摘要

文献来源：Y. Atilgan, T.G. Bali and K.O. Demirtas et al., “Left-tail momentum: Underreaction to bad news, costly arbitrage and equity returns”, Journal of Financial Economics, Volume 135, Issue 3, 2020.

推荐原因：本文探究了股票左尾风险（left-tail risk，股票收益率分布在左端肥尾，也就是说股票历史上经历过较大幅的日度亏损）与未来收益间的截面相关性。作者发现，股票左尾风险

正文

/wiki/static/upload/cd/cda40c0d-0289-4da4-807f-ada48abfc1e5.pdf

\

摘要

羊群效应反映的是个别股票的上涨或下跌引起相关股票收益率联动的现象，继而形成整个板块的趋势性运动。我们通过 CCK 模型捕捉羊群效应所引起的这种板块强趋势。 模型不涉及参数，因而表现受市场状态影响较小，更具普适性。策略着眼于指数成分股组合内部微观结构的变化，进一步丰富了择时策略的逻辑维度。

羊群效应发生时，板块成分股收益率出现同向联动，也即收益率相关性增强，离散程度减弱，这也正是羊群效应经典识别模型——CCK 模型的核心思想。 羊群效应的产生和市场、风格等多种因素有关，为了让模型捕捉到更多信息，我们将 A 股综合日市场回报率引入 CCK 模型。 对于宽基指数，羊群效应策略效果和市

摘要

股票市场的逐笔数据，蕴藏了极为丰富的alpha源。本系列研究取名“订单簿的温度”，旨在分享我们在逐笔成交数据层面的研究成果。本报告为系列研究的第2篇。

本篇报告中，我们首先定义了股票逐笔委托量中的帕累托法则：越小的委托量出现的次数越多，越大的委托量出现的次数越少，委托量的频率分布服从幂函数（power law）衰减。在此现象的基础上，我们构建了用于选股的帕累托因子。在剔除Barra因子之后，委买量帕累托因子、委卖量帕累托因子的信息比率，分别达到2.36、2.20。

正文

[/wiki/static/upload/ba/ba6df98e-8fe7-4cae-b627-a

\

\

摘要

研究风格择时能力的意义在经历了2016年底的风格转换之后，投资者越来越关注基金选择风格的能力。本文就股票仓位较高的两种基金——普通股票型和混合偏股型，讨论哪些基金和基金经理有选择风格的能力，以及这种能力是否有持续性。

通过比较业绩排名的方法研究基金经理风格选择能力以市值为例，对股票市场的风格进行划分，统计每次风格切换时点前后业两个月内绩排名均靠前的基金和基金经理，并分析这些基金和基金经理在未来的风格切换时点前后业绩排名是否还在前列。在10位过去表现好的基金经理中，只有1位基金经理管理的3只基金能够在历次风格转换前后都排名在前40%。说明基金和基金经理没有风格择时能力。如果根据市场

摘要

本期的两篇文献聚焦在分析师预期偏差和假日效应两个维度。第一篇文章主要介绍了传统的分析师预期因子存在习惯性偏差，对此构建策略进而从中获利。 第二篇文章综合介绍和对比了不同国家股票市场存在的假日效应，可以将这类假期效应运用在投资策略的构建中。

正文

/wiki/static/upload/68/68aa3427-1be4-4550-92f4-732f3501bba4.pdf

\

摘要

风格在债券投资中的应用系统性风格投资在股票市场越来越受欢迎，但在固定收益市场中的应用却少得多。在本文中，我们发现无论是选择政府债券还是公司债券，已经应用于选股的经典风格溢价——价值、动量、carry和防御因子——在固定收益市场中表现也十分突出，固定收益可能是风格投资的下一个前沿。

盈利指标的紧缩指数传统盈余指标难以提供独立于三因子的收益率预测能力。Novy-Marx在年提出一个新的盈余指标：毛利润总资产比（GP2A）；相比于传统的净利润类指标该指标具有更强的收益率预测能力。Novy-Marx认为其原因在于毛利润是相对于净利润更“干净”的盈余衡量变量，净利润指标中混杂了诸多噪音。

策略案例

https://bigquant.com/experimentshare/a5ed3eddf32f4e4dad4811a1acc257f0

\

最近有很多篇关于CTA危机alpha之类的文章，讨论来讨论去不知所云。

一般所谓的alpha，这是针对股票市场而言的。比如一只股票的日线收益率，对市场的收益率，做一个带常数项的线性回归，那么得到的常数项就成为alpha，系数成为beta，这是最原始的定义。

这个定义的含义在于，把一支孤股票的收益率拆分成两项：一项是跟市场整体收益率相关的，比如市场涨1%，它跟着涨0.5%，那么beta就是0.5；另外一项是跟市场涨跌无关的，就是alpha项，如果是正的，就称为超额收益。

一般认为，跟随市场涨跌那部分收益，是承受了市场涨跌风险的，所以这部分收益不能算作投资经理的水平。只有跟市场涨跌无关的那部

导语

2020年我们开展了近半年的Meetup，共11场Meetup活动，90个问题，7场专题，持续地为大家服务和提供新鲜的灵感。2021年，Me

问题

多因子选股如何筛选有效因子

回答

参考研报:

