因子选股

策略案例

https://bigquant.com/experimentshare/0b04060b41be4c89b38adc02d2bd73a4

\

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

策略简介

本策略是一个基本的StockRanker策略，使用的因子除了一些基本的量价指标、技术指标、财务指标之外，我们加入了涨跌停的因子，由于涨跌停price_limit_status这个字段的含义是等于1表示跌停、等于2表示非涨跌停、等于3表示涨停，因此我们将过去10日的涨跌停状态相加的话，值越大就表示涨停次数越多。

在StockRanker模型上，由于数据量的增加，我们适当的调整了模型参数：叶节点数量、每叶节点最小样本数、树的数量，以避免模型欠拟合。

模型训练时间为2015-2022年，回测时间为2023-2024年，策略持股5支，等权重，持仓5天

策略源码

[htt

具体怎么调用这些因子

东方

20150626-东方证券-《因子选股系列研究之一》：多因子模型的基石——单因子有效性检验.pdf

20150909-东方证券-《因子选股系列研究之二》：低特质波动，高超额收益.pdf

20151207-东方证券-《因子选股系列研究之三》：投机、交易行为与股票收益（上）.pdf

20151214-东方证券-《因子选股系列研究之四》：基于交易热度的指数增强.pdf

20160216-东方证券-《因子选股系列研究之五》：剔除行业、风格因素后的大类因子检验.pdf

20160512-东方证券-《因子选股系列研究之七》：投机、交易行为与股票收益（下）.pdf

20160525-

摘要

在前期发布的行业轮动专题报告中，我们对于有效的行业轮动因子进行了总结，部分基本面因子存在较好的行业轮动能力。然而，对于技术类行业轮动因子，我们并未得到较好的结果。

本文从高频数据的角度出发，借鉴因子选股报告中的高频因子构建行业高频因子，并对于相关因子的行业轮动能力进行了回测。本文主要分为四部分，第一部分介绍了相关因子的逻辑以及计算方法，第二部分对于各高频因子的月度行业轮动能力进行了回测分析，第三部分变换了模型参数，对于相关因子的行业轮动能力进行了敏感性测试，第四部分展示了2017年以来相关因子所选出的多头行业。

可参考高频数据类选股因子构建高频数据类行业轮动因子。考虑到使用日

来自A股自下而上的财务分析及展望

行业量化基本面深入剖析及横向对比

/wiki/static/upload/3f/3f14a587-16bf-461e-b6b7-f32942ae6920.pdf

\

研究结论

传统用超额收益衡量事件效应大小的方法容易受行业和市值风格影响，错误的识别出一些“伪事件”，我们建议采用横截面回归方式剔除行业和市值影响计算事件导致的异常收益，再配合秩检验来识别能真正贡献alpha的事件。

如果策略组合对各个风险因子的主动暴露控制为零，那么用中性化后的alpha因子预测残差收益和预测收益率得到的组合优化结果一致；现实操作中，为了获得更高alpha，投资者一般会主动暴露少量风险，因此上面两种预测方法得到的结果会有部分差别。本报告采用预测残差收益的方法，以便和事件驱动策略整合。

事件驱动并非多因子模型之上的额外alpha，而是两个模型给出了两个不同的未

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

\

中国A股市场中因子选股的案例

作者：Daniel Fang, Diana Olteanu-Veerman

出处：SSRN, 2020-04

摘要：近年来，由于其规模和对全球金融市场的重要性，中国A股市场吸引了全球投资者的极大兴趣。A股市场具有独特的市场特征和监管环境，这给机构投资者带来了挑战。本文通过中国A股市场知名的股票因子，研究了因子策略的有效性。本文证明：经过适当设计的传统因子策略相对于市值加权基准，可以提供有吸引力的风险调整后收益。此外，作者发现：中国股票市场的一些特征对因子绩效和复杂的因子策略设计有明显的影响。值得注意的是，传统的价格动量因子在中国A股市场并不适用。相反，基于收

摘要

在前期发布的行业轮动专题报告中，我们对于有效的行业轮动因子进行了总结，部分基本面因子存在较好的行业轮动能力。然而，对于技术类行业轮动因子，我们并未得到较好的结果。 本文从高频数据的角度出发，借鉴因子选股报告中的高频因子构建行业高频因子，并对于相关因子的行业轮动能力进行了回测。本文主要分为四部分，第一部分介绍了相关因子的逻辑以及计算方法，第二部分对于各高频因子的月度行业轮动能力进行了回测分析，第三部分变换了模型参数，对于相关因子的行业轮动能力进行了敏感性测试，第四部分展示了2017年以来相关因子所选出的多头行业。

可参考高频数据类选股因子构建高频数据类行业轮动因子。考虑到使用日间

研究结论

因子选股研究通常采用月频调仓模式，但是Alpha因子的效用并非在未来一个月均匀分布，而是呈现逐步衰减的形态，也就是说我们从月初获得的alpha要比月末获得的alpha高，持仓一个月不动的调仓方式在当月后半段资金利用效率较低，有必要在alpha衰退之前调仓

