我们介绍了因子择时时常用的几个指标，包括因子估值差与配对相关性等，并测试了其与因子未来收益的相关性

预测目标是因子收益的历史移动平均与实际因子收益的差距

通过回测我们发现，使用择时模型的组合，不管是趋势行情，还是震荡行情中，相对两个对照模型都能取得更好的收益

正文

摘要

非线性特征

非线性模型：𝑹=𝑿𝒇+𝑮𝑿𝒈+𝝐′其中，线性部分：𝑹=𝑿𝒇+ε；残差项的非线性结构：𝝐=𝑮X𝒈+𝝐′；𝐺()为基于线性因子暴露X的非线性函数

对于收益率的残差，分别使用randomforest，boostedtree，neuraln

摘要

大势研判的经典逻辑有哪些？

1.“信用-盈利”二维框架 ①信用周期：即债务总额的同比增速 ②信用周期平均领先盈利周期8.9个月，【底】平均领先10.3个月，【顶】平均领先7.2个月；领先时间有逐渐缩短的趋势。 ③信用扩张叠加盈利改善阶段：指数全面上涨、大幅拔估值 ④信

摘要

股票预测是量化投资中最为关键的任务。近年来，深度神经网络因其强大的表征学习能力和非线性建模能力，逐渐成为股票预测的主流方法。现有的预测方法均假设股票数据符合独立同分布（IID）且采用单一模型有监督地对股票数据建模。但实际上，股票数据通常会包含多种不同甚至对立的分布（Non-IID），比

摘要

行业表现强度前五：电子、家用电器、食品饮料、商业贸易、国防军工

强度后五：建筑材料、农林牧渔、休闲服务、汽车、钢铁

指数估值↓：上证综指、中小板指、创业板指、上证50、沪深300

行业估值相对PE较低：农林牧渔、地产、建筑装饰、建筑材料和采掘。

相对PE较高：计算机、通信、休闲

摘要

市场监控：两市量能下行至春节后的最低位，消费行业热度逆势上行

市场估值：整体处历史较低水平，超大盘和中盘估值分位更低；行业估值：食品饮料估值底部上行至21%分位，电子下行至历史46%分位；市场换手率：两市量能下行至春节后的最低位，小盘指数仍维持较高活跃度；行业换手率：消费行业

摘要

在基金产品实际运行管理的过程中，基金绩效评价具有较 强的现实意义。基金公司管理者对基金经理的业绩考核、 基金经理对历史业绩的原因分析，都需要以科学的绩效归因和 评价模型为依据。

早期的基金评价主要评价基金的收益、超额收益、夏普 率、最大回撤等较为直观的指标。对基金的风格类型、收益来

摘要

多因子体系主要包括alpha模型、风险模型、交易成本模型和组合优化，广义的alpha模型分为alpha因子构建和因子加权，是量化从业人员的研究重心但传统的alpha模型当期面临较大的挑战。

后发优势的逐渐丧失导致人工挖掘alpha因子的周期变长，国内外估值因子的长时间回撤，近年量价因

摘要

【人工智能研报】华泰人工智能系列之二十九：提升超额收益，另类标签和集成学习20200319-华泰证券-35页.pdf

另类标签和集成学习有助于提升人工只能选股的超额收益

本文认为使用另类标签有三个方面的合理性

**本文使用了在多种训练期长度下测试的方法对比不同标签

摘要

W-DCGAN模型可用于多资产金融时间序列生成，效果良好

本文探讨GAN的重要变式——DCGAN（深度卷积生成对抗网络）在生成多资产金融时间序列中的应用。原始GAN模型存在固有缺陷，DCGAN和WGAN分别从网络结构和损失函数的角度提出改进，将两种改进方案融合可得到W-DCG

摘要

机器学习是人工智能的一个分支，也是人工智能的核心领域。机器学习的目的在于推理，推理的过程是学习，研究计算机如何模拟人类的学习行为。从1930年代至今，机器学习逐渐发展成为一门独立的学科，已有超过数百种算法被提出。《Do we need hundreds of classifiers t

摘要

研究背景

我们在之前的行业轮动系列报告中挖掘了几大类的行业因子，例如，量价、宏观、情绪面、高频因子、预期基本面、历史基本面、公募基金观点等。这些因子通常可以分为两类：行业本身的特征以及基于共同外生变量变动的行业预期收益，但这两类因子都没有考虑行业之间的关联性。因此，在本篇报告