1. 多因子系列之一：华泰多因子模型体系初探-华泰证券-20160921
2. 多因子系列之二：华泰单因子测试之估值类因子-华泰证券-20160929

因子分析参考：

1. [因子分析](https://bigquant.com/wiki/doc/yinz

问题

35th Meetup提到的情绪周期中最高板数，涨停家数，跌停家数，昨日涨停今日表现(赚钱效应)等具体代码的编写。

\

视频

https://www.bilibili.com/video/BV1nT4y1q7Ut/

策略源码

[https://bigquant.com/experimentshare/224aa4076333436ea5a570694376631a](https://bigquant.com/experimentshare/224aa40763334

摘要

1. 羊群效应反映的是个别股票的上涨或下跌引起相关股票收益率联动的现象，继而形成整个板块的趋势性运动。我们通过CCK模型捕捉羊群效应所引起的这种板块强趋势。
2. 模型不涉及参数，因而表现受市场状态影响较小，更具普适性。策略着眼于指数成分股组合内部微观结构的变化，进一步丰富了择时策略的逻辑维度。
3. 羊群效应发生时，板块成分股收益率出现同向联动，也即收益率相关性增强，离散程度减弱，这也正是羊群效应经典识别模型——CCK模型的核心思想。
4. 羊群效应的产生和市场、风格等多种因素有关，为了让模型捕捉到更多信息，我们将A股综合日市场回报率引入CCK模型。
5. 对于宽基指数，羊群效

AI量化策略快速理解

https://bigquant.com/wiki/doc/celve-Uu3N6WbJNJ

机器学习在股票市场上应用价值初见成效，不少机器学习的策略远远超过大盘。虽然目前平台的实盘交易功能还未对外开放，但是不少策略开发者已经在实盘跟踪自己的策略了。

1.功能背景

用户在实盘中可能会遇到实盘账户数据和模拟交易运行数据不一致的情形，比如模拟交易的交易计划里提醒今天收盘时卖出A股票1000股，但今天碰巧由于断网导致卖单失败了。于是当日清算后，模拟交易策略里没有1000股A，但是实盘账户里该股票还继续持有。 策略次日会买入新股票，但实际由于收盘卖出失败，其实没有资金买入新股票。如果不对此类问题进行调整处理的话，随着交易日逐渐增多，那么实盘和模拟交易的差异会逐渐扩大，时间长了会

股票市场的存在为企业融资提供了一个自由开放的环境，在这里投资者们将资金配置于他们认为的优秀、稳健、有潜力的企业，无数的投资决策汇聚而成的“群体智慧”影响着整体的经济运行，最终促进社会的共同福祉。然而判断一个企业优质与否并非易事，正如不能仅仅通过体温来衡量人体的健康状况一样，单纯的股票价格难以完整全面地反映一家上市公司的所有特质。要想全面细致的考察一家上市公司，有必要仔细研究企业的财务数据。

财务数据

上市公司的财务数据大体上分成两类：原生财务数据和衍生财务数据。原生财务数据是经典的“三大表”，即资产负债表、利润表和现金流量表。衍生财务数据通常指原生财务数据结合交易数据计算出的各类财

本周为大家精选了5篇机器学习/深度学习在量化投资中的相关文章，这5篇都是国外宽客使用机器学习/深度学习技术运用在金融市场上的实践性研究，包括外汇市场、期货市场、股票市场，虽然文章代码实现并非都为Python语言，但只要厘清策略思想，在BigQuant上复现应该不难。

• 《Profiting from Python & Machine Learning in the Financial Markets》([如何用Python和机器学习炒股赚钱？](https://mp.weixin.qq.com/

导语

本文将介绍LSTM模型的原理与构建其选股模型的流程

LSTM简介

循环神经网络（RNN）

传统的神经网络是基于所有时刻的输入和输出间相互独立的假设来生成已学习数据的静态模型，并根据新接受的数据进行运算。但在很多情景中，如语音识别中预测当前的单词的含义，需要知道之前的输出结合上文语境做出判断，循环神经网络（Recurrent Neural Networks，简称 RNN）可以用于解决这类问题。 循环神经网络也被称为递归神经网络是受到人类对于近期事件会有所保留的背景而启发，循环神经网络会随着数据的输入生成动态模型。 理论上，RNN可以支持无限长的时间序列，然

策略案例

https://bigquant.com/experimentshare/8594992a1d9345d98cbe949eb6297067

\

LSTM Networks应用于股票市场之Functional Model。本文是已初步探索，如下示例中 使用 LSTM 预测沪深300 涨跌。

用一个input（6 features * 30 time series）训练LSTM，将训练结果与另一个辅助性输入label(np.round(close/500))一起作为input输入至Dense层 LSTM future_return_5作为output（time series=30,features=[‘close’,‘open’,‘high’,‘low’,‘amount’,‘volume’]）

策略案例

[https:/

策略案例

https://bigquant.com/experimentshare/72d5601550164505aad979f7265f8fec

\

策略案例

https://bigquant.com/experimentshare/44df09d365584c4b9874df99f5f69c4f

\

策略案例

https://bigquant.com/experimentshare/d259ec04a8ea4c1c9151fe4ffc642063

\