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

摘要

基于业绩公告相关文本的SUE.txt因子可以刻画PEAD效应

盈余后价格漂移效应（PEAD）是指股价在盈余公告发布后有较大概率向业绩高于或低于预期的方向漂移。传统SUE因子基于公告财务数据来衡量PEAD效应并预测股票的异常收益，而本文尝试从纯文本的角度出发构建文本SUE.txt因子，对文本进行解构从而挖掘alpha信息。基于业绩预告与相关研报文本的数据实证表明，SUE.txt因子具有较强的选股能力，机器学习模型对文本的拆分和解构与直观逻辑相符，模型可信度较高。最后使用华泰金工因子库对SUE.txt基础池进行增强，20130104-20211231回测期年化收益43.47

摘要

报告取名“凤鸣朝(zhāo)阳”，是因为我们在股价日内模式的研究中发现：交易日上午的价格行为，较之于下午的价格行为，蕴藏了更多可用于选股的信息量。知情交易者更加倾向于在每日上午进行交易，因此上午的股价涨跌更加能够反映知情交易者的多空态度。

我们通过测算股价行为上午与下午的差异，构建了用于选股的APM因子。因子值越大，表示知情交易者越倾向于做多；因子值越小，则表示知情交易者越倾向于做空。根据APM因子对所有A股进行排序并等分五组，多空对冲的年化收益为17.0%，信息比率2.89，最大回撤6.39%，月度胜率80.5%，收益回撤比为2.66，显示出较强的选股能力。

将APM因子

摘要

系列前期报告《高频数据应用系列研究（一）——使用高频数据跟踪核心资产的公募基金持仓变化》讨论了使用高频数据对于基金披露的持仓进行持续修正，并得到个股上公募基金持仓占比预期的方法。本文在前期研究的基础之上，探讨了公募基金持仓占比预期（后文简称公募持仓预期）在选股以及行业轮动策略中的应用。

模型跟踪表现良好

对于公募持仓占比较高的股票，个股公募持仓预期具有相对较好的拟合效果。此外，基于个股公募持仓预期，可向上合成特定行业的公募持仓预期。行业公募持仓预期样本外拟合效果同样较好。

基于个股公募持仓预期构建选股因子。在构建选股因子时，可考虑从以下两个角度出发：

摘要

北上资金又称“聪明钱”，指外部投资者通过大陆和香港股票市场的互联互通机制，直接参与A股市场。本文就北上资金的选股策略进行深入研究，从单因子选股、事件驱动两个角度去挖掘北上资金的投资策略。

北上资金持仓风格分布

通过对比北上资金持仓、沪深300指数及中证500指数的行业暴露和barra风格因子暴露，行业暴露上来看，其持仓行业分布更偏向于沪深300的风格。另外，其相对于沪深300超配的行业有食品饮料、医药、家电，此三个行业也均为其重仓行业，其中食品饮料行业的持仓最大，占比达17.7%。风格暴露上来看，北上资金持仓股票在市值风格、流动性、beta上均与沪深300的风

摘要

本文作为“猎金”系列报告的第三十一篇，我们对A股市场分析师一致预期的准确性进行了研究，并构建了分析师预期偏差因子，进而基于分析师预期偏差构建相应的选股策略。 我们对全样本A股分析师一致预测偏差数据进行了统计分析，其平均绝对偏差（即偏差的绝对值的平均）高达131.53%，平均值也高达118.94%，对应的T检验统计量的值为25.11。表明A股市场分析师一致预期EPS同样存在显著的偏差，而且整体来看，分析师一致预期明显偏乐观。 我们基于事后的分析师一致预测偏差构建了事件驱动策略，结果显示分析师低估个股在年报公布日之后的60个交易日的超额收益达1.5%以上。分析师大幅高估个股在年报公布日

