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%

一、引言

DeepAlpha系列报告旨在从基础量价数据中，借鉴深度学习模型，应用于量化投资领域。学习模型包括：全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet，同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等，尝试构建各类DeepAlpha模型。

本篇文章通过传统机器学习算法对相同的量价因子进行实验，方便与深度学习模型进行对比。

二、随机森林算法介绍

随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单

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

图神经网络模型介绍

什么是图神经网络？

目前，机器学习、深度学习的日益发展，其在语音、图像、自然语言处理上均取得了很大的突破和贡献

近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于专门处理图数据的神经网络结构 – GNN

A Gentle Introduction to Graph Neural Networks(from Google Research)

**[A Comprehens

摘要

新版因子测试框架：作为量化选股多因子模型搭建过程中最重要的一部分，如何找到具有逻辑意义，并且能够有效区分个股和一定收益预测能力的因子，是我们本篇报告探讨的主要内容。我们知道因子的信息会随着持有期增长而衰减，尤其是市场相关因子。目前多数因子测试方法以月度为频率调仓，无法直观反映因子的衰减情况。我们采用的方法是，每天进行测试，对当天的每一只股票，计算其后一段时间的收益。这样做能直观地反映因子的衰减情况，也可以利用到更多的因子信息，得到平滑的数据，而不会受固定月初或者月末调仓可能带来的突发情况影响。除此之外，日频计算可以帮助我们更好的对组合在因子的风险暴露做到实时的监控。在此基础上根据

摘要

“不以规矩，不能成方圆”。没有系统的因子评价体系，难以筑起多因子研究的高楼。

本篇报告专注于单因子评价体系的介绍，挖掘能产生 alpha 的因子是量化选股的核心竞争力！主流的因子评价包括 IC 体系和分组测试两大块，两者共涉及到二十余项因子评价指标，共同构建了一套完整的体系。

IC 评价体系的核心在于 IC，其基石是主动管理基本定律 IR=IC*√𝐵𝑅。IC 的衍生指标有 RankIC、IC 胜率等，IC 衰减可分为时间衰减、市值衰减和行业衰减，我们引入因子半衰期，市值衰减速率等指标来衡量。

分组测试是弱化版的回归，相较于 IC 体系，能更好展现指标

/wiki/static/upload/07/07e75486-8706-4d01-b6d4-da053eb2f18e.pdf

\

\

一、引言

Google在2017年发布了Transformer，截止2022年5月，《Attention is all you need》论文的引用量已经超过了4万，可以说是近5年最热门的论文。

Transformer最初发布是用于时序任务和NLP任务，在近年来也有不少Transformer在CV应用比较出色的研究，我们有理由相信Transformer也可以应用于量化投资领域。

二、Transformer

Transformer的基本思想可以从平台之前发布的文章中看到，本文就不再进行重述。

<https://bigquant.com/wiki/doc/moxing-z

神乐（shen1，colol）

量化选股+人工选股比单种选股方式的表现要差；

人工择时+量化选股这个角度有一定的空间，取决与个人对择时的把握；量化策略的表现和大盘走势息息相关，个人择时能力强，结合量化能有一定的提升；但量化策略研究员的择时能力一般都不是很强，个人择时能力不强。

前几周和某创业小公司交流，对方用的是第一种，实盘表现不好，量化投资和主观投资是两个方向，真要在选股角度进行融合，是一个难的课题；

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

目前市场上的指数增强产品主要包括300指增、500指增、1000指增，以及全市场选股的“空气指增”。下半年以来，中证1000指增更是一度成为备受市场追捧的“香饽饽”，头部量化私募机构纷纷入场布局。