因子的alpha衰减速度可以用其IC的半衰期度量，基本面因子、估值因子的衰减速度较慢，例如CFP_TTM指标的半衰期长达四个月；而技术类指标的衰减速度较快，CGO_3M指标11天左右IC即衰减了一半。

实证发现，不论是做主动量化还是做指数增强组合，周频调仓方式在交易成本较低的情况表现都明显优于月频调仓组合，但当单

研究结论

Alpha因子库的不断扩容，让投资者有处理因子共线性、增加因子信息利用效率的需求，快速发展的机器学习模型为我们提供了解决这个高维预测问题的可行方案。本报告里测试了包括Elastic Net，SVR，RandomForrest、GBRT、ANN在内的17个模型，比较其预测能力和传统线性模型的异

报告里把个股超额收益率的预测拆为Dispersion 和收益率横截面zscore 两部分，前者用AR(1)模型预测，后者用alpha因子作为解释变量，通过机器学习模型预测，模型训练采用单月横截面并行训练的模式。这种拆分预测的方法效果好于直接用超额收益率作为预测目标

我们使用自己因子

研究结论

过去几年A股alpha空间较大，一些经验的简单组合构建策略就可以获得稳健组合，组合优化方法在提高策略收益和稳健性上并无明显优势。它的作用更多是提供一个平台，让投资者同时精确控制组合风险暴露、个股数量和权重、换手率、冲击成本等，同时还可以把投资者的主观信息融合同一个模型框架下来，包容性和扩展性强。

风险厌恶系数的设定取决于要做什么策略组合，报告正文给出了估算方法。当组合优化问题的约束条件较多时，约束条件对组合风险的控制作用更大，风险厌恶系数的变动只能实现微调。

实际使用中，绝大多数组合优化问题都要通过数值方法求解。没有适用所有问题的数值算法；同一个问题，不同算法的求解时间

国内量化发展已有十余年，各家机构投资者的Alpha因子库已有较大规模，这时面临的问题是，继续花时间和精力进行因子挖掘扩充因子库是否划算，还能带来多少增量收益。我们尝试将近年来兴起的机器学习算法应用到Alpha模型上，进行低频层面的因子挖掘，考察机器因子库相对人工因子库的增量

本文首先利用遗传规划算法进行因子挖掘，再将机器因子库与人工因子库通过随机森林模型转换为预测收益率，从组合层面进行因子库效果的整体比较。考虑到技术类因子和财务类因子历史表现差别较大，我们将这两类因子的挖掘和对比分开进行

遗传规划是一种启发式的进化策略算法，可以用来进行选股因子挖掘。遗传规划算法的主要想法是模拟自然界中生物

研究结论

分析师盈利预测在海外和国内都存在明显乐观偏差，本报告将尝试用线性和非线性方法定量预测乐观偏差，并修正盈利预测以期获得更准确的预测结果

报告采用朝阳永续数据库，经筛选每年都有七、八万个样本数据，数据充足，适合机器学习模型使用；但随着最近几年新股数量的增多，研报对A股的覆盖率在下降，过去三个月内至少有一篇研报覆盖的股票目前只有一半左右

我们从研报、分析师、公司基本面、市场信息四个角度整理了27个变量用于预测分析师的乐观偏差；预测模型测试了线性的LASSO模型和非线性的GBRT模型，每个财年都用上一个财年的数据做训

从LASSO线性分析结果看，对乐观偏差影响最大的三个因素是：股票当

研究结论

股票的买卖压力不仅对价格在成交量维度上的分布有影响，而且对价格在时间维度的分布也有影响。买入压力比较大的股票在价格相对低位时会有主动买单推高价格，因而在价格相对低位的停留时间较短，卖出压力比较大的股票在价格相对高位时会有主动卖单压低价格，因而在价格相对高位的停留时间较短。

不同股票的价格不具有可比性，我们采用区间内的最高价和最低价归一化股票的价格得到相对价格位置RPP指标，RPP取值长期较大的股票买入压力较大，RPP取值长期较小的股票卖出压力较大

我们取时间加权平均的相对价格位置ARPP（即RPP对时间的积分）作为股票是否在价格相对高位停留较长时间的度量，股票在价格相对

研究结论

从2016年12月沪港通开通以来，北上资金大量流入A股，截至2020年2月3日，北上资金累计流入A股1.05万亿，对A股带来了各方面的影响，因此无论是北上资金对市场风格影响还是北上持仓和流入流出本身的信息都是值得重点研究的。

本文基于公开的北上资金持仓数据构建了12个持仓特征和流入流出交易行为的因子，并在2016.12-2019.12区间对北上因子进行了批量测试。测试发现大多数北上因子在北上持仓股票（目前为2150支）、中证800和沪深300中均具有显著的选股效果。此外，部分表现较好的北上因子也具有一定的行业选择效果。

北上因子与传统的大类因子相关性很低，但其中北

研究结论

股票的买卖压力不仅对价格在成交量维度上的分布有影响，而且对价格在时间维度的分布也有影响。买入压力比较大的股票在价格相对低位时会有主动买单推高价格，因而在价格相对低位的停留时间较短，卖出压力比较大的股票在价格相对高位时会有主动卖单压低价格，因而在价格相对高位的停留时间较短。

