9月24日Meetup 模板案例：

策略案例

https://bigquant.com/experimentshare/2ddd6666ca164cf6b1f79b4a85cf8dae

\

本帖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

我们在研究选股逻辑时，经常会有类似这种场景，先识别股票近期是否存在异动，然后调整几天后，股价达到异动那天的某个点位，进行买入动作，但目前平台无法支撑这种场景的取值，希望平台能够支撑下，具体案例如下：

#成交量变化因子

amount_zf=amount_0/amount_1

#是否异动p定义，成交量翻倍，涨幅超过5%

yidong=where((amount_zf>2)&(return_0>1.05),1,0)

#获取最近10天内的出现异动是哪一天 yidong_day=ts_argmax(yidong, 10)

从常规思路分析，高收益策略需要，抓近期热门策略，波动大，才有机会产生高收益，但一种逻辑很难在不同的市场行情下有效，所以，在选定近期热门票的基础上，需要在不同的市场行情下，选用不同的选股逻辑去应对。

步骤：

一、定义表达市场情绪方面的因子，如：

#当天涨停数比例

group_sum(date,where(price_limit_status_03,1,0))/mean(group_sum(date,where(price_limit_status_03,1,0)),180)

#当天上涨家数/下跌家数

group_sum(date,where(return_0>

量化策略的本质是使用历史数据进行数据分析，找出某种交易逻辑，胜率、盈亏比概率更高，从而根据该策略的交易计划进行交易，实现盈利的目的。

Bigquant平台很强大，封装了很多基础数据，也提供了灵活的数据分析及策略开发的方式，比较典型的有两种：

一、AI策略

二、自定义选股逻辑策略

AI策略的特点是：

构建你认为影响股价涨跌的因子，设定训练时间，通过训练时间段内的历史数据，区分出哪些股票涨的好，哪些股票涨的差，使用AI算法能力，自动去找这些因子与股票涨跌之间的关系，用这种关系训练出预测模型，后续根据预测模型去选股。

通常只需要你构建因子、定义数据过滤条件(即你想让AI训练哪

我们在研究选股逻辑时，经常会有类似这种场景，先识别股票近期是否存在异动，然后调整几天后，股价达到异动那天的某个点位，进行买入动作，但目前平台无法支撑这种场景的取值，希望平台能够支撑下，具体案例如下：

#成交量变化因子

amount_zf=amount_0/amount_1

#是否异动p定义，成交量翻倍，涨幅超过5%

yidong=where((amount_zf>2)&(return_0>1.05),1,0)

#获取最近10天内的出现异动是哪一天 yidong_day=ts_argmax(yidong, 10)

#获取异动那天的开盘价,取值方式一，报错，无法完成取数：

摘要

交易者与交易标的是交易市场中最基础的两类元素，如果对应到二级权益市场，这两类元素的名称可以是股票与投资者（股东）。而股东作为市场的重要基础构成元素，一个值得关心的问题是：A股的股东样本及其结构本身是否具备信息价值？本篇报告将对股东类型数据进行梳理，从个股层面上尝试理清其背后可能存在的选股逻辑，并构建有效选股因子，以供投资者参考。

股东类数据：更新频率低但维度较为丰富。

股东数据可分为多个类别，包括股票的股东户数、股票前十大股东、股票机构股东、股票重要股东增减持等。其中除了增减持数据过于稀疏更适合作为事件研究外，股东数量、十大股东、机构股东数据基本都是季度频率，

摘要

分层效应的实证现象

因子有效性的分域研究由来已久，但是通常无法得到因子有效性变化的通用规律。本报告我们提出将股价振幅作为因子有效性分域的标准，并总结不同振幅水平下因子有效性变化的普适规律。我们按照振幅水平由低到高将全市场股票划分为10组，分别测试因子在不同振幅层的有效性。从因子有效性的变化来看，随着振幅水平由低到高变化，价量类因子的有效性呈现逐步增强的走势，基本面因子的有效性呈现先衰减后增强的U型曲线。我们将以上规律称为A股市场的“振幅分层效应”，简称分层效应

双因素模型：因子逻辑与预测机制共同发挥作用

关于分层效应的底层逻辑，我们提出了双因

我们在研究选股逻辑时，经常会有类似这种场景，先识别股票近期是否存在异动，然后调整几天后，股价达到异动那天的某个点位，进行买入动作，但目前平台无法支撑这种场景的取值，希望平台能够支撑下，具体案例如下：

