摘要

前言：东吴金工推出“波动率选股因子”系列研究，尝试在目前已被广泛使用的传统波动率因子的基础上，进行一系列新的探索。作为系列研究第一篇，本报告受到“波动率聚集现象”的启发，从波动率因子的跨期截面相关性入手，对传统的特质波动率因子，提出一种简单朴素而又效果优秀的改进方案。

传统特质波动率因子

基于Fama-French三因子模型，构建特质波动率因子。回测结果显示，传统特质波动率因子已经具备不错的选股能力，其月度IC均值为-0.059，年化ICIR为-1.78，5分组多空对冲的信息比率为1.48，月度胜率为70.65%；但它与换手率因子相关性较高，且选股能力不如换手率因子，

摘要

基础反转因子有一定选股能力

以21天收益率构建的基础反转因子是目前最常用的反转因子，可以获得年化1.10%的超额收益率和0.16的信息比，有一定的选股能力，但波动较大，回撤年份多，且分组线性性不佳。在剥离了流动性和波动率因子的线性影响后，年化超额收益为-0.19%，信息比为0.00。

高频反转因子显著增强了反转效应的选股能力

以成交量加权合成的高频反转因子显著提升了基础反转因子的选股能力。其平均IC为-0.09，IC_IR为1.01，可以获得年化5.98%的超额收益和0.98的信息比，因子的收益能力和稳定性均有显著提高。除第1、2组外，净值分

摘要

Jason Wei 等人[2010]在研究中发现，美国三大交易所均有动量、反转效应并存现象，高波动股票多表现为动量，而低波动股票往往表 现出反转效应。我们认为市值、波动率、动量作为股票基本特征， 与其他因子存在强关联性，循着文献思路，对 A 股动量反转效应再 研究，剔除市值、行业影响，比较不同波动下，A 股动量反转因子 组合收益，并据此构建策略增强组合。

本文回测发现，A 股具有明显的反转效应，即过去收益率较低的股 票未来具有较高收益，而且窗口期 1 个月-6 个月的反转因子均有效， 从年化收益与夏普比率角度来看，反转效应随着观察窗口期增加而 减弱，短期反转效应更强，Retu

摘要

常见选股因子在医药行业内存在显著选股效果。其中，风格类因子平均收益水平高，但稳定性差，在近两年出现了持续性的大幅回撤。技术类因子与股票收益呈现显著负相关性，前期涨跌幅越大，换手率越高，波动率越大，流动性越强，次月股票收益表现越差。在这几个因子中，综合表现最好的是波动率，综合表现相对较差的是换手率。盈利能力在医药行业内也存在显著的选股效果，高盈利公司具有更高的收益。

医药行业其他有效的选股因子。除常见的ROE及其同比增长因子外，其余基本面因子在医药行业内也存在显著的选股效果。企业盈利能力越高，资产增长越快，利润增长越快，盈利质量越好，偿债能力越强，股票收益表现越优。从一致预期数据

摘要

在多因子选股体系中，波动率作为常用的技术面因子，与股票收益率呈现显著的负相关关系。本文对波动率因子进行了深入的剖析，主要研究一般波动率的改进方式，试图提高波动率的选股能力。

一般波动率是股票涨跌幅的标准差。然而股票的市场表现都会受到市场风格或者因子的影响，股票涨跌幅可以分为两个部分：共同因素可解释的收益率（同质收益率）与异质因素驱动收益率（异质收益率）。受共同因素驱动的收益率是具有同质性、逻辑性和可解释性的，而受异质因素驱动的收益率是个股风险的集中表现，具有特殊性、复杂性并且难以进行解释。

我们将异质波动率定义为某只股票在不同时期异质收益率的波动率，本文以因子模型为基础计算异

报告摘要

本文概述本文分别简单介绍了CAPM模型、Fama-French三因子和五因子模型及Carhart四因子模型，基于模型得到残差的波动率，即特质波动率；并在A股进行了实证与研究。最后分析了Barra纯因子模型得到控制特质波动率暴露度为一个单位，其它因子暴露为零的特质波动率纯因子收益。

低特质波动率配置效应显著以特质波动率排名后30%的个股等权作为策略组合，以全市场个股等权为基准；2005年5月到2018年2月，年化超额收益7.55%，跟踪误差为4.67%，信息比率1.62，最大回撤5.85%。低特质波动率组合超额收益相当显著。

