多因子模型

导语

本文挑选了著名的风险结构模型进行介绍，具体的细节并没有深入展开，旨在抛砖引玉，了解Barra对于风险结构模型的思维方式和理念。

多因子模型

相似的资产会有相似的回报，这是多因子模型的基本假设。由于某些特定的原因（因子），资产会表现的十分类似，例如价量变化、行业、规模或者利率变化。多因子模型就是为了发掘这些因子，并且确定收益率随因子变化的敏感程度。通常来说，多因子模型包括了宏观因子模型、基本面因子模型和统计因子模型。这几种模型在分析不同的大类资产风险收益的时候也有不同的效果。

实现原理

单个资产的多因子模型可以表示成：

![{w:100}

基本概念

量化选股模型是在量化投资领域中广泛使用的工具，旨在系统地识别和选择具有超额收益潜力的股票。这些模型通常基于历史数据和统计分析，结合了各种财务指标、市场数据、经济指标和其他相关信息。

\

常见6大选股模型

以下是一些主要和常用的量化选股模型：

1. 基于因子的模型

   1. 多因子模型：结合多个因子（如价值、成长、动量、质量、规模等）来评估股票。

https://bigquant.com/codeshare/37cf23b2-25d3-4cba-8846-09dd7701ab07

一直有报错，没有跑通，希望老师能帮忙找出问题。

报告摘要

高频因子的优势：与低频因子相比，高频数据在量化选股中的优势主要体现在：因子拥挤度相对较低、因子多样性好、检验因子的独立样本多。

研究内容：本报告从四类不同的角度构建因子：日内价格相关因子、日内价量相关因子、盘前信息因子、特定时段采样因子。考察了 46 个因子周频选股的表现。

其中，日内价格相关的因子是由日内收益率的高阶统计量和日内价格形态衍生的因子；日内价量相关因子包括成交量分布以及用价量关系构建的因子；盘前信息因子主要是从开盘集合竞价信息中提炼的因子；特定时段采样因子主要是指根据一定规则筛选出重要时段，在该时段采样提取的因子，主要包括尾盘数据构建

基本面量化策略是一种结合了基本面分析和量化分析方法的投资策略。通过对公司的财务报表、行业数据、宏观经济指标等基本面信息的量化分析，来识别被低估或高估的股票。这种策略通常涉及以下几个方面：

基本概念

1. **数据驱动的基本面深度分析：**基本面量化策略巧妙地结合统计方法与计算机算法，对公司盈利能力、财务稳健性、增长潜力等传统基本面指标进行精准分析，为投资者提供全面深入的企业价值洞察。
2. **

股票预测

• 使用AI算法进行股票或线性模型的预测

\

量化应用

• 北上资金跟踪是否有超额收益？

\

数据因子

• 如何使用bigchart画图中文坐标字体？
• 如何将老版本的多因子列表，编程新版本的多因子模型？
• 通过sql获得预期的股票数据具体操作

徐啸寅老师专属邀请码：zvthi4

使用此邀请码开通plus会员立减100元，赠送10000宽币

添加小Q再领取300元优惠券，二者可叠加使用哦～

打开微信扫描下方二维码添加小Q👇👇

![](/wiki/api/attachments.redirect?id=

比如我还要引用一个因子 代码该怎么写

\

https://bigquant.com/experimentshare/59e0f5b442dc4414a167f0447f688711

\

导语

本文介绍了如何计算因子风险暴露的内容。

判断风险暴露的建模是否合理

通常，此分析是基于历史数据，而对历史风险暴露的估计可能会影响未来的风险暴露。 因此，计算因子风险暴露是不够的。 你必须对风险暴露保持信心，并明白对风险暴露的建模是否合理。