#成交量变化因子

amount_zf=amount_0/amount_1

#是否异动p定义，成交量翻倍，涨幅超过5%

yidong=where((amount_zf>2)&(return_0>1.05),1,0)

#获取最近10天内的出现异动是哪一天 yidong_day=ts_argmax(yidong, 10)

#获取异动那天的开盘价,取值方式一，报错，无法完成取数：

y

摘要

本文是在报告《选股因子系列研究（三十四）——宏观经济数据可以用来选股吗？》的基础上所展开的进一步分析。

宏观敏感性因子的选股逻辑。上一篇报告中已提及：宏观敏感性因子只是刻画了股票与宏观经济指标之间的关系，包括方向与程度。使用宏观敏感性因子选股的正确逻辑是，当预测宏观经济指标上升时，选择正敏感或高敏感的股票。反之，选择负敏感或低敏感的股票。

如何定义对宏观经济指标高敏感与低敏感的股票？由于大多数股票对宏观因子的暴露并不显著，如果分别选取全市场股票中对目标宏观因子暴露系数最高与最低的10%的股票作为多头与空头，多数被选中的股票其实对目标宏观因子的变化并不敏感。因此，我们改用基于宏

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

“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

研究要点

多因子模型是量化投资领域中最为经典、应用最为广泛的方法体系之一。本文使用改进后的截面回归法，在因子定价逻辑基础上对技术类、预期类、财务类因子的历史收益进行了考察，构建了多因子跟踪体系。

方法介绍

使用逐步回归法提取各类因子的纯收益。

（1）截面回归在使用中面临的最大问题是因子之间的共线性问题，本文采用逐步回归法进行规避。

（2）逐步回归法的含义是，每一步回归中只对单一变量进行回归，即仅估计单一因子的收益率，而每一步回归时将前一步回归的残差项作为这一步回归的因变量。

（3）逐步回归法在实践中100%的规避了共线性问题，而且从逻辑上说，相当于

本篇报告是我们行业基本面选股系列的第十篇，重点关注房地产。该行业以住宅地产为主，其余细分领域规模较小且商业模式存在明显区别，因此本篇报告将着眼于住宅地产行业寻找其选股逻辑，并对相关指标进行全面验证，挖掘其中有效的基本面选股指标，并构造住宅地产行业内基本面选股策略，供投资者参考。

**利润表失效，关注当期销售情况：**为解决房地产公司的资金压力，我国引入了商品房预售制度，房地产公司的收入确认严重滞后于实际销售，利润表指标质量较差。现金流量表可真实反映报告期内实际经营情况，可借助经营现金流改进传统成长、运营效率指标。此外，2015年上交所、深交所相继发布指引鼓励上市公司披露月度、季度经营数据，

正文摘要

航空业具有明显的高Beta属性过去十几年，航空股表现出典型的高Beta属性。中国A股有三次大行情，在此期间，航空指数相对沪深300具有明显的超额收益，当然，A股的几次大跌行情，航空股也是明显的超跌。利用过去13年的月频数据，统计发现，航空指数相对沪深300指数的Beta为1.18，t值为15.83，显著的高Beta属性。

航空行业四季度超额收益显著年1月到2018年6月，分别统计了航空指数相对沪深300指数的超额收益，统计发现，航空指数周期性十分明显，其中，一、二、三季度其超额收益皆为负，而四季度则超额收益均值为3.44%，且这13年有8年四季度超额收益为正。

供需结构是超

在系列前期报告中，我们从不同角度探寻了分钟成交数据、TICK盘口委托数据以及逐笔数据中所包含的选股能力。研究结果表明，高频数据中包含着较为显著的选股能力。即使在剔除了常规低频因子的影响后，高频因子依旧具有显著的选股能力。考虑到系列前期报告在研究构建高频因子时，大多仅使用某一类高频数据进行因子构建，并未将相关数据搭配使用。本文从逻辑以及机器学习两个角度出发，尝试将不同类别的高频数据混合使用并构建低频选股因子。

买入意愿与主动买入的结合。总结前期研究成果可知，委托挂单数据中包含了投资者还未释放的交易意愿，而逐笔成交数据中包含了投资者已进行的交易行为。两者的结合能够更加全面地刻画投资者的交易意愿。