传统因子对特质波动率解释度并不明显以传统的成长因

摘要

本文主要探讨了采用固定时间窗口、等权预测因子溢价方法的局限性和适用性，并详细分析了基于数据时效性和参数波动性改进因子溢价预测的方法

估计时间窗口的选取会影响收益率预测模型的表现。为提高收益率预测模型的预测精度，需有效选取时间窗口长度。时间窗口过长，因子溢价难以适应变动的市场环境；但时间窗口过短，干扰信息过多，也难以达到有效的估计目的。

指数加权移动平均法灵活性高。指数加权移动平均法可通过调整衰减速度，将距离当前时间点较远的数据点权重配臵为0；因此在因子溢价估计过程中，时间窗口的选择问题，在一定程度上可转换为确定衰减速度的问题。此外，该方法将较大的权重放在较近的数据上，更能适应

摘要

波动率分解：上行波动与下行波动

波动率是来反应市场波动幅度的大小，大家通常也用来观察市场情绪或预测市场趋势。A股市场做空机制相对欠缺，波动率分布并不对称。故有必要加以区分，我们把波动率区分为上行波动率与下行波动率。本文中其定义为：以开盘价为基准，开盘价以上的波动定义为上行波动率，反之为下行波动率。上行与下行波动差值通过历史数检验发现有较好的预测效果，其中以振幅波动差值预测效果最佳。

基于单向波动差构建择时策略基于振幅波动差值预测效果构建策略，当前一天波动率差值趋势（为增加稳定性，采用60日移动均值）为正时则看多，反之则看空。沪深300指数测试时间区间（2006年1月至

摘要

风格因子的空头组具有显著的负向超额从2007-02-01至2019-12-31的测算结果看，流动性、反转、波动率、成长、价值、规模和质量因子具有显著的负向超额收益，年化依次分别为11.20%、10.08%、9.15%、6.87%、6.82%、5.82%和5.75%。

风格因子负面组合具有显著的负面Alpha从2007-02-01至2019-12-31的测算结果看，流动性、反转、波动率、价值、成长、质量和规模因子的负面组合相对于中证500指数增强组合具有显著的负面Alpha，年化依次分别为17.19%、16.60%、15.38%、10.63%、9.86%、8.78%和8.70%。

问题

因子研究中过去n个交易日的平均成交量波动率如何计算

解答

您好，这里边是有两个参数的，一个是波动率的周期，一个是成交量的平均天数： std(mean(x1,x2,x3), mean(x4,x5,x6)…)

https://bigquant.com/experimentshare/dec76184070c45f1a9293794b0ca90ae

\

https://bigquant.com/experimentshare/4d787bfaafaa40578641e6d2ae0b6fd0

\

问题

如何建立风险平价的FOF基金，写的代码没看懂，所以想咨询下，不知道方便吗

补充：编程纯小白一位

https://bigquant.com/experimentshare/a12d5ef8030d4bf284a49c400fbb56a9

\

{{membership}}

https://bigquant.com/aistatic/codeshare/?id=651c6c32-c6b0-47c7-9a13-2fc57884c237

https://mp.weixin.qq.com/s/vX4I9SpKRF3_HKQOGhtZcQ

问题

\

解答

参考下这篇文档

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

近几年，我们愈发感受到现在国内量化行业的竞争在持续升温与快速迭代。量化赛道的参与者在快速增加，无论是海归派还是本土派，各类的研究流派都相继在量化赛道中参与竞争。

但在当下尚未达到完全有效的A股市场环境中，随着使用同类策略的选手越来越多，必然会快速挤压有限的超额空间。量化产品超额衰减、收益率下降、波动率上升的压力随之而来。有人就会问：那量化行业究竟有没有未来呢？

在开始决定要不要进入一个行业到从事一份工作的时候，每个人心理都有一个疑问：能不能稳定的长久的干下去？然而，现实高速我们，这只是一厢情愿的想法。

有着20年量化经验的Quant告诉我们，没有永恒，因为经济的周期性特征，只要进入金融圈

问题

freestyle996+如何运用股票标注的方法对1-3日内上涨的股票进行标注?

