信息比率

https://bigquant.com/experimentshare/5ffea17cf0ca4e78ab50a84762c2b596

\

{{membership}}

https://bigquant.com/codeshare/a04ad103-6217-4484-a57c-81cc1e64fdf6

\

{{membership}}

https://bigquant.com/codeshare/37d36e41-2184-4342-b581-9561f199eeec

\

旧版声明

本文为旧版实现，仅供学习参考。

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

新版因子分析代码：

https://bigquant.com/wiki/doc/5zug5a2q5yig5p6q5luj56cb-Od7rjBTNDQ

策略案例

[https://bigquant

https://bigquant.com/experimentshare/3e9b0e7623284f01b7e206d1a3df4b92

\

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

摘要

分钟行情数据，提供了持仓量分析的微观视角。我们借助统计方法，从股指期货的分钟行情数据中，选出“交易激进”的部分样本，再进行交易行为的分析。由此构造的交易策略，年化收益为34.5%，年化波动为27.4%，最大回撤为36.5%，信息比率为1.26，Calmar比率为0.95。

成交持仓表，提供了持仓量分析的宏观视角。中金所每个交易日公布的“结算会员成交持仓排名”数据，是一项十分宝贵的市场信息。由此构造的交易策略，年化收益为17.0%，年化波动为12.1%，最大回撤为10.2%，信息比率为1.41，Calmar比率为1.67，日胜率为57.3%，盈亏比为1.48。

结合微观与宏观两

报告摘要

（一） 主要内容

本篇报告首先对基础动量因子进行细致分析，发现基础动量存在较多不足并提出改进思路的二维矩阵，之后对每个改进维度的切入点、逻辑链条和改进方法进行详细阐述，最后测试了各个改进因子的提升效果。

（二 ） 基础动量刨析

• 1月动量头尾组合的信息比率最突出但换手率也更高；而3月动量各组合的区分度更明显。
• 基础动量的多空收益更多来源于空头部分的贡献。
• 将1月动量与3月动量做等权合成后，复合因子的有效性能得到明显提升。

（三 ） 改进动量的思路框架

• 从动量因子的特性出发，可将动量改进的整体思路归

摘要

CPV因子多空对冲绩效（全市场）：2014年2月至今，CPV因子在全体A股中，5分组多空对冲的年化收益为17.52%，年化波动为6.23%，信息比率为2.81，月度胜率为83.72%，月度最大回撤为3.79%

CPV因子多空对冲绩效（中证500）：2014年2月至今，CPV因子在中证500成分股中，5分组多空对冲的年化收益为11.40%，年化波动为8.46%，信息比率为1.35，月度胜率为68.60%，月度最大回撤为14.75%。

4月份CPV因子收益统计：在中证500成分股中，4月份“CPV因子”组合的收益率为1.77%，中证500指数收益率为3.62%，组合对冲指数收益为

摘要

因子组合长期表现。各因子组合长期收益都显著大于零。其中，市值组合、低换手组合具有最高的月均收益；从风险调整后收益的角度看，低波动组合、增长组合能够提供超过2的信息比率。

市场周期。对中证全指进行波段划分，划定对应的上涨与下跌周期。在上涨周期中，市值组合具有最高的月均收益，市值组合、低换手组合、增长组合具有较高的信息比率；而在下跌周期中，低换手组合、低波动组合、增长组合的风险调整后收益最高。

经济状态。以官方制造业PMI指数为参考，划分扩张与收缩两种经济状态。在经济扩张状态下，增长组合是最好的选择；而在经济收缩状态下，市值组合、反转组合、低波动组合的信息比率最高。

利率变化。

问题

\

解答

参考下这篇文档

https://bigquant.com/wiki/doc/celve-jieguo-zhibiao-xiangjie-odCSHxlMER

摘要

2018 年 5 月多因子指数增强模型沪深 300 组合跑赢基准 0.65%，月中超额收益最大回撤 0.49%。中证 500 组合跑赢基准 1.57%，月中超额收益最大回撤 0.23%。

2018 年 5 月短周期价量模型跑赢中证 500 基准指数 2.69%，月中超额收益最大回撤 0.26%。

2018 年 5 月 AI 人工智能选股模型绝对收益 2.38%，跑输沪深 300 指 数-1.51%。

2018 年 5 月 Smart Beta 选股模型组合绝对收益 4.61%，跑赢万德全 A指数 1.45%。

2018 年 5 月事件驱动选股模型组合绝对收益 5.54%，

https://bigquant.com/experimentshare/b6bb3c84df0c4da5bb0b495bc52feb06

\

摘要

另类标签和集成学习有助于提升人工智能选股模型的超额收

对于量化选股模型来说，另类标签指有别于收益率的标签，也可视为一种“另类数据”。本文通过设置多种测试情形，对比了另类标签(信息比率和Calmar比率)与传统收益率标签在构建人工智能选股模型的优劣。相比收益率标签，另类标签在全A股优势显著，能明显提升选股模型的超额收益和信息比率；另类标签在指数成分股内优势较小，仅对超额收益的提升有一定作用。本文进一步使用集成学习对多种标签构建的模型进行集成。集成模型的超额收益和信息比率有稳定提升，Calmar比率也有较好表现。集成学习也可避免使用单一模型的风险，起到“模型分散化”的效果。