1.根据系统的代码提示举个例子今天是2023年1月11日，传给交易策略的数据data_pred为什么是2023年1月10号的数据，因为回测数据中11号的交易显示正好是10的数据，按照这个交易逻辑 那一句显示了是前一天的数据，策略是探讨的是多因子数据与未来五日的交易情况，确实应该第二天的开盘价进行交易。哪位老师能解释一下这段代码那个地方说明了是第二天进行交易，求解，困扰了很久了。

2.第二个问题，current_day_data

/wiki/static/upload/0a/0a1fb03c-603c-4eea-8be0-6f3f8a7c17d8.pdf

\

策略介绍

多因子选股策略是一种简单而又广泛使用的技术分析工具，主要用于识别市场趋势的变化和生成交易信号。

主要用到以下几个因子：

pb
rank(pb)
rank(roe_avg_lf)
rank(roe_avg_ttm) 
rank(net_profit_qoq_lf)
rank(roe_avg_lf)+rank(net_profit_qoq_lf)-rank(pb) AS my_rank
roe_avg_lf
roe_avg_ttm
close
adjust_factor

策略流程

1. 筛选条件：

研报及源码

【方正金工】成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一

视频讲解

https://www.bilibili.com/video/BV1pW4y1X7Ds/

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

多因子选股模型涉及将多个指标（或“因子”）组合起来，用以评估股票的潜在回报与风险。这些因子通常包括但不限于价值、动量、规模、质量、波动性和股息收益等。接下来，将详细解释一些常见的多因子模型指标公式，并用数据示例来说明它们如何工作。

价值因子

价值因子通常通过比较股票的市场价格与其基本面价值来评估股票是否被低估。常用的指标包括市盈率（P/E）、市净率（P/B）、企业价值对EBITD

多因子选股模型是一个在全球金融领域广泛应用的投资策略，它基于多个因子来评估和选择股票。这种模型试图通过组合不同的投资因子，比如价值、成长、市场情绪、质量、动量等，来提高投资组合的回报率并降低风险。

基本概念

多因子选股模型通过综合考虑多个影响股票表现的因子来构建投资组合。这些因子是基于历史数据和金融理论研究得出的，能够从不同角度反映股票的潜在价值和风险。例如，价值因子可能基于公司的

https://bigquant.com/experimentshare/c2cf252d64b7408a8071f4d78f52a5ea

\

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

本文来自方正证券研究所于2022年4月12日发布的报告《成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005。

摘要

在股票市场中，成交量的边际变化隐含着非常重要的信息，特别是在技术分析领域，成交量被认为是股票市场的原动力。俗语“量在价先”深刻的反

\

更新

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

本文来自方正证券研究所于2023年3月27日发布的报告《推动个股价格变化的因素分解与“花隐林间”因子——多因子选股系列研究之十》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005，联系人：陈宗伟。

摘要

推动个股价格发生变化的因素，通常可以分为三大类：市场层面的推动力、个股层面的推动力、噪声。其中个股层面的推动

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

[ht

StockRanker多因子选股策略

https://bigquant.com/codesharev2/5d97cb4f-526b-45be-9527-5a6927873337

\

StockRanker多因子选股策略

https://bigquant.com/experimentshare/1b8882bded4c4127a6c6edc792af662d

\

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

https://bigquant.com/codesharev2/aae24fd2-15eb-4963-b009-5881e9e47912

\

注：【方正金工】成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一

引言

在股票市场中，成交量的变化承载着丰富的信息，它不仅是技术分析的核心要素，更是投资者们解读市场情况的关键窗口。"量在价先"这句谚语旨在强调成交量在股票价格波动预测中的重要性，而这个观点已经被广泛验证和接受。

首先，成交量的大小可以视为市场或个股的活跃度指标。如果某只股票的成交量持续攀升，而价格也随之上涨，这通常被视为市场对该股票的热情高涨，投资者们对其表现出极大的兴趣。相反，如果成交量下降而价格波动微小，这可能意味着市场对该股票失去了兴趣，投资者的情绪较为冷淡。这种活跃度与情绪变化的关系，是市场

Alpha191因子是国泰君安证券研究者，于2017年6月，在《数量化专题: 基于短周期价量特征的多因子选股体系》研报中提出的191个因子，具体的因子表达式如下

\

Alpha1:   (-1 * CORR(RANK(DELTA(LOG(VOLUME), 1)), RANK(((CLOSE -OPEN) / OPEN)), 6))

Alpha2:   (-1 * DELTA((((CLOSE -LOW) -(HIGH -CLOSE)) / (HIGH -LOW)), 1))

Alpha3:   SUM((CLOSE=DELAY(CLOSE,1)?0:CLOSE-(CL

注：【方正金工】推动个股价格变化的因素分解与“花隐林间”因子——多因子选股系列研究之十

引言

推动个股价格发生变化的因素，通常可以分为三大类：市场层面的推动力、个股层面的推动力、噪声。其中个股层面的推动力又可以划分为近期突然到来的信息和中长期的基本面信息。在上述4种推动力中，个股突然到来的信息、中长期的基本面信息和噪声的推动力量越小，预示着股票未来收益率越高。

