本文来自方正证券研究所于2023年2月15日发布的报告《个股成交额的市场跟随性与“水中行舟”因子——多因子选股系列研究之九》，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

个股的成交额跟随市场的趋势，是否预示着个股未来的收益率会相对较高呢？本文中我们分两种情况进行了讨论。

其一，当个股股价处于相对高位时，其成交额与其他股票成交额之间的关联性越高越好。当个股股价处于相对高位时，如果其成交额更多是由市场趋势带动的，而非个股独立交易影响，则表明此时投资者对该股票价格的看法仍然较为一致，没有出现较大分歧，因此其上涨趋势可能还没

本文来自方正证券研究所于2022年8月4日发布的报告《波动率的波动率与投资者模糊性厌恶——多因子选股系列研究之五》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005。

摘要

波动率是股票市场最常用的风险度量指标之一，同时波动率因子对于其他驱动因子特别是量价类因子存在较为明显的影响。而波动率本身也存在明显波动，Kostopoulos等(2021)提到使用波动率的波动率来刻画波动率的模糊性。研究发现投资者普遍是波动率的模糊性（以下简称模糊性）的厌恶者，当模糊性较大时，投资者会急于卖出股票，减少在风险资产上的配置。

本文我们通过三种方式衡量模糊性较大时

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”深刻的反应了成交量的变化对于股票价格波动的预测具有指示性作用。本文中我们将尝试从成交量的边际变动出发，挖掘其对股票收益的潜在影响。

我们以利好信息为例，当一个利好信息公布后，可能会引起相应个股成交量的突然放大。如果在成交量激增的同时，价格却未发生变动，或者未能

摘要

传统多因子选股

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标。

基于高频数据因子的策略构建

基于个股日内高频数据，构建了已实现波动（Realize

摘要

分位数回归可以看作是均值回归的一种替代方法。它最早被用来研究不同的收入水平和职业、教育程度等一系列指标的关系。与均值回归相比较，分位数回归并不需要均值回归对正态和同方差的前提假设，当数据出现尖峰或者厚尾的形态以及显著的异方差时，分位数回归更加稳健。它最大的优势就是可以对分布的任何一个位置（分位点）建立回归模型，研究变量之间的关系。跟均值回归只能得到单个预测值不同，分位数回归可以通过给予数据不同的权重得到一组预测值

在中证500指数的成分股中，总市值、前一个月收益率和日均换手率三个因子对收益率分布的不同位置有着完全不一样的效应。以前一个月收益率为例，中位数回归的斜率估计与均值回归

主要观点

本文概述

本文主要介绍因子的衰减在多因子选股中的应用。主要包括因子半衰期定义、单因子衰减分析、多因子横截面IC、IC_IR半衰期加权方法和单因子时间序列最大化复合IC_IR加权方法的深入研究。发现不管是在横截面上做IC、IC_IR半衰期加权，还是单因子的时间序列加权上，单因子的半衰期H_Factor均为多因子权重求解的一个稳健最优参数。

单因子衰减分析

从单因子衰减分析可知大部分因子的IC衰减速度较快，所以在做因子IC加权时理应对因子近期的IC给与更大的权重分配，这样才能更好地适应市场短期的变化。这里，我们引入半衰期权重来衡量其影

摘要

本报告导读：基于股票组合的权重优化方法，构建市值中性、行业中性、风格中性的最优投资组合，可获得稳健的超额收益。

任意股票都在同一时刻暴露于多种不同的风险因素下，它们之间的共同作用形成了股票价格的波动。通过对不同风险因子的梳理研究，可实现对股票收益来源的分解剥离，从而定量的研究股价波动的成因。

量化对冲策略的目标是追求稳健的绝对收益，最优投资组合的构建是一种完美的平衡状态，投资经理应将组合充分暴露于阿尔法因子下，同时剔除其余不稳定的风格因素干扰。

通过股票组合的权重优化，实现了市值中性、行业中性、风格中性约束条件下的最优投资组合构建，获取稳健的超额收益。

基于组合权

摘要

因子选股模型在实际应用中的问题

我们在基础篇中对于组合的构建进行了系统化的梳理，但是在实际的应用场景中许多模型假设都受到了挑战。我们需要针对特定问题对于模型进行适当的调整

1. 因子相关性处理。因子之间的相关性可从截面以及时间序列两个角度来理解，因子的正交能够帮助我们有效控制截面相关性从而简化因子的相关性分析
2. 因子收益的预测。在收益预测模型中，股票收益的预测实际取决于因子收益的预测。今年以来较为流行的因子择时实际上就是因子收益的预测

正文

[/wiki/static/upload/35/35bb9c23-530d-49b7-aa4d-4c5e2fb9ffd2.