摘要

近年来，随着投资者对于因子选股体系研究的深入，选股因子值的处理也在逐渐细化。本文主要对于选股因子的正交进行了讨论。之所以讨论因子的正交是因为在传统的多因子模型中，选取的因子之间往往存在着相关性，而这种相关性并不稳定。因此相关性的存在会复杂因子权重的分配。对于等权分配因子权重的多因子模型，由于因子之间相关性的存在，模型可能实际上对于某一因子有更高的暴露（例如，市值因子）。对于权重优化的模型，相关性的影响可能会更大。因此，本文考虑在构建因子的时候就对于相关性进行剔除从而达到更为可控的因子暴露。

选股因子截面相关性波动较大。以市值因子与反转因子为例，虽然两因子截面相关性长期来看均值较

摘要

分析师预期数据与其他因子的结合方法

在多因子选股中使用分析师预期数据时，最常用的方法是将预期数据与其他因子合成，或共同用于预测股票收益，这相当于因子间的并联处理。但股票的分析师预期数据存在很多缺失值，这会影响到正常使用。BL 模型则很适合于处理这类有较多缺失值的因子。

我们在本篇报告中研究了分析师预期数据的串联使用方法：即先构造不含分析师预期数据的传统多因子组合，然后在组合外部通过 BL 模型及分析师预期数据重新计算股票权重，两部分结合后形成新的股票组合。

多数情况下串联组合有更好表现

本文的目的是进行方法上的对比，因此并没有对多因子组合做过多优化，仅按照

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

\

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

\

问题

请问这个链接中的https://bigquant.com/wiki/doc/rengongzhineng-xilie-senlin-moxing-zhengquan-20170831-WPCkF2qaZd策略源码可否分享一下呢，新手小白对里面的一些细节难以复现出来，谢谢分享

问题

平台能不能实现 先选股+后排序？

解答

已有完善的选股策略，选股结果过多，没有找到好的排序方法。听说平台有一个stockranker很好用，我就想试试，在自己研究的时候发现，发现两种方案：1是传统方案，2是AI方案。

传统方案，比如海龟策略等，可以得到选股结果，但是里边没有模型训练，也就没有排序的功能；

AI方案，在输入特征因子的时候，只能输入选股结果相关的属性，所以不能实现先选出结果后用stockranker排序；（我理解是选股结果对AI来说就是0和1，所以什么都学不到？）

我在想如何把两者结合起来，先用传统方案选股，再用AI方案对选股结果排序

大家有什么好的

导语

大部分初学AI-量化的同学做选股策略的做法都是简单粗暴将全市场的股票数据都放入模型训练， 然后企图训练出一个万能模型-图灵机， 寄希望于仅仅只通过暴力的数据挖掘，或者某些因子，就可以打造出一个适应于 任何行情的选股模型--圣杯。

但遗憾的是，A股市场中的数据噪音是很大的，不同的市场环境，不同的因子的选股效

策略案例

https://bigquant.com/experimentshare/7f7021993a9f40149189be939e15c882

\

我是初学者，我有个选股的策略想找人帮开发一下（有偿）。

计划将策略只应用于中证500里面的股票。用股票池初选功能，不成功！请问如何实现这个目标？我现在是像下面这样构造的，但是报错了。

摘要

引入生命周期捕捉定价逻辑的差异

不同股票的定价逻辑差异较大，为此，可以尝试在不同的股票池中使用不同的逻辑。本文引入生命周期这一概念，基于企业生命周期理论对股票进行划分，讨论不同生命周期内的企业的特征，并最终应用于选股策略。

依据现金流规律划分企业生命周期，成熟期盈利高，成长期业绩增速快

主要参考现金流符号法对企业生命周期进行定量划分，根据融资现金流净额、经营现金流净额和投资现金流净额的正负号将企业划分到初创期、成长期、成熟期、动荡期和衰退期。其中，成熟期企业盈利能力最强；成长期企业业绩增速最快，估值最高，受到分析师关注度也最高；而衰退期企业几乎在每一项都位居

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

AI只是工具，想要驾驭AI还得自身有点功底，不然反而会被工具所害，甚至从信仰AI变为抵制AI。本文简单介绍开发AI量化选股策略中所遇到的各种坑，希望大家有所收获，少走弯路。