以上三种推动力均为信息层面的市场推动力，考虑到A股现状，大多数股票会受到短期信息带来的“推动力”产生动量或反转效应。但实际股票的合理价值大多数时并不会因为突然到来的信息而改变。所以当股票持续因信

摘要

本篇报告中，我们将开创性的构建全新的多因子模型体系--短周期交易型多因子阿尔法选股体系。

通过交易型阿尔法策略的研究，我们发现在A股市场，与传统多因子模型所获取的股票价值阿尔法收益相比，交易型阿尔法收益的空间更大、收益稳定性也更强。

即便是最纯粹的价值投资者也不得不承认，交易行为在短期内对股票价格起着几乎是决定性的影响，而发掘这种交易型套利空间正是量化投资的优势所在，因此量化模型在这一领域内应有着广泛的运用空间。

在本篇报告所构建的交易体系中，我们总共构建、运用了将近200个短周期阿尔法因子，其中因子数据则均来自于个股日频率的价格与成交量数据。在此基础上，我们构建了

沪深300指数增强 github

注：由于HS300使用的1min数据进行学习，使用数据量较大，相关数据库没有上传到github。

上证50指数增强 [github](https://link.zhihu

摘要

特征选择是人工智能选股策略的重要步骤，能够提升基学习器的预测效果

特征选择是机器学习数据预处理环节的重要步骤，核心思想是从全体特征中选择一组优质的子集作为输入训练集，从而提升模型的学习和预测效果。我们将特征选择方法应用于多因子选股，发现特征选择对逻辑回归_6m、XGBoost_6m基学习器的预测效果有一定提升。我们以全A股为股票池，以沪深300和中证500为基准，构建行业中性和市值中性的选股策略。基于F值和互信息的方法对于逻辑回归_6m、XGBoost_6m、XGBoost_72m基学习器的回测表现具有明显的提升效果。

**随着入选特征数的增加，模型预测效果先上升后

摘要

传统的 IC 或者 Rank IC 在评价因子选股效果时不够合理，有一些陷阱。基于 IC 进行因子配置不十分靠谱。本文提出对 IC 的一些改进，并建议使用加权 IC 来评判因子效果。

IC 和 Rank IC

在多因子选股实务中，人们热衷于动态评价因子在单期截面上的选股效果。为实现这个目标，通常的做法是用当期个股的因子取值（记为 **）和下一期个股的收益率（记为 ** ![y](https://www.zhihu.com/equati

摘要

基本面投资逻辑日益受到量化组合投资者的重视，本篇报告重点关注各类基本面因子对不同风格股票预测能力的差异及其在策略构建中的应用。

研究表明，基于市值域划分、盈利域划分以及波动域划分的状态下，各类基本面因子对不同风格域内的股票收益预测能力存在显著差异，相应的因子权重应有所区分。

阿尔法模型构建过程中，我们分别考虑了最优因子权重、个股因子权重匹配、预期收益整合等细节内容，目的是使得因子组合更有效的适应不同风格的市场环境变化，提高模型预测精度。

基于风格域划分下的基本面多因子策略自 2013 年至 2018 年 6 月，实现年化超额收益 18%，信息比率 2.81。相比于未分域的基

摘要

策略研究背景

2015年第二季度行业投资策略

阿尔法对冲策略收益率不大yu盘风格轮动收益率高度相关。

在2014年12月的市场行情中，普遍遭遇了较大回撤。策略研究目标：

通过风险模型定量的分解股票收益来源，进而实现组合波动率的预测。

构建股票组合，使组合尽量暴露在阿尔法因子下，同时剔除其余丌稳定的风格因素的干扰。

通过优化方法，构建现金中性、行业中性、风格中性的最优投资组合，获取稳健超额收益。

策略研发思路

构建结构化风险模型对股票组合的收益率和波动率进行量化预测。

行业因子：A股30个行业分类

风格因子：9大类因子Beta、Momentum、

摘要

量化投资与多因子选股

量化投资的本质是借用计算机将传统投资的逻辑定量化，并具有纪律性、程序化等优势。量化投资主要分为两个大方向，选股以及择时，分别决定了买卖的标的与时点，而量化选股则又包括了多因子选股、行业轮动、事件驱动等策略。量化策略的前提假设是历史会重复，而多因子选股则提炼出那些能够长期具备择股能力的因素，并加以整合。 多因子模型从历史数据分析，挑选出能够长期有效甄别出未来高收益股票的因子，并构建模型。在多因子选股时，股票的规模、估值、盈利水平、成长能力、过去的市场表现等等都将体现在量化模型中进行综合的判断。在不同的市场环境中，模型中的因子会有不同的表现，但整体提供