不同股票的价格不具有可比性，我们采用区间内的最高价和最低价归一化股票的价格得到相对价格位置RPP指标，RPP取值长期较大的股票买入压力较大，RPP取值长期较小的股票卖出压力较大。

我们取时间加权平均的相对价格位置ARPP（即RPP对时间的积分）作为股票是否在价格相对高位停留较长时间的度量，股票在价格相对高位停

股票的买卖压力不仅对价格在成交量维度上的分布有影响，而且对价格在时间维度的分布也有影响。买入压力比较大的股票在价格相对低位时会有主动买单推高价格，因而在价格相对低位的停留时间较短，卖出压力比较大的股票在价格相对高位时会有主动卖单压低价格，因而在价格相对高位的停留时间较短。

不同股票的价格不具有可比性，我们采用区间内的最高价和最低价归一化股票的价格得到相对价格位置RPP指标，RPP取值长期较大的股票买入压力较大，RPP取值长期较小的股票卖出压力较大。

我们取时间加权平均的相对价格位置ARPP（即RPP对时间的积分）作为股票是否在价格相对高位停留较长时间的度量，股票在价格相对高位停留的时间越长

本文主要研究了影响反转因子的表现的因素，包括市场状态和宏观因素，从结果上来看，MKTILLIQ（市场资金敏感性）、MKTTO（市场换手率）、MKTVOL（市场波动率）和BAS（Bid-Ask Spread）这4个市场状态指标能够显著的预测下个月反转因子多空组合的表现。综合来看，这4个指标越低的时候，反转因子表现越差

我们通过逐步回归的方法在中证全指、中证500和沪深300这3个样本空间中进行拟合，得到了我们对于反转因子多空组合月收益的预测模型，预测模型的Adjusted R-square均在20%左右，预测效果明显

我们通过过去5年历史数据构建动态调整的预测模型，并依据预测的多空组合收益率

传统多因子模型采用月频调仓，但实盘中提高调仓频率会带来两个好处：一是减小技术类alpha因子的IC衰减、二是提高风控频率降低风险。随着2016年底开始的技术类因子失效，前者的作用减弱，但后者的作用仍在

固定月频的调仓模式忽略了月中组合的风险敞口变化，所以有必要在月中实施风险监控，提升组合的调仓频率，从而同时改善组合的收益与风险。动态调仓监控风险的核心策略是：在原有固定月频的调仓基础上，在月中每日监控市值因子的暴露情况，如果市值因子敞口超过一定的阈值，我们就在下一个交易日调仓，从而使得组合风险再次中性。

和固定周频调仓模式比，在市场低波动、组合风险敞口变化不大时，动态调仓方法可以避免很多由于

价值投资不等于低估值投资，低估值股票可能是由于公司质地真的很烂，只考虑股票估值因素容易调入所谓的“估值陷阱”。所以价值投资一个必要过程是判断上市公司质地是否优良，再看公司质地是否配得上它的估值。我们这篇报告要解决的问题是如何用定量指标来衡量A股上市公司的质量优劣，验证一下A股是否真如一些市场偏见所言“只听故事，不看基本面”，“优质+合理估值”的价值投资方式能否在A股挣钱

公司质量的定义维度有很多，我们从盈利能力、成长性、财务稳健、公司治理角度定量测试了一些选股因子的有效性，具体结果可以参考报告正文，整体来说，基于市场历史公开数据，投资者是可以发现质地优良股票并获得显著超额收益的。

我们用I

本文回顾了组合优化的一般框架，讨论了组合优化中相关参数的意义和选择，包括交易成本惩罚与换手约束、风险惩罚系数与跟踪误差约束、权重上下限、风格因子暴露约束、股票数量约束，以及各约束之间的冲突等问

不同的风险水平对应着不同的预期收益，可以通过风险厌恶系数或者跟踪误差的调整实现不同的风险或收益水平，但是如果风格因子暴露约束过于严格时，投资者可选的风险、收益范围变窄，此时可以适当放松风格约束。组合优化的性能除了与算法的收敛速度有关，还与目标函数、约束条件的计算效率有关，通过引入股票协方差的因子化结构，组合方差的计算复杂度从原来的O𝑛2降低到Onk，（n为股票数量、k为风险因子数量）,全市场组合优

本篇报告主要研究了研发营收比因子在各个行业内的效果，从单因子测试角度来看，研发营收比在高科技行业(医药、电子、通讯、计算机)都有一定的效果，但是在构建行业内增强组合后，发现因子在医药和计算机行业有比较明显的新alpha贡献，在另外两个行业内新增强组合与原组合表现基本不变

我们构建了中证500内和创业板指医药计算机增强组合，其中中证500内医药计算机增强组合相比于原来的常规组合年化对冲收益提升1.3%，信息比提升0.2，最大回撤降低1.8%，效果还是比较显著的，但由于本身这两个行业在中证500内占比在15%左右，所以这样的改进对整个500增强的效果比较有限。创业板指医药计算机增强组合是以创业板