因子篇

因子构建

另类标签推荐

追涨策略的关键因子如何选择

基于财务数据构建策略

结合欧奈尔的RPS指标开发策略

OneHot编码作为特征因子输入模型

查了一下 某一个股的 财务数据，好像是空值？麻烦数据同学看看

https://bigquant.com/experimentshare/dcbf11ab0bbb4a278a77f14c11a6dadd

\

最近浏览平台，发现财务数据和以前不一样了？请问 如何访问呢 ？这个数据一般怎么使用呢？

比如我想获取招商银行近几期财报数据

\

请教一下大佬们，

对于有些bigquant内置变量，是可以直接作为特征变量导入的。

但是对于财务数据和宏观数据等，只是可以读取，不知道怎么用于模型。

比如m2、研发支出，在数据库中是有的，也可以读取，但是不知道怎么调用

谢谢

股票市场的存在为企业融资提供了一个自由开放的环境，在这里投资者们将资金配置于他们认为的优秀、稳健、有潜力的企业，无数的投资决策汇聚而成的“群体智慧”影响着整体的经济运行，最终促进社会的共同福祉。然而判断一个企业优质与否并非易事，正如不能仅仅通过体温来衡量人体的健康状况一样，单纯的股票价格难以完整全面地反映一家上市公司的所有特质。要想全面细致的考察一家上市公司，有必要仔细研究企业的财务数据。

财务数据上市公司的财务数据大体上分成两类：原生财务数据和衍生财务数据。原生财务数据是经典的“三大表”，即资产负债表、利润表和现金流量表。衍生财务数据通常指原生财务数据结合交易数据计算出的各

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

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

原始数据处理

原始数据的选取是多因子模型的基础，只有高质量的数据才能保证后续研究的准确。研究中遇到的数据问题主要有财务数据的滞后性与真实性问题，资产重组导致前后数据不可比问题，行业划分覆盖不全面等问题。对比数据在可比性与时效性上的不同侧重，使用最新的数据进行回测能得到更好的结果；考虑上市公司在借壳上市之前与之后的数据均含有较多的噪声，我们需要同时处理借壳公司与被借壳公司。

股票池构造

多因子选股的第一步是选择合适的股票池，而股票池的选取需要根据策略的需求进行相应的调整。类比全样本股票池，我们根据股票的流动性大小构造流动性1500股票池进行替代。

问题

你好 我想问一下多季度财务的财务数据如何快速获取，并且能够通过组合变成一个因子进行分析。

例如 我需要这个季度的现金流和上个季度的现金流来计算现金流的变化情况。或者我需要这个季度的总资产和上个季度的总资产来计算平均资产，等等。

\

解答

你好，财务数据相关的因子基本可以在预计算因子里面找到https://bigquant.com/wiki/doc/yinzi-b9voNK2tnq 我们可以在特征列表里写入表达式获取两个季度现金流的平均值，参考这个模版 季度数据，滚动一年ttm数据等财务因子我们正在开发。

[https://bigquant.com/experimen

报告摘要

主要观点

本篇是“学海拾珠”系列第四十九篇，本期推荐的海外文献研究了公司盈利季节性和股票收益之间的关系。如果公司某一季度的盈利常年显著高于其他季度，就称该季度为正季节性季度。研究发现，当这类公司发布正季节性季度的盈利公告时，其股票会存在显著的超额收益。这种效应不是由风险因素或对公司特定消息的延迟反应所导致的，已有的风险因子都无法解释这种风险溢价。

回到A股市场，一方面，从因子选股的角度，盈利季节性earnrank因子计算简便，容易复制，可尝试回测其在不同选股域中的表现。另一方面，围绕盈余公告溢价，盈利季节性又提供了新的视角，可尝试对公司进行

摘要

本文作为“基本面Alpha的复兴”系列报告的三篇，我们受债券久期的启发，结合上市公司财务数据以及分析师一致预期数据，构建了股票久期因子。

整体来看，在市场表现差的时候，股票久期相对较短，而当市场表现强势的时候，股票久期相对较长。从各行业股票久期来看，国防军工、传媒、餐饮旅游、计算机和通信等行业的久期相对较长，而煤炭、汽车、钢铁、房地产和银行等行业久期相对较短。

股票久期因子在全A中展现出了较强的选股能力。其平均IC为4.94%，IR为0.30，t检验统计量为3.76。因子多空组合的年化收益为21.85%，夏普比率为1.03，最大回撤为31.29%。

经过行业和市值中性化之后，

注：报告选自中泰证券_20181112

报告摘要

按照指数编制规则，参考股票交易数据及财务数据，对成分股调入调出情况进行预测。（中证指数专家委员会一般在每年 5 月和 11 月的下旬开会审核指数样本股，样本股调整实施时间是每年 6 月和 12 月的第二个星期五收盘后的下一个交易日）。

截至 2017 年年底，以典型宽基指数为跟踪标的（沪深 300、上证 50、中证 500）被动+指数增强的基金总规模达到近 2300 亿元。而每次跟踪指数成分股出现调整时，这部分资金对新调入和新调出的个股走势或有一定影响。

沪深 300 指数新调入股票预测（部分）：工业富联、药明康德、韵达股份、青

导读

量化选股的数据来源无外乎财务数据、量价数据、预期类数据以及部分另类数据（文本、网络热度、专利、新闻情绪等）。除了另类数据的探索之外，传统数据加工方法的创新化也是探寻新Alpha的路径。

我们从公司财务能力的四大衡量维度入手（偿债能力、营运能力、盈利能力、企业发展能力），分别选取有代表性的指标作为公司财务能力的衡量维度，进一步引入计算公司财务能力相似度的方式，相似度高的公司股价应具有一定的协同效应。在此基础上，我们构建了财务动量因子（简称为F-Momentum）去衡量这种协同效应，并研究该因子的选股有效性。

从测试结果来看，F-Momentum因子IC达到0.027，ICIR达

股票市场的存在为企业融资提供了一个自由开放的环境，在这里投资者们将资金配置于他们认为的优秀、稳健、有潜力的企业，无数的投资决策汇聚而成的“群体智慧”影响着整体的经济运行，最终促进社会的共同福祉。然而判断一个企业优质与否并非易事，正如不能仅仅通过体温来衡量人体的健康状况一样，单纯的股票价格难以完整全面地反映一家上市公司的所有特质。要想全面细致的考察一家上市公司，有必要仔细研究企业的财务数据。

财务数据

上市公司的财务数据大体上分成两类：原生财务数据和衍生财务数据。原生财务数据是经典的“三大表”，即资产负债表、利润表和现金流量表。衍生财务数据通常指原生财务数据结合交易数据计算出的各类财