##运用多因子模型计算因子风险暴露 我们可以运用多因子模型分析一个组合中风险和收益的来源，多因子模型对收益的分解如下：

通过对历史收益率进行建模，我们可以分析出收益中有多少是来自

\

引子

系列第一篇文章，我们得出结论，量化投资是科学的投资方法，因此量化投资能够从科学哲学的方法论中吸取营养。

系列第二篇文章，我们简单提到量化模型如何提出问题，并从笛卡尔的方法论的四句箴言中得到启发：多因子模型是一个非常好的模型框架。

当多因子模型的框架确立好以后，我们需要开始寻找因子了。或者用更普遍的话说，我们需要获得知识。

知识从哪里来？最传统的方法就是演绎（Deduction）和归纳（Induction）。还有第三种方法Abduction，将在系列第四部分中详述。

演绎

演绎推理，从陈述（前提）到逻辑上确定的结论的推理过程。

[Deducti

\

引子

系列第一篇文章，我们得出结论，量化投资是科学的投资方法，因此量化投资能够从科学哲学的方法论中吸取营养。

系列第二篇文章，我们简单提到量化模型如何提出问题，并从笛卡尔的方法论的四句箴言中得到启发：多因子模型是一个非常好的模型框架。

当多因子模型的框架确立好以后，我们需要开始寻找因子了。或者用更普遍的话说，我们需要获得知识。

知识从哪里来？最传统的方法就是演绎（Deduction）和归纳（Induction）。还有第三种方法Abduction，将在系列第四部分中详述。

演绎

演绎推理，从陈述（前提）到逻辑上确定的结论的推理过程。

[Deducti

摘要

选股多因子模型中常进行因子正交化处理。如果因子之间不满足正交性，则它们会相互影响各自的回归系数，这可能造成回归系数过大的估计误差，对因子的评价产生负面影响。

多因子模型求解

在选股多因子模型中，人们常提到的一个概念是因子正交化处理。本文就从多因子截面回归求解的角度来简单说说为什么我们喜欢相互正交的因子，以及如果因子之间不正交对回归系数会有什么影响。

一个多因子模型可以写成如下的形式：

y=Xb+ε

其中 y 是 N×1 阶股票下一期的收益率向量， X 为 N×K 阶当期的因子暴露矩阵， b 为 K×1 阶待通过回归求解得到的因子收益率向量，

写在文前：周末为大家奉上一篇来自棋剑资产王晓光的一篇报告，文有点长，但是确实系统地讲解了量化投资这件事。海纳百川，多学习不同的观点能拓宽视野。先祝大家周末快乐。


*原文：

前一段时间，李腾、陈烨、邓岳、陈志岗几位老师在知乎上发布了一份多因子模型的测试题，其中囊括了多因子建模过程中大部分需要考虑的理论和实践问题：

多因子模型水平测试题 - 科学投资 - 知乎专栏

在过去几个月时间，RQ量化策略团队对这套经久不衰的量化模型进行了系统研究。由于我们一贯追求完美的工匠精神，相关的产品项目好像还需要一段时间才能发布。。。可这又有什么关系呢？毕竟等待过的东西才是最好的——如美酒，如家书，如高中教室窗外的顾盼倩影。

在数日前，我对测试题的因子部分进行了试答：

[多因子模型水平测试题试答（因

\

前言

从IC、IR到另类线性归因

基于IC、IR的单因子分析是传统多因子分析的基石。但是IC、IR分析出却不能考虑到多因子模型中因子与因子之间的相互影响。因此我们以之前报告介绍的标准神经网络回归为例，用另类线性归因对因子进行了分析。

从线性归因到非线性归因

所有线性归因都是基于因子单调性（线性）的强假设。但是在机器学习的非线性世界中，这个强假设不复存在。非线性的机器学习算法需要非线性的归因方式。

从相关性到因果性

所有的传统归因方式都是基于相关性的而非因果性。因果分析也是机器学习未来的一个重点。我们以TMLE为例介绍机器学习下的因果性分析。

慕本在三个核心方向上取得了进步：统计学习技术叠加到趋势跟踪之上，使系统更能够适应、响应和理解市场情绪；多因子模型意味着慕本拥有更多的雷达来接收更有用的信号；以及更广泛的投资范围，包括非方向性交易，进一步扩大了潜在的机会集；执行效率也得到了提高。其结果是回报率的表现越来越有辨识度。

统计学习的艺术与科学

虽然慕本继续大量利用趋势跟踪，并认为在过去几十年中，它已经改进和完善了这一方法，但与趋势跟踪相结合的统计学习的利用反映了全球的变化。事实上，统计学习已经取代了许多行业的其他方法。慕本的联合首席执行官兼交易执行董事巴里·古德曼说：“灵活的统计学习方法已经取代了许多领域的传统预测。

前一段时间，李腾、陈烨、邓岳、陈志岗几位老师在知乎上发布了一份多因子模型的测试题，其中囊括了多因子建模过程中大部分需要考虑的理论和实践问题：

多因子模型水平测试题 - 科学投资 - 知乎专栏

在过去几个月时间，RQ量化策略团队对这套经久不衰的量化模型进行了系统研究，相关的产品项目也即将发布。我打算通过回答这份测试题的形式，分享这个过程中获得一些经验和想法。由于题目众多，在这里先对测试题的第一部分的问题进行试答，希望对大家有所帮助。

