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

摘要

收益复制策略的应用场景

广义的收益复制策略在许多场景中都有应用价值。较为典型的收益复制应用情景包括三类：（1）极小型股票池、低调仓频率实现宽基指数跟踪；（2）通过直接持有底层资产，近似模拟基金组合收益，降低管理费用；（3）在持股受限的情形下解决受限个股替代性持仓的权重分配问题

摘要

本文基于BERT模型构建分析师研报情感因子，因子在最近两年表现优秀

分析师研报对上市公司进行了多层面的研究分析，除了一些已经结构化的分析师因子，研报文字中对于上市公司发表的各种观点和判断也具有很大的挖掘价值。BERT是目前最先进的自然语言处理(NLP)模型，本文梳理了基于BE

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年下半年之后表

摘要

WGAN模型可应用于金融资产时间序列生成，效果优于原始GAN模型

本文探讨GAN模型的一类重要变体——WGAN，并将其运用于金融资产时间序列的生成，发现WGAN在生成数据的真实性和多样性上均优于原始GAN。原始GAN模型具有训练不同步、训练损失函数不收敛和模式崩溃的缺点。WG

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年下半年之后表

摘要

本文介绍了因果推断的框架，并研究了股票所属概念和收益的因果关系

人工智能领域中，机器学习的优势在于强大的关联挖掘能力，然而由于缺乏逻辑推理能力，机器学习无法区分数据中的因果关联和虚假关联。因果推断是用于解释分析的建模工具，可帮助恢复数据中的因果关联，有望实现可解释的稳定预测。

摘要

无监督学习对于研究资产的内在模式以及改进现有的模型具有积极意义

机器学习模型中，无监督学习是指在无标记数据中学习内在规律的模型训练方式。不同于监督学习，无监督学习难以对金融资产未来表现做出预测，但对于研究资产的内在模式以及改进现有的模型具有积极意义。按照sklearn的分类，

摘要

另类标签和集成学习有助于提升人工智能选股模型的超额收

对于量化选股模型来说，另类标签指有别于收益率的标签，也可视为一种“另类数据”。本文通过设置多种测试情形，对比了另类标签(信息比率和Calmar比率)与传统收益率标签在构建人工智能选股模型的优劣。相比收益率标签，另类标签在全

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

本文介绍机器学习解释方法原理，以XGBoost选股模型为例揭开黑箱

本文介绍六种机器学习模型解释方法的原理，并以华泰XGBoost选股模型为例，尝试揭开机器学习模型的“黑箱”。机器学习多属于黑箱模型，而资管行业的伦理需要可解释的白箱模型。除传统的特征重要性外，ICE、PDP、

摘要

本文介绍了遗传规划在CTA信号挖掘中的应用，并展示了实证结果

在机器学习中，遗传规划是一个优秀的特征生成工具，本文介绍了遗传规划在CTA信号挖掘中的应用。遗传规划的优势在于能在现有的数据和运算符中进行大规模启发式搜索，同时突破人类的思维局限，挖掘出特异的、能对现有CTA策略做

摘要

尝试构建以真假序列识别为起点基于量价的主动投资研究框架

真假序列识别是检验市场有效性的有力工具。主动投资的核心是市场能否预测，如果市场无法预测，满足有效市场理论，主动投资就没有存在的价值。随机序列满足有效市场理论，无法预测。暂且抛开宏观、财务等数据，仅就交易数据看，如果人工智