视频回放

https://www.bilibili.com/video/BV1uP4y1R7kh/?spm_id_from=333.999.0.0

策略源码

[https://bigquant.com/experimentshare/0a4bb333c1bb4f4e91d7701a3538f6f4](https://bigquant.co

问题

回测模块的返回可以用

read_raw_perf()来读取，但是读取之后每个列的值的含义可以去哪里查呢，虽然这个链接已经写了一部分，但是列名和使用read_raw_perf()读取后的结果是对不上的，比如读取后的列名有 returns，

starting_exposure，pnl，

excess_return max_drawdown max_leverage

等等这些列的具体含义有说明文档可以查吗？

解答

目前还没有对raw_perf进行字段文档的输出，这个我们下来整理一下近期会放到知识库中

摘要

本文概述了国内可转债市场现状，并测试了基于隐含波动率的低估值策略

可转债是一种特殊的公司债券，持有者能在一定期限内以转股比例转换成对应的股票，因此其具有期权属性。近年来可转债市场规模持续增长，公募基金有增大可转债投资比例的趋势。本文在合理假设下，基于 B-S 模型建立了可转债估值框架，并由此推算出可转债内含期权的隐含波动率，隐含波动率对辅助判断期权价值有关键作用。为了选出低估值的可转债，本文构建了基于隐含波动率与正股波动率差值的低估值因子，并分不同调仓频率进行分层回测。结果显示因子单调性显著，2016 年以来 TOP 组合年化收益率为25.85%(20 天调仓)。

文献摘要

盈余公告收益及标准化预期外盈利

盈余公告收益（EAR）刻画了市场对于公司业绩公告中包含的预期外信息的反应情况。EAR的多空收益年化能够达到7.55%，比传统度量业绩超预期的标准化预期外盈利（SUE）因子的多空收益高1.37%。并且EAR和SUE的收益贡献是相对独立的，两因子复合后能够达到12.5%的年化多空收益。

波动率模型以及波动率的程式化特征实证

波动率模型能够准确预测波动率是其在金融各领域应用中的核心诉求。本文罗列了波动率模型中应该包含的各种程式化的因素：明显的持续性，均值回归，非对称性以及外生变量的影响。并使用了道琼斯工业指数来对这些因素

摘要

中国商品期货市场近30年来取得历史性突破和跨越式发展。近年来，伴随股票市场多因子选股策略的风靡，越来越多的期货界投资人士，在尝试使用多因子框架构建商品市场的CTA策略。这类策略的核心是找到各类可以影响商品市场价格涨跌的公共因子，如资产动量、波动率、宏观基本面等，构建统一框架来评估资产价格上涨、下跌的潜力，进而构建商品市场的组合投资策略，多因子策略是近年来CTA策略的一个重要分支。本文主要尝试对多因子CTA策略构建中一些常用的因子进行测评，并试图构建一个基本的多因子CTA策略，以深入洞察该类策略的运作，供投资者参考

测试的因子包括技术面因子以及宏观基本面两类因子。技术面因子采用横

研究结论

前言：本篇报告为东吴金工“波动率选股因子”系列研究的第二篇，受到学术界“股价波动与股票信息流”关系理论的启发，从“信息冲击”的角度出发，逐步构建了衡量“股票信息分布均匀度”的选股因子。

波动率与信息冲击：学术研究表明，股票价格的波动，与流入股票的信息流直接相关。借鉴前人研究经验，我们提出如下猜想：若股票信息匀速流入市场，则股价的波动相对较小；但若信息流入市场的速度发生剧烈变化，则会造成股价的波动迅速增大。因此，我们认为股价波动率大小的变化幅度，可以用来衡量信息冲击的剧烈程度。

信息分布均匀度UID因子：利用个股分钟数据，在计算每日高频波动率的基础上，构建信息分布均匀度UID因子

上周波动率因子表现出色，其余价量因子整体表现较好

上周波动率因子表现出色，在沪深300成份股票池的RankIC值超过10%，在中证500、中证1000成份股、全A股票池的RankIC值在20%左右。估值、反转、换手率、beta因子表现接近，在沪深300成份股票池表现平淡，在其余股票池表现较好。成长因子在中证500成份股票池表现较好，在中证1000成份股票池出现回撤。盈利因子在沪深300成份股票池表现较好，在中证1000成份股、全A股票池出现回撤。财务质量、技术因子整体表现尚可。小市值因子在沪深300成份股票池出现回撤，在中证1000成份股、全A股票池表现较好。

主动型量化基金近1个月表现强

机器学习可以帮助我们进行预测和决策。可以用历史数据训练机器学习模型，来预测某个资产未来的收益率，或者是波动率（风险），然后基于模型预测来进行交易。

比如，在选股策略中，我们可以把股票的量价数据、财报数据、新闻数据等作为输入，让模型预测股票未来收益率，接下来做多预期收益率高的股票，做空预期收益率低的股票。

所以，用机器学习方法的优势，就是处理数据，从数据中获得规律的能力比传统方法要强大。

更多关于机器学习在量化投资中的应用，9月8日18:00，非凸科技的联合创始人&CTO李佐凡为同学们做深入讲解，欢迎准时参加哦@复旦

相关链接：<https://mp.weixin.qq.com/s/Ym