摘要

我们在行业轮动系列报告中挖掘了几大类的行业因子，这些因子通常都是行业本身的特征或者基于共同外生变量变动的行业预测收益。

今天我们从另一个角度研究行业收益的可预测性：相关行业的滞后收益率

实际上，如果市场完全理性、无摩擦，滞后行业的收益率是不应该有预测效果的。但真实的市场环境下并非如

摘要

线性多因子体系是量化选股的基石，传统的Fama三因素模型，以及后来提出的五因素模型均是在多元线性回归的框架下去探讨因子在选股层面的有效性。当选定的线性模型存在比较严重的多重共线性时，由此构建的选股模型将变得极不稳定。因此，在多元线性框架下进行研究时，多重共线性是我们必须要考量并想办法解

摘要

因子研究一直是量化领域的重心。研究者在基于新数据新想法不断努力挖掘有效因子的同时，如何将手头上已有的因子转化为最终的投资组合也是摆在基金经理们眼前的现实问题。本篇报告的主要研究目的，是在给定最终复合因子的前提下，探索新的多头股票组合构建及优化方式，并运用机器学习算法实现具有操作意义的指

摘要

人工智能的浪潮已波及到投资领域，国内外各类资产管理机构正抓紧布局相关研究。本文探讨了在量化研究中使用机器学习算法的基本原则和注意事项，并整理了六大类常用机器学习模型在投资领域中应用的优势和特点，本文最后还总结了部分在投资领域中使用机器学习算法的场景与案例。

**量化型基金成对冲基金主

摘要

美国市场对于因子拥挤度指标的重视源于2009年动量因子（Momentum Factor）的大幅回撤，研究者认为因子拥挤度可能是影响因子寿命的重要原因。在国外研究的基础上，我们构建了估值价差、配对相关性、因子波动率、因子长期反转等8个因子拥挤度指标，并分别用这些指标对单因子收益方向和多因

摘要

中高频机器学习再出发

区别于传统的主观规则交易，机器学习模型可以挖掘出更多的非线性模式。我们设计的集合分类回归策略采用XGBoost机器学习模型，并使用集合学习对机器学习模型进行融合来预测日内涨幅。

日内涨幅影响因子

我们共挖掘出15个因子：隔夜涨幅，集合竞价阶段

摘要

1. 海外投资机构加大人工智能领域的布局
2. 案例一：基于随机森林的择时套保策略
3. 案列二：基于模式匹配的行业轮动策略
4. 案例三：基于TensorFlow的二叉树期权定价模型

正文

[/wiki/static/upload/f3/f3167067-fd53-4f4b

摘要

选股模型的时效性

信息具有时效性。选股因子对股票收益率的预测能力会随着时间的延后而衰减。机器学习股票收益预测模型的目标是将股票因子与股票未来收益率关联起来。股票因子蕴含的信息决定了模型的预测能力，包括预测准确度和预测窗口长度。如果机器学习模型所用的股票因子中包含的是市场短期情

摘要

本篇是系统化资产配置系列报告的第三篇，对如何利用机器学习算法进行短期市场择时进行了系统介绍。全球金融市场每天产生海量的各类数据，如何筛选并有效利用这些数据来预测股票市场走势一直是一个重要但棘手的问题。短期择时面临的主要困难包括：

1. 短期市场走势受情绪等因素影响较大；

摘要

优化问题是金融中基础、不可避免的问题，从均值方差的二次规划开始，优化问题已经深入到金融领域的方方面面，从大类资产配置到组合优化、从理论模型下的效用最大化再到实战模型的参数优化，都用到优化技术。而很多优化问题较为复杂，非凸、不连续、不可导、高维、随机、约束过多等问题给数值计算带来困扰，本

摘要

2017年以来，随着市场上量化策略的增多，许多之前十分有效的因子，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，我们介绍了因子

摘要

截面融合模型选股框架设计

截面融合模型包括三个部分：选择合适的特征空间，选取特定的模型簇，确定融合规则。目前常见的机器学习模型选股多将全部因子作为输入，以单个训练的模型作为预测结果，而截面模型框架通过在特征空间和函数空间进行选择，将多个特征空间下的多个函数簇在特定目标确定的规