摘要

本报告以上市公司年报业绩预告发布之后的变脸现象为研究对象, 采用多项模型，从上市公司的财务、公司治理以及业绩预告信息的角度对其进行预测。

在市场整体风险偏好较低的阶段，投资者的关注会从收益端转向风险端，因此，2016 年以来风险端驱动的策略收益更加显著

上市公司的业绩变脸分为正向变

摘要

时序交叉验证方法适用于时间序列数据，能够有效防止过拟合交叉验证是选择模型最优超参数的重要步骤，本文关注传统交叉验证和时序交叉验证的比较。我们采用机器学习公共数据集以及全A选股数据集，分别比较两种交叉验证方法的表现。结果表明，对于时序数据，时序交叉验证方法在训练集上的表现相对较差，但是在

摘要

时序交叉验证方法适用于时间序列数据，能够有效防止过拟合交叉验证是选择模型最优超参数的重要步骤，本文关注传统交叉验证和时序交叉验证的比较。我们采用机器学习公共数据集以及全A选股数据集，分别比较两种交叉验证方法的表现。结果表明，对于时序数据，时序交叉验证方法在训练集上的表现相对较差，但是在

摘要

动量效应是由Jegadeesh和提出的，是指股票的收益率有延续原来的运动方向的趋势，即过去一段时间收益率较高的股票在未来获得的收益率仍会高于过去收益率较低的股票•经济学解释：趋势交易，市场反应不足。

反转效应是由DeBond与提出，与动量效应相对，指过去一段时间收益率较高的股票在未来

摘要

本周全A选股（非行业中性）随机森林表现最好本周中证500涨跌幅为-5.90%。本周4个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益-3.64%，超额收益。最近三月超额收益最高的策略是随机森林，该策略最近三月获得绝对收益-6.05%，超额收益9.37%。最近

摘要

本周全A选股（非行业中性）随机森林表现最好本周（2018/03/05至2018/03/09）中证500涨跌幅为2.49%。本周6个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益3.82%，超额收益1.33%。最近三月（2017/12/11至2018/03/0

\

简介

本教程旨在介绍如何使用TensorFlow以及LSTM神经网络进行深度学习（了解更多机器学习请参见教程

@ML@ML

）。本教程的演示方法为：以实数序列的预测模型为例进行论述，并对股票价格或股指指数进行实测。

序列数据

本教程将使用神经网络作为序列数据的预测模型。接下来我

摘要

本周市值、beta 因子表现出色，盈利、财务质量因子继续表现良好本周表现最好的因子是市值、beta 因子，在各指数成份股票池均有不错收益，其中市值因子在全 A 股票池、beta 因子在沪深 300 成份股票池表现突出。盈利、财务质量因子继续表现良好。估值、成长、反转、波动率、换手率、技

摘要

本周估值、盈利、财务质量因子表现良好，beta、技术因子回撤本周基本面类因子总体表现较好，其中只有成长因子表现稍显平淡，估值、盈利、财务质量因子表现均比较出色。市值因子表现出现分歧，在中证500成份股票池出现回撤，在沪深300成份股票池表现出色。本周价量类因子表现优劣互现，波动率因子在

摘要

将周期三因子引入随机森林模型中构建带有因子择时效应的选股策略本报告中，我们将多因子截面数据和华泰周期三因子进行合并，构建了因子择时+选股一体化的随机森林模型。周期三因子在随机森林模型中起到了状态切换的作用，不同状态下对应不同的截面因子选股逻辑。加入周期三因子的随机森林模型能获得更好的回

摘要

房地产企业因为其项目导向的特点，净资产值估值法（NAV）是行业内通用的估值方法。以项目为基础的业绩并不具有很强的连续性，历史业绩与未来业绩没有非常强的关联，故仅仅使用市盈率等估值指标并不能很好的代表公司未来的价值。尽管NAV方法的数据要求与假设非常多，但这并不妨碍我们参考其思路来构建新

摘要

本周市值、反转、波动率、换手率、技术等价量相关因子表现较好本周价量相关因子表现较好，基本面相关因子表现一般。市值、反转、波动率、换手率、技术因子的表现整体相差不多，其中反转、波动率、换手率因子在全A股票池中表现比较突出；beta因子在沪深300成份股票池表现较好，在其余股票池表现一般；

摘要

本周全A选股（非行业中性）XGBoost表现最好本周中证500涨跌幅为0.06%。本周7个人工智能组合跑赢基准，超额收益最高的策略是XGBoost，该策略本周获得绝对收益1.40%，超额收益。最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益12.15%，超额收益10.12