摘要

现代资产组合理论（Markowitz H.M. 1952）

引入均值、方差概念刻画资产风险收益特征与投资者效用偏好，通过最优化模型得到既定要求下的最优投资组合

现代资产组合理论中常见的优化问题形式：

1. 在既定风险下，最大化收益
2. 在既定收益下，最小化风险
3. 最大化效用函数

现代资产组合理论参考文献：Markowitz, H.M. (March 1952).“Portfolio Selection”.The Journal of Finance.7(1): 77–91

正文

[/wiki/static/upload/96/9608a652-c440-4

摘要

因子创新——传统因子的改进

股票高频收益方差：股票高频收益方差更加真实地体现出了股票的波动性。

相比于日收益方差，高频方差能够反应出股票收益在短时间内的波动特征。

股票高频收益偏度：偏度衡量了股票收益在尾部附近的分布特征。例如，左偏（偏度为负）体现了股票日内大幅下跌的比率远高于日内大幅上涨的比率。

股票高频收益峰度：峰度衡量了股票收益在尾部附近的波动特征。例如，较高的高频收益峰度体现了股票日内大幅下跌或者大幅上涨的幅度较大。

正文

[/wiki/static/upload/cf/cfa4303d-a39f-42f2-b2af-869ee96dc671.p

核心观点

本报告包含有色金属行业择时和有色金属行业内多因子选股两个模型。择时 模型使用宏观和行业的基本面数据，分为绝对收益和相对收益两种情况。选 股模型为多因子模型针对单一行业的细化研究。

有色金属行业择时模型

利用均值 T 检验的方法得到获取绝对收益的有效择时因子，包括 PMI、消费 者信心指数、城镇可支配收入、M0 同比、社会融资规模、十种有色金属产 销量当月同比、有色金属采矿业主营业务收入同比、有色金属采矿业固定 资产投资完成额同比，择时策略相对基准的年化收益率由 6.18%增加到 7.72%，择时策略的最大回撤为 23.85%，而基准的最大回撤为 82.17%。

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

银行业多因子与其他行业的不同

1. 银行、证券业有大量的现金、金融资产，在计算流动性指标时无法与其他行业的企业一同比较；
2. 银行业有资产拨备、计提等操作，之后其业绩会发生一些变化，使得PE等指标失真；
3. 部分财务数据如总资产利润率、存货周转率只存在于其他行业，而在银行业中这些指标并不存在。

银行业多因子：常规因子与银行专项因子

本篇报告的因子由两部分组成：常规因子与银行专项因子。我们将分别使用两个类型的因子构建模型，并在2016年至2018年4月的历史数据中回测模型获得alpha的能力以及稳定性。

常规因子

经过因子初筛以及相关性检验，常规因子我们选取了流通

摘要

在个股层面上，选股就是一种广义的“轮动”，而多因子选股则是其中一种“轮动”方式，每个alpha因子实际上都从一个角度表达了对股票截面收益的观点。容易想到，既然每个行业都是由其相应的成分股组成，那么通过整合其成分股的观点来作为整个行业的观点，是否在行业层面上，也能有“轮动”信息与效果？本文将基于这个视角，探讨基于成分股因子映射行业指标的方法，测试挑选有效的映射指标，并构建相应轮动策略与其它应用。

部分通过股票因子映射而成的行业指标具有明显轮动信息

以资产周转率变动、资产负债率变动、综合质量、营运效率提升、一致预期EPS变动、报告覆盖个数作为底层因子映射而得的行业

摘要

本文针对《行业中的超额收益探索》的研究成果进行了扩展，并在此基础上提出了一种动态检验因子有效性并选股的方法。通过2010~2016年的数据检验发现该方法在除综合行业外的其他行业里都可以选出超越行业收益的股票，各期行业选出的股票组合超越行业收益的比例在60%~65%之间，最大超额收益率达到189.2%，表明该方法在这一期间选股比较有效。应用2010~2016年统计的最优参数在2017~2019年的选股效果较差，对数据分析和检验发现该方法对股票未来收益的预测开始大幅衰减，原本持有两个月有效的时间已经衰减为一个月的时间，各类风格因子整体失效比较明显，在股票选择上的效果变差。

摘要

随着全市场基本面alpha增量信息的挖掘变得越来越困难，行业内选股模型开始备受关注

一方面，分行业建模能够更方便的加入行业特质因子，另一方面，由于不同行业特性不同，分行业建模预测准确度可能更高。基于上述两个原因，我们尝试构建行业内选股模型，期望该方法能够对原有的全市场模型有所改进。

