量价因子

{{use_style:custom-style-default}}

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

• 预计算因子
• 数据API
• 数据可视化分析
• [策略源码模版与Demos](https://bigq

股票专栏分为如下几类，此处附上定义，方便大家查阅:

因子

该部分包含了市场上各式各样的因子类别（风格因子，量价因子，另类数据构建的alpha因子），因子分析，因子解读等内容。

高频

该部分包含了高频数据低频化的因子应用，高频市场的微观结构，高频量化因子的使用测试，以及一些另类高频策略的内容。

策略

该部分包含了市面上的各类策略情况。包含了传统的技术指标策略，行业风格轮动策略，宏观择时策略等。

文献review

海外文献的一些回顾。里面有券商的海外经典研报解读和复现。

其他

不属于上述几类

因子测试

• 多因子量化是否要单独测试单因子有效性
• 单因子检测回归法和IC测试法如何取舍，为什么？
• 平台有回归法单因子测试的模块吗？

因子中性化

• 行业中性化与市值中性化怎么结合
• 量价因子都需要同时做行业与市值中性化吗，哪些必须做，哪些不用做？
• 有哪些常用策略风格？如何找到这些风格对应的股票池（代码讲解）

小市值策略

• Bigquant如何实现数据分析的功能及图形化的展示
• 如何在 《构建小市值策略》中增加 “选择热门板块”条件

余文韬老师专属邀请码：khtj41

**使用此邀请码开通plus会员立减100元，赠送10000

因子是量化策略的关键，量价因子被大家使用的最多，但是随着多越多的人不断的挖掘因子，因子失效成为我们关注的问题了，那么因子多久会失效呢？看到一篇来自量化藏经阁的文章，分享给大家：

报告摘要

美国市场的因子发布后失效现象 因子的样本外失效问题一直成为近年来学界研究热点。McLean和Pontiff（2016）率先研究了美国股票市场中的97种收益预测指标，他们发现美国市场中因子的多空收益在论文发布后大幅缩水。这种现象可能是源于套利者押注学术出版物上的错误定价，这导致因子在发布后的收益表现比发布前要低。 全球市场的因子异象检验 在本研究中，我们探讨了美国和38个国际股票市场上

1. 量价因子

• close_* ：后复权价格
• daily_return_* ： 第前 * 个交易日的收益，计算方法eg. daily_return_0为close_0 / close_1

2. BETA值因子

• beta_csi100_*_0 : 计算个股的每日收益率序列v=close/shift(close,1)-1和指定指数的每日收益率序列b，滚动窗口内v和b序列之间的协方差/滚动窗口内b序列的方差。

3. 波动率因子

• swing_volatility_*_0: 计算每日(high-low)/close ，然后滚动指定天数计算

MFI资金流向指标

计算方式：

• 典型价格（TP）=当日最高价、最低价与收盘价的算术平均值；货币流量（MF）=典型价格（TP）*当日成交量；
• 如果当日MF＞昨日MF，则将当日的MF值视为正货币流量（PMF），将N日内的正货币流量加总代入公式5；
• 如果当日MF＜昨日MF，则将当日的MF值视为负货币流量（NMF），将N日内的负货币流量加总代入公式5；MFI = 100 -［100/(1＋PMF/NMF)］

\

OBV能量潮

计算方式：

• 从上市第一天起，逐日累计每日上市股票总成交量若当日收盘价高于前一日收盘价，则当日OBV为前OBV加上本

K线绝对长度

K线相对长度

K线上影线

**策略源码：

今日收盘价在N日内的相对价差¶

N：一般取值为5、20、60、120、250

\

N日内最高价的相对索引值

N：一般取值为5、

本文主要研究了量化选股场景中的数据标准化方法，分别对比了时序标准化和截面标准化方法的在量化选股模型上的效果。

主要的工作有：

一是构建DeepAlpha数据集，包含A股2011年到2022年98个量价因子的日线数据，label为股票未来5日的收益率；

二是采用基于时序的K折交叉验证方法，严格3年训练1年预测的数据划分，使研究更贴近于实际应用；

三是对比了LightGBM模型和DNN模型在不同标准化方法下的效果，发现截面标准化在DeepAlpha数据集上的表现更好；

四是将DNN模型的预测结果从2017年1月1日到2021年12月31日进行了模拟回测，基于截面标准化的方法年化收益35%

本文基于BigQuant平台，探索了TabNet（Google, 2020）模型在量化选股中的应用。

我们使用了A股全市场2010年到2021年的日线行情数据，抽取了98个量价因子。采用5年训练1年验证1年的方法进行了滚动回测，回测期（2015年到2021年9月）内累计收益率387.81%，年化收益率 27.57%，夏普比率 0.83。

一、前言

1.1 DeepAlpha

![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=4e643

摘要

本周各因子波动较小，总体呈现小量回撤趋势。其中流动性因子、动量因子表现相对较好，收益分别为-1.00%和0.17%；量价因子以及成长因子收益表现较差，分别为-1.24%和-3.15%。

量化模型统计显示，本周动动量因子优选股票主要集中行业为电子信息、房地产以及化工行业；盈利因子优选股票主要集中行业为金融行业和能源行业；量价因子优选股票主要集中行业为电子器件、电子信息；成长因子优选股票主要集中行业为酿酒行业；流动性因子优选股票主要集中行业为金融以及电力行业。

统计数据显示，流动性因子采用风险中性权重搭配生成的投资组合Beta值最高；量价因子采用风险中性权重搭配生成的投资组合Be

研究结论

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，近年量价因子的批量拥挤等都是当前选股alpha因子层面的困境，量价因子拥挤等原因导致因子IC和组合绩效产生较大偏差，给以IC和回归为基础的动态因子加权带来挑战。

除了人工合成alpha因子外，我们可以通过设计因子单元批量产生有效的alpha因子，以扩充因子库，考虑到因子IC和组合收益的不一致性，我们通

作者：donkyxote

策略思想

基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。

StockRanker模型

原有模型是基于BQ提供的Stockranker机器学习算法：

![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f55

策略思想

基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。

StockRanker模型

原有模型是基于BQ提供的Stockranker机器学习算法：

![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f5599

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，近年量价因子的批量拥挤等都是当前选股alpha因子层面的困境，量价因子拥挤等原因导致因子IC和组合绩效产生较大偏差，给以IC和回归为基础的动态因子加权带来挑战

除了人工合成alpha因子外，我们可以通过设计因子单元批量产生有效的alpha因子，以扩充因子库，考虑到因子IC和组合收益的不一致性，我们通过正交弱

摘要

黄金是一种贵金属，兼具商品属性、货币属性和金融属性，在全球金融市场中起着至关重要的作用。本篇报告将从价格变迁、供需现状、投资交易等角度介绍黄金市场概况，并基于宏观、持仓、量价、情绪等因子构建多维度、多周期黄金择时策略。

全球黄金供需现状

全球黄金的供给主要由矿产金、再生金、生产商对冲三部分构成。黄金的需求主要由金饰需求、科技需求、投资需求和央行购金四部分构成。在黄金的需求中，投资需求和央行购金对金价影响相对较大。

全球黄金交易市场

伦敦拥有世界上最大的黄金现货市场，伦敦金2019年总成交量约为15.7万吨，成交金额约为7.1万亿美元。美国拥有世界上最大的黄