摘要

本周全A选股（非行业中性）SVM表现最好本周中证500涨跌幅为1.39%。本周5个人工智能组合跑赢基准，超额收益最高的策略是SVM，该策略本周获得绝对收益2.73%，超额收益1.34%。 最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益，超额收益8.71%。最近一年超额收

摘要

市场震荡回调，组合本周表现各异本周，华泰高股息率模型获得绝对收益-1.04%；低市收率模型获得绝对收益-1.90%；相对市盈率模型获得绝对收益-0.03%；沪深300指数涨幅为；中证500指数涨幅为-0.98%。市场震荡回调，华泰基本面量化选股模型本周表现各异，其中：相对市盈率模型跌幅

摘要

本周价量型因子均表现较好，beta因子效果突出，基本面型因子表现一般本周价量型因子均表现较好，其中beta因子效果最突出，在各种类别的股票池内IC值都很高且稳定；价量型因子中的反转、波动率、换手率、技术因子表现也不错，在各类股票池效果稳定，其中换手率、波动率因子在全A股票池中效果比较突

摘要

我们在本篇报告中将目光聚焦于日内价量信息和交易特征，使用分钟数据构建一系列高频因子，并对比各因子在股票和期货中的表现。

高频因子分类。高频因子可以分为收益率分布、成交量分布、量价复合、资金流和日内动量等几个主要的类别，各类因子还可以做进一步的细化，例如收益率分布因子包括已实现偏度、已

摘要

1.剔除相关性的营业利润TTM标准化成长因子的IC=2.2%，IR=0.48，多空夏普比=3。 2.考虑预收款的营业利润TTM标准化成长因子在剔除相关性后IC=2.1%，，多空夏普比=3.1。 3.考虑预收款后，房地产、综合和医药生物的营业利润TTM成长因子的IC显著增强

正

摘要

电子行业是通信、计算机及网络、数字音视频等系统和终端产品的发展基础。在中信行业分类中，电子元器件行业包括半导体、其他元器件以及电子设备三个二级行业。 电子行业背景

硬件创新周期：创新周期决定了消费电子行业在不同时期的驱动力。创新周期指电子终端产品的更替周期。从终端来看，电子行业经历了商

摘要

本文构建了可融入因子观点的随机森林模型，提升了随机森林的灵活性

相比线性模型，机器学习模型的复杂程度大幅提升，模型对于历史数据的拟合能力变强，但灵活性下降。在动态演化的金融市场中，机器学习的这些特性使其备受挑战。为了提升模型的灵活性，我们改进了sklearn的随机森林模型，可

重要观点

本文概述

本文主要介绍了python基础、爬虫、与数据库交互、调用机器学习、深度学习、NLP等。分别介绍了各个模块的安装，环境的搭建等。并且以机器学习选股为例，把各个模块连贯起来，核心代码基本都有详尽的解释。

大数据AI时代，python无往不胜的包装能力、可组合性、可嵌

摘要

PB-ROE分析法是一套对公司投资价值进行评估的经典框架。理论上讲，公司的预期盈利水平越高，估值也应越高。利用数学推导，我们在PB的自然对数与预期ROE之间建立了较为简洁的线性关系。

我们将关注点聚焦于PB-ROE的线性回归系数beta。基于实证分析我们发现：从时序来看，beta系数

本月辩题：行业配置获取超额收益的难度到底多大？

对于大部分机构投资者来讲，行业配置永远是一个绕不开的话题。07年的大金融&大周期、13年的TMT、17年的大消费都走出过一波波澜壮阔的行情，只要把握住其中一个，带来的超额收益都会非常可观。那么，行业配置获取超额收益的难度到底有多大呢？有没有

摘要

本篇报告主要分析行业的历史基本面数据以及价格数据，在行业轮动方面是否具有指导意义。在之前报告中我们对行业预期数据进行了全面分析，推荐了3个具有显著配臵价值的预期基本面因子。除了预期基本面数据，我们可以使用的历史信息有基本面信息和量价数据，能够对预期基本面数据起到信息补充作用。

从全行

摘要

对冲基金布局人工智能

随着深度学习技术的进步，人工智能领域迎来了最好的发展机遇。近年来，国内外知名的IT公司纷纷在人工智能上发力，创造了一系列突破性成果。同时，海外的对冲基金和投资银行也开始在人工智能上进行布局。高盛、BlackRock、Citadel等公司是投资领域人工智能