摘要

量化择时交易策略

机器学习量化交易策略的制定，是通过从海量历史数据中，利用计算机强大的处理能力，挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证，以期望让投资者获得更高更稳定的收益，或更合理地规避风险。

长短期记忆模型具有明显优势

长短期记忆模型通过记忆单元有效地学习长期依赖关系，在金融市场预测中具有明显优势长短期记忆网络是人工神经网络的一种，具有负责计算时间序列中各个观测值之间依赖性的能力，同时具有快速适应趋势中急剧变化的固有能力。所以，长短期记忆模型可以在波动的时间序列中很好地工作。在处理股

摘要

A股行业轮动现象明显

A股市场年度领涨的行业呈现显著的切换效应，行业是A股市场最大的风险收益源之一，把握行业的轮动效应能够为投资策略贡献极高的收益。

行业涨跌呈现明显的集聚效应

行业的涨跌呈现明显的板块集聚性，因此行业的轮动可以进行分层，区分为板块的轮动效应与板块内行业轮动效应。依据行业收益率进行分层，依据不同的逻辑进行择时。 不同板块对现金流与折现率的敏感度（beta）差异大

根据two-beta模型对DDM模型拆解得到的结论发现。

金融现金流beta显著高于平均水平，而折现率beta几乎为0；周期板块则呈现较高的现金流beta，同时折现率be

摘要

四个维度认知企业核心竞争力：学术研究对于核心竞争力内涵的理解可概括为技术竞争力、产品竞争力、内控竞争力和持续发展性4个维度。技术竞争力是决定企业核心竞争力的形成的基础因素，产品竞争力是企业核心竞争力的直接体现，内控竞争力强化企业在技术和产品方面的竞争优势，持续发展性揭示企业保有并提升现有竞争力的能力。

多指标合成竞争力评价因子：选取四个维度下可量化的指标合成竞争力评价因子。经行业和风格调整后的因子与传统风格因子相关性较低，保持了因子的独立性。预测能力方面，因子月度 IC 为 1.59%，ICIR 为 1.40，具有一定的预测能力，同时在 10 年~13 年以及 17 年至今的

摘要

本文主要介绍超预期幅度因子的定义、分析师超预期股票收益特征分析和分析师超预期选股策略的构建。首先我们介绍精确到单季度的净利润超预期幅度ESP因子算法，然后我们对超预期股票的收益特征进行分析，发现EP_TTM和过去一个月收益率两个风格因子可以很好地解释超预期股票的收益来源。最后每月底根据EP_TTM和过去一个月收益率两个风格因子限定样本池，然后选取净利润超预期幅度最大的20只股票构建超预期20组合。组合基本上每年稳定战胜中证500指数，可以作为中证500增强的补充组合。

分析师超预期幅度因子定义

分析师超预期幅度ESP因子可以定义如下：ESP =（单季度实际净利润

摘要

目录CONTENTS

1.趋势配置模型的基本原理

2.中信一级行业指数历史表现及动量效应

3.传统截面动量模型在行业配置组合上的应用及改进方向

4.“时序动量+截面动量+止损机制”构建行业趋势配置组合

5.主要结论

正文

/wiki/static/upload/ca/ca5796d5-887d-4986-b0b2-a968e35b08b9.pdf

\

摘要

报告摘要：条件随机场模型及股市择时思路自1988年，西蒙斯成立了大奖章基金并在多次股灾中取得稳定的收益后，纯技术量化型的投资策略开始受到投资者的广泛关注，而机器学习正是这种技术量化型策略的中坚力量。目前使用较为成熟的模型之一是隐马尔可夫模型HMM，其与条件随机场是一对“生成判别对”。相比起HMM，条件随机场具有更加灵活等优点。事实上，条件随机场（Conditional Random Field，CRF）是描述给定一组输入随机变量条件下另一组输出变量的条件概率分布的模型。基于条件随机场，我们可以建立观测指标值和走势状态及走势状态与走势状态之间复杂的函数依赖关系，从而，当给定新的观测

Generative Adversarial Networks for Financial Trading Strategies Fine-tuning and Combination

作者：Adriano Koshiyama, et al.