我们采用测试和逻辑相结合的方法来寻找行业内适用的因子

行业内适用因子的寻找有很多不同的方法，但我们在研究过程中发现基于纯测试的方法和基于纯逻辑的方法都存在一定的问题，因此我们采用了测试和逻辑相结合的方法。由于行业成份股较少，缺乏大样本的显著性，对于每一个因子，我们

/wiki/static/upload/9f/9ff3537c-f8ec-4c65-9a4f-dcf9c1124789.pdf

\

请教多因子组合选股相关性越接近于0越好还是越接近于-1或1越好？

问题

机器学习选股对比传统多因子选股是否真的能提高准确度，有时感觉直接根据因子打分还更直接

\

解答

因子数量多，数据量更大时机器学习大概率会优于传统的多因子选股。

摘要

游凛峰先生，21年证券从业经历，多年海外投研经验，2009年加入工银瑞信基金，目前负责公司量化投资。深耕基本面量化投资多年，通过主动选行业+多因子量化选股，探索具有潜力的细分行业中的优质股票，注重自由现金流和盈利质量的匹配程度，实现“盈利稳定+最大化”。目前整体偏均衡成长风格，偏好配置持续高增长的行业，获取行业配置收益；个股盈利质量高，自由现金流等指标表现较优，长期业绩表现优秀。

基金经理：游凛峰先生，21年证券从业经历，2009年加入工银瑞信基金，目前负责公司量化投资，在管基金共7只，总管理规模约33.5亿元。海外投研经验丰富，深耕基本面量化投资多年，历史业绩表现优秀。

!

摘要

美林时钟

美林投资时钟强调的是大类资产间的轮动，国内早期研究将其应用到股市行业之间的轮动，但宏观数据涉及滞后性与真实性问题，此外行业之间轮动频率与经济周期也经常不一致

多元线性回归

一类是将多因子选股方法应用到行业上，通过基本面与技术面的指标进行行业选择；另一类则是利用宏观指标进行回归，得到行业轮动的预测方程

领先与滞后关系

不同经济周期下，行业之间表现存在一定的先后关系，通过研究行业之间的领先与滞后关系，可以挖掘出相对较为稳定的先后关系，进而进行轮动操作

相对强弱结合技术指标分析

正文

[/wiki/static/uploa

摘要

本报告为多因子选股系列研究的第四篇，在对原模拟组合进一步分析的基础上构建了行业中性模拟组合，并提出了一种简单可行的指数增强策略，主要有以下贡献。本文的主要贡献：

1. 进一步分析了原模拟组合的行业偏离情况。行业偏离的大小很大程度上决定了组合的稳健性。因此，分析模拟组合的行业偏离情况是必要的补充。
2. 检测选股模型在各个行业上的效果，着重找出不适用的行业。尽管从模拟组合的总体结果来看，多因子选股模型取得了优异的表现，但这并不能保证模型是适用于所有行业的。找出不适用的行业，在后续研究中可以考虑针对它们构建行业内选股模型。
3. 选出看多组合的同时，对看空组合进行了同样深入

摘要

传统多因子选股

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标。

基于个股高频数据的因子构建

本篇专题结合个股在微观市场结构中的特征，采用LSV模型

摘要

价值投资和成长投资是主动投资领域中两种核心的股票选择维度。

我们在前期报告《多因子量化选股系列专题研究—关于多因子模型构建方法实用性的理论探讨》中，对多因子模型方法论方面进行了一些务虚性的讨论，其中最主要的观点是认为，分组法是当前A股市场中最为实用的多因子模型构建方法。本文尝试基于分组法的多因子模型，实现以价值和成长为核心的多因子选股逻辑，同时通过实证检验前一篇报告所述方法论的有效性。

质量空间与质量因子：

（1）质量因子的作用，一是质量高的股票有超额收益，可作为Alpha因子来使用，二是可以剔除一些质量较差的公司，剩余样本可作为其他逻辑选股的精选股

摘要

1. 机器学习已广泛应用于各个前沿领域

2. 机器学习在金融市场中的应用举例 1.Lasso回归与商品期货价格预测

   2.使用决策树模型预测财务造假

   3.逻辑回归与债务违约预警

   4.集成学习在多因子选股中的应用

3. 机器学习应用于金融市场的局限

正文

/wiki/static/upload/7e/7e665c7e-52b2-4d99-8700-4d1d4585ad31.pdf

\