量化选股策略主要利用量化模型在全股票市场内进行选股和配置，其选股范围并不拘束于某一指数，投资组合也不针对任何指数进行行业类别、市值范围的跟踪。

因此，量化选股策略亦有“空气指增”之称。此策略通常对标主观选股策略，但其持仓股票的数量要远大于主观选股策略，一般可以达到数百只以上（甚至上千只）。指数增强是在量化多头基础上做指数风格的约束，由于不对标单一宽基指数，与传统的指数增强相比，“空气指增”也是更

摘要

过去两年以公募为代表的主动权益类产品，和以私募为代表的高频量化产品迎来了繁荣，相比之下传统多因子选股策略表现惨淡，公募量化类产品规模下滑。本报告作为基本面量化选股系列的开篇，旨在融合基本面信息，实现对传统多因子选股方法的补充。伴随A股机构化进程，盈利因子定价能力增强，基本面信息值得深入挖掘!

正文

/wiki/static/upload/b0/b0f6742c-aa6b-4e3b-9e86-3b072332d7d5.pdf

\

摘要

过去两年以公募为代表的主动权益类产品，和以私募为代表的高频量化产品迎来了繁荣，相比之下传统多因子选股策略表现惨淡，公募量化类产品规模下滑。本报告作为基本面量化选股系列的开篇，旨在融合基本面信息，实现对传统多因子选股方法的补充。伴随 A 股机构化进程，盈利因子定价能力增强，基本面信息值得深入挖掘！

基本面量化选股思路

传统量化选股往往面临数据滞后和信噪比低的困境，此外随着经济结构的复杂化，中信和申万分类已不能满足行业中性选股的需求。 因此我们首先对产业链进行重构，明确产业链各环节及对应标的，利用供需平衡表并通过寻找高频指标跟踪各环节盈利的相对强弱。再根据行业的基本面

摘要

在开发量化投资策略时，海外优秀论文往往能够提供新的思路和方法，为了能够让各位投资者更有效率地吸收海外的经验，东兴金工团队推出海外文献速览系列报告。我们将定期从海外文献中筛选思路较为新颖且有潜力应用于国内市场投资的文章，以速览的形式呈现给各位投资者，内容涵盖贵产配置、量化选股、基金评价以及衍生品投资等多个方面。

正文

[/wiki/static/upload/70/70b486a1-1ada-4878-9e19-d929f01a6b73.pdf](/wiki/static/upload/70/70b486a1-1ada-4878-9e19-d929f01a6b73.pdf

摘要

上周市场行情分化。主流指数涨跌不一，上证综指0.31%领涨，中证500指数也上涨了0.13%，而创业板指和沪深300则下跌了1.50%和0.59%。多头策略方面，除3+2策略外均实现上涨，VG策略涨幅最大，上涨0.46%。增强策略方面，SmartAlpha500选股500增强策略表现较为突出，以全周0.57%的超额收益荣登榜首。

两市成交比之前有所下降，两市日均成交约为3880亿（数据来源：Wind）。从融资余额来看，过去一周两市融资余额略有下降，截至12月29日，两市融资余额为亿元（数据来源：wind）。

正文

[/wiki/static/upload/60/60472

\

视频讲解

https://www.bilibili.com/video/BV1ZG41187mJ?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086

知识库链接

专利因子在量化选股中的运用

策略源

近年来，随着市场对专利的关注度逐渐上升，基于专利数据的指数与基金产品逐渐增多。使用了专利数据的相关指数包括专利领先、创业专利、深创100 、央企创新驱动指数000861等，相关基金总规模超 100 亿元。本文将基于平台的专利数据库进行深入研究。

Bigquant平台共计收录了486个专利因子。专利数据可分为发明专利、实用新型专利、外观设计专利三大类；专利状态包括：专利申请、专利公开、实质审查、专利授权几个流程；专利数据指标包括数量、说明书总字数、权利要求总项数、独权总项数、附图总数、摘要总字数、IPC 分类号总数、寿命加总、专利审查期加总、前引、后引、非专利方面引用、同族专利共计 1