出处：Quantitative Finance, 2020-09-01

摘要

系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势，分析师需要适当地微调策略，或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究，但是新兴技术，例如生成对抗网络，也会对这些方面产生

摘要

前言

本篇报告为东吴金工“技术分析拥抱选股因子”系列研究第二篇，延续了“将技术分析的方法应用于构建选股因子”的研究理念，从经典的蜡烛图上下影线入手，逐步探索了上下影线中蕴藏的选股信号。

蜡烛上下影线选股因子

根据蜡烛图上、下影线的定义，构造选股因子。回测结果显示，基于蜡烛图上影线构建的因子具有不错的选股能力，而蜡烛图下影线因子的选股能力较差。其中，蜡烛图上影线的标准差因子“蜡烛上_std”效果最好，在全样本内年化ICIR为-1.78，5分组多空对冲的信息比率为1.64，月度胜率为68.38%。

威廉指标对蜡烛图的修正

除了蜡烛图上下影线，威廉指标

\

{{membership}}

https://bigquant.com/codeshare/0527a8c8-9944-4c74-b845-2068dce50bd1

\

报告摘要

主要观点

本篇是“学海拾珠”系列第十九篇。本文研究了股票收益的情绪再现效应和情绪反转效应，作者对股票在历史与未来的情绪一致时期和情绪不一致时期的季节性收益规律进行检验，并通过测算股票收益对情绪变化的敏感程度，即情绪Beta，构建相应的投资策略。

• 市场情绪的季节性变化：月度效应与周度效应

前人证明了在每年的1月和3月以及每周的周五，投资者情绪都会出现一定程度的上涨；相反，在每年的9月和10月以及每周的周一投资者情绪则会较为低落。这一现象同样也反映在资本市场中，到了每年的1月和3月或是周五，投资者更倾向于把安全资产转换为风险资产，这导致了风险资产

预计算因子：直接可拿来用

链接：https://bigquant.com/wiki/doc/yinzi-b9voNK2tnq

数据源检索：具有比较丰富的数据，但需join或者其他处理才可以作为因子使用

链接：https://bigquant.com/wiki/doc/-tOnkTw9FhH#h-财报数据

\

\

摘要

事件驱动投资体系

我们将A股市场常见的具有显著正面影响的事件收集起来，并构建出了一个比较合理的评估事件冲击是否有效的评估体系，以及基于这个评估体系基础上的一系列事件驱动投资策略

多因子投资体系

今年我们在构建多因子风险评价体系的同时，开发了许多具有新意和价值的新因子和策略，其中包括SmartMoney策略，筹码分布策略，网络中心度选股策略以及盈利预测增强策略

微信独家大数据

我们关注80 余个新财富上榜研究所或行业分析师的社交自媒体平台，然后利用计算机技术自动提取发布于其上的每篇研究报告（的文本内容和阅读量，并从文本内容中匹配出其中的个股，最后将

摘要

北上资金又称“聪明钱”，指外部投资者通过大陆和香港股票市场的互联互通机制，直接参与A股市场。本文就北上资金的选股策略进行深入研究，从单因子选股、事件驱动两个角度去挖掘北上资金的投资策略。

北上资金持仓风格分布

通过对比北上资金持仓、沪深300指数及中证500指数的行业暴露和barra风格因子暴露，行业暴露上来看，其持仓行业分布更偏向于沪深300的风格。另外，其相对于沪深300超配的行业有食品饮料、医药、家电，此三个行业也均为其重仓行业，其中食品饮料行业的持仓最大，占比达17.7%。风格暴露上来看，北上资金持仓股票在市值风格、流动性、beta上均与沪深300的风

摘要

互动易平台实时披露的数据是定期报告披露数据的有益补充

互动易平台上关于上市公司最新股东户数的问询相对频繁，隐含着投资者认为股东户数的相关信息与公司股价的未来表现有一定的联系。互动易平台关于股东户数问询的有效回复每期占比在20%~30%的区间波动，每期有效回复个股数量在600只上下。过去八年间，1/4的深交所上市公司通过互动易平台披露最新股东户数的次数少于12次；近80家上市公司披露股东户数超150次；383家上市公司始终未在该平台上披露过股东户数相关信息

低频股东户数变化因子具有选股能力

低频股东类因子更新频率低，时效性差，低频数据的高频化需要选择合理的方

摘要

估值因子在不同行业、不同规模上市公司间差异较大

估值因子是一类非常重要的风格因子，本报告中我们选取了十个具有代表性的估值因子——EP、EPcut、BP、SP、NCFP、OCFP、FCFP、DP、EV2EBITDA、PEG，首先经实证分析发现，不同一级行业间估值因子差异较大，并且随时间推移同一行业的估值水平也在不断变化。同时，估值因子在不同规模的上市公司间差异也比较大，近两年EP、EPcut、BP、SP、NCFP、OCFP、DP明显与市值因子呈现正相关性，FCFP、EV2EBITDA与市值因子略微负相关，PEG与市值因子相关性不明显。

**各估值因子间也

摘要

文献来源：Chow, Tzee-Man, Feifei Li, and Yoseop Shim. "Smart beta multifactor construction methodology: Mixing versus integrating." The Journal of Index Investing 8.4 (2018): 47-60.