本文主要从思想和实操两个层面分享下我在开发AI量化选股策略中所遇到的各种坑，也希望各位小伙伴能够进行补充。

策略思想逻辑层面

1. 训练集和测试集不能有所重合 机器学习的基本思路就是在训练集上发现pattern，训练出模型，然后对样本外的预测集数据进行预测。这好比老师平时布置的作业就是训练集，学生们通过平时的作业学习到知识，然后期末老师通过期末试卷来检验学生的学习掌握情况，如果期末试卷和平时作业

机器学习可以帮助我们进行预测和决策。可以用历史数据训练机器学习模型，来预测某个资产未来的收益率，或者是波动率（风险），然后基于模型预测来进行交易。

比如，在选股策略中，我们可以把股票的量价数据、财报数据、新闻数据等作为输入，让模型预测股票未来收益率，接下来做多预期收益率高的股票，做空预期收益率低的股票。

所以，用机器学习方法的优势，就是处理数据，从数据中获得规律的能力比传统方法要强大。

更多关于机器学习在量化投资中的应用，9月8日18:00，非凸科技的联合创始人&CTO李佐凡为同学们做深入讲解，欢迎准时参加哦@复旦

相关链接：<https://mp.weixin.qq.com/s/Ym

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

基于新闻数量的选股策略根据新闻数量和股票价格之间存在联动关系构造投资者关注度指标，并通过投资者关注度指标构建策略。实证结果表明，在中证500成分股中，利用个股新闻数量可以取得超额收益。策略要点主要有：

1.通过网络爬虫抓取中证500从2010年至今的新闻量数据，以该数据构造投资者关注度指标。 2.策略基于投资者关注度的高低，对中证500成分股进行分档，在每个月第一个交易日做多关注度低的股票，策略表现优异。

正文

[/wiki/static/upload/c9/c9c5402e-232a-4a72-9312-3e2026b7ce1f.pdf](/wiki/stati

摘要

传奇的大奖章基金

从1988年成立到2010年1月1日西蒙斯正式退休，大奖章基金的净年均收益率超过35%，远超标普500指数的年化收益率。并且，在市场波动较大的时候，比如2000年科技股灾和2008年的全球金融危机，大奖章基金表现反而更好，当年都获得了90%以上的业绩回报。 文艺复兴科技公司的核心成员中，有多位HMM领域和语音识别领域的专家，因此人们相信隐马尔科夫模型是大奖章基金取得辉煌业绩的法宝。

基于HMM模型的选股策略

本报告将语音识别的技术引入到股票涨跌预测中。假设上涨和下跌的股票各自都存在一种明确的模式，都分别可由一个HMM模型来描述。我们选择换

摘要

“净利润断层“的由来“净利润断层”是一类经典的成长股选股策略。其中“净利润”，指净利润惊喜，也是通常意义上的业绩超预期；“断层”指盈余公告次日股价出现一个明显的向上跳空行为。该策略本质是基本面与技术面共振下的选股模式，具有较强的选股逻辑和较高的可操作性。

业绩惊喜

我们用业绩超预期来刻画业绩惊喜，在刻画股票业绩超预期时，我们没有通过传统定量的方式来比较实际业绩相对预期业绩的差值，而是另辟蹊径通过一种偏定性的方式来刻画业绩超预期：通过分词和词义分析来识别分析师撰写的研究报告标题中是否带有类超预期含义的表达。通过该方法筛选出的超预期样本相对市场能产生三个月以上的持续超额收

引言

之前的随机森林选股策略的回测效果并不是很好，笔者参考一篇硕士论文得到了因子选择的思路，对原有模型进行优化调参，得到了不错的回测收益效果。笔者将模型链接附到下方，方便大家可以尝试一下不同的因子组合。

/wiki/static/upload/f6/f60ca050-8291-48bb-9e28-fb650601f075.pdf

因子研究思路

![优化流程{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}]