摘要

本期的两篇文献聚焦在资产配置和量化选股领域。第一篇报告重点讨论在执行战略资产配置时，是否需要使用再平衡策略以及采用何种频率和幅度进行再平衡，能够使投资组合获得更高收益。第二篇报告重点关注研发费用、专利因子对收益率的预测作用。

正文

/wiki/static/upload/e5/e5624f1b-6465-4010-a3ec-1c5a18ffbee2.pdf

\

研究报告

本报告在采用更合理的中泰行业划分和剔除微型股（主要受壳价值驱动）之后，从估值、盈利、成长、技术和一致预期五大类因子构建行业内选股模型，取得了稳健样本内和样本外（16年至18年2月）的回测结果。从行业内选股因子的效果来看，2017年仅部分技术类因子失效，其他类因子效果并没有发生颠覆性变化。

量化行业内选股理论分析

相对全市场的量化选股模型，行业内选股可以避免了行业间固有差异的影响，提升因子的可比性，而各行业可能存在独特的数据源能贡献新的alpha。尽管行业内样本数的不足造成统计意义的下降以及消除行业偏离后造成整体有所下降，但我们可以通过基本面逻辑和行业配置模型来补充。

问题

有没有深度学习排序选股的模板可供使用。

视频

https://www.bilibili.com/video/BV1hg411X71b?share_source=copy_web

策略源码

https://bigquant.com/wiki/doc/zhouqi-yinzi-xilie-AXKpErKDII#h-reference

以TabNet在量化选股中的应用为例

[https://bigquant.com/exp

策略简介

在前期的分享中，我们讲述了如何让策略根据市场风格进行切换，并将不同风格的策略进行融合，以提升策略收益和减少空仓时间。

那么，如何构建不同风格的量化选股模型，在市场震荡较大的时候，最大程度利用资金，本期将从6个步骤教你从零构建优质量化选股规则：

①挖掘灵感来源

②构建规则逻辑

③回测初次规则

④调优策略参数

⑤判断过拟合

⑥筛选组合优质策略

直播安排

分享嘉宾：陈奥（chenao1106)，平台优秀开发者，擅长多种风格策略，例如高胜率策略、稳妥型策略、激进型策略等。

直播时间：2022年5月11日19：30

直播地址：腾讯会议

01不同

人工智能在量化投资领域已有哪些应用实践？

未来发展将走向何方？

模型测试、因子挖掘、另类数据、对抗过拟合、生成对抗网络以及其他综合领域，有何前沿成果？

6月6日（周一）-6月10日（周五），“华泰人工智能量化研究5周年论坛”，2天主论坛与6场主题分论坛，连续5天，与您聊聊人工智能量化研究的前沿内容。

宽邦科技首席策略官 邵守田受邀，与您于16∶05-16∶35聊聊《 量化选股中Al算法应用最佳实践》。

参与方式：

行知App全程直播

扫描下方二维码直达 ![{w:100}{w:100}](/wiki/api/attachments.redirect?id=e5d

问题

tabnet如何使用调参？

视频

https://www.bilibili.com/video/BV1ZQ4y1m75U?share_source=copy_web

策略源码

TabNet在量化选股中的应用

目前主流量化私募大多采用了不做市场择时、不主动风格择时、分散持股、机器+人工构建特征、线性+非线性算法特征组合、量化模型不断迭代以及完全程序化交易的基本框架。

当前主流量化私募选股流程：特征挖掘、特征组合、组合优化以及交易算法。量化私募实现了从原始数据至真实下单的程序化交易，四大模块共同构成了量化选股私募的竞争壁垒。

1.#特征挖掘 特征挖掘模块包括特征设计、特征处理以及特征监控等流程。高质量的特征反映的是团队对A股市场宏观或者微观层面独到且深入的理解。

2.#特征组合 特征组合技术是量化选股私募的核心技术壁垒，可分为四阶段：OLS、XGBoost、集成学习、自定义分布式算法。

3