推荐原因：我们的研究主要集中在一个实际问题上，这个问题在此之前关注度较低：市场参与者如何在权衡后选择采用不同方法构建的多因子投资组合作为投资工具。具体来说，我们研究和比较了两种不同的方法。第一种方法（以下称为整合法），是在

摘要

文献来源：Vyas, K., and Van Baren, M. 2021. Should equityfactors be betting on industries? The Journal of Portfolio Management 48(1),73–92.

推荐原因：资产管理公司越来越多地将非传统股票因子应用于选股。这些因子存在不同程度的行业暴露。部分选股因子会因行业暴露获取更高的超额收益，而有些则会降低收益。本文评估了价值、质量、动量、低波和规模等五大投资风格中的21个选股因子的行业配置效率。结果表明，同一投资风格的不同选股因子在行业配置上的回报表现出显著

文献摘要

HML因子中的细节

文献来源: Clifford Asness andAndrea Frazzini, 2013, The Devil in HML’s Details, The Journal of Portfolio Management, volume 39 number 4.

推荐原因：Fama 和 French标准的价值（B/P）度量方法是一个合理的、保守的选择，对这个领域起到了很好的作用。但这不是最好的选择。本文对B/P计算指标的时效性进行了研究，会对组合投资策略的有效性产生很大的影响，时效性越强的B/P在使用价值和动量对策略做风险调整

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 44.4 (2018): 93-105. 推荐原因：随着机构投资者增加对smart beta基金的配置，以及多因子投资方法带来的复杂性提升，投资者们需要一个smart beta产品组合的配置指引。在设计一个多样化和高效的投资组合时，需考虑到因子的偶发性敞口和特殊敞口。因此，本文开发了一个标准框架，以

摘要

本篇报告通过引入分域研究的理念，对传统多因子模型研究体系进行了当时拓展，并构建了相应的研究分析框架与投资策略。

分域研究解决的是传统线性预测模型对市场非线性特征刻画的不足，也是量化与基本面结合的有效途径，通过对各行业、板块投资逻辑的量化建模，可以使得模型更贴近市场本质投资逻辑，更加精确的发掘有效投资机会。我们通过采用全域风险调整后子域相关系数统计的检验方式，并以12大类189个小类因子为基础因子库，通过对宽基域、板块域、行业域的比较分析，找到了各个股票域内的核心驱动因素，也对各个行业、板块之间的区别进行了有效梳理。

在分域阿尔法模型的基础上，我们分别构建了沪深300成分股增

摘要

量化研究离不开阅读、思考与实证。但囿于国内金融市场不长的历史，很多思维的火花都无法通过足够的数据进行研究和验证。本系列试图填补这一空白，将海通量化团队的分析师平日阅读、思考的心得与海外数据相结合，致力于为国内的量化从业人员提供新的灵感。考虑到篇幅，文中只呈现了研究思路和主要结论，对详细过程感兴趣的读者可与我们联系，海通量化团队时刻为您守候，与您分享。

基于横截面和时间序列指标的因子择时

使用横截面和时间序列变量，对指数构建因子择时模型。讨论在不同经济周期以及市场状态下，对估值、市值、动量、质量以及低波因子具有预测效果的择时变量。分析结果表明，若将经济周期（或商业周期）、

摘要

本篇报告针对前期发布的6篇行业轮动报告进行汇总，方便投资者查阅。我们以多因子模型为框架，分析不同类型的因子在行业轮动策略中的作用，并对因子进行整合处理给出行业轮动建议。目前已有的报告分别为：《行业预期数据的应用分析》、《行业历史基本面和价格数据的应用分析》、《龙头股效应在行业轮动上的应用》、《系统风险集中度在行业轮动策略中的应用》、《行业轮动在指数增强上的应用（沪深300）》、《行业轮动在指数增强上的应用（中证500）》。报告覆盖了预期基本面、历史基本面、量价以及情绪面的部分因子。

从预期基本面数据来看，投资者有两种类型的因子可以选择。分别是全行业的预期数据，以及龙头股构建的预

研究结论

国内量化发展已有十余年，各家机构投资者的Alpha因子库也随之扩大，这时会面临两个问题：alpha信息源的重叠与因子间相关性处理。本报告将提供这两个问题的解决处理方法，

我们基于Fama-MacBeth回归设计了一套Alpha因子筛选流程，剔除信息重复的因子。在实证中，我们把11个Alpha因子筛选至5个，筛选过程几乎没有alpha信息的损失，筛选前后的多因子多空组合表现相当。因子筛选可以显著减少因子数量，继而减少需要估计的模型参数数量，提高估计量的准确性，从而提升模型选股表现。

Alpha优化采用的是Qian(2007)的方法，这个方法有点类似股票组合优化，al