*************** 多因子模型测试题

导语：本文挑选了著名的风险结构模型进行介绍，具体的细节并没有深入展开，旨在抛砖引玉，了解Barra对于风险结构模型的思维方式和理念。

多因子模型

相似的资产会有相似的回报，这是多因子模型的基本假设。由于某些特定的原因（因子），资产会表现的十分类似，例如价量变化、行业、规模或者利率变化。多因子模型就是为了发掘这些因子，并且确定收益率随因子变化的敏感程度。通常来说，多因子模型包括了宏观因子模型、基本面因子模型和统计因子模型。这几种模型在分析不同的大类资产风险收益的时候也有不同的效果。

实现原理

单个资产的多因子模型可以表示成：

![](/wiki/api/att

本期编辑：Thomas

● 北京大学概率与统计本科，北京大学智能系硕士在读。

● 主要研究方向为基于深度学习的序列生成模型和多空股票策略(多因子模型为主)。

● 希望以后可以为大家分享自己的研究成果，以及和大家一起阅读一些相关的学术论文，开拓思维，一起进步。

原文连接：[【多因子系列】之新手必看 | 量化交易七宗罪](https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzAxNTc0Mjg0Mg%3D%3D%26mid%3D2653283543%26idx%3D1%26sn%3Df7376931ac

https://bigquant.com/experimentshare/6101b0b2a0f347cd98594fb4d0620065

\

摘要

传统多因子模型换仓频率相对较低，所用因子以基本面因子、低频量价因子为主，近年来表现相对一般，国内私募越来越重视基于高频量价数据的短线策略研究，在风格切换频繁的市场往往能取得不错的超额收益。本文将从高频数据的角度探究市场的日内微观结构，寻找符合经济学逻辑的有价值的因子。

高频数据主要可以分成两大类，快照数据和逐笔数据。快照数据又称tick行情数据，展示的是3秒一次的最新市场行情，包含的数据包括tick级的量价数据以及盘口委托挂单数据，tick级量价数据能够精准刻画股票日内价格波动，能够展现价格、成交量及成交笔数在时序上的分布和变化，盘口挂单数据能够体现不同时刻投资者的买入卖出意愿

本报告导读：机器学习寻找的是适宜交易异象的稳定周期频率，并不是寻找特定参数组下的高收益曲线（即参数过拟合）。

摘要

目前获取战胜基准指数的主要途径是从多因子模型角度来考虑的，其本质上都是通过股票间的横向比较来获取超额收益，这也是我们提出T0系列策略的初衷，希望将==个股择时与多因子模型结合==起来，给投资者带来更多思路。

深度学习在图像处理领域更加成熟，其类似于一种图像降维技术，通过提取图像中的特征值对类似图像进行匹配。本文通过深度学习的方法对参数组及胜率的多维空间进行降维，并对其分布形态进行评估，从而确定模型泛化能力。

自2015年5月至2019年5月，相对上证50指数（股票采

摘要

因表达式规划下的价量因子挖掘

多因子模型能够持续改进的核心是持续有效地发现有显著选股能力的因子。基因表达式规划是一种启发式算法，其借鉴生物基因进化的思想，能够通过不断变异与进化来发现更好的解。因此，本报告中我们基于基因表达式规划来挖掘有效的价量因子。

在短周期价量数据构造的因子中，大部分因子选股效果的单调性并不显著，还有很多因子的多头没有超额收益，因此在设置因子有效性筛选指标时，我们结合了因子的ICIR、多头超额收益以及分组收益的单调性，综合考察因子的选股效果，实际挖掘出的因也具有较为单调和显著的选股效果。

基于挖掘因子构建指数增强组合

我们将挖掘得到的周

摘要

本报告从风险和收益两个方面探讨了主题在多因子模型中的应用。

近年来A股市场股票分化较大，不少主题跑出了独立行情，我们认为研究如何将主题纳入传统的多因子模型十分必要。风险方面，当主题成为市场主要波动来源，如果不对其进行约束，可能会增大策略的风险。收益方面，主题的超额收益是独立于传统因子之外的信息源，如果能使用量化的方法获取主题的收益，则可以提升策略的表现。

主题的选取需要满足一定的条件

主题的成分股除了在基本面上有共同的驱动因素外，其涨跌幅的相关性也需要在统计上显著。我们选取了由中证指数公司等机构编制的主题指数和成分股数据，并使用回归的方法计算