股票

摘要

盘感也可以量化么？是的！在本篇报告中，我们将尝试用量化工具去识别股票价格的盘中异动,并以此构建事件驱动模型获取超额收益。

在通常情况下，股票与指数的日内走势是随波逐流的关系。但是，在某些特殊的交易日里，股票可能在盘中频繁出现与指数走势背道而驰的情况。这种个性十足的价格异动，我们称之为“特立独行”事件。借助相关系数的简便工具，我们提出了“特立独行”异动事件的量化筛选方案。

在过去3年的历史回测中，“特立独行”事件模型总共选出异动样本7351次。持仓60日的平均累积超额收益，相对上证综指约为6%，相对万得全A约为2.5%。特别地，与我们直觉相符的是，异动样本中“逆势涨”的

研究结论

如果没有额外的信息或者大资金的强行介入、股票的日内交易特征应该处于较稳定状态，反之如果股票的日内价量特征很不稳定，那么该股票大概率有信息溢出或者被幕后大资金操控，而此时应该是考虑离场的时候了。

我们基于日内5分钟线计算了日内收益率的波动率、偏度、峰度和日内成交量的波动率、偏度、峰度和HHI指数共7个日内交易特征，考虑到时间序列自相关性，我们采用Newey-West调整标准差度量日内交易特征的稳定性（SDRVOL，SDRSKEW，SDRKURT，SDVVOL，SDVSKEW，SDVKURT和SDVHHI）。

7个日内交易特征稳定性因子在各个样本空间均展现出日内交易特

摘要

我们在本篇报告中将目光聚焦于日内价量信息和交易特征，使用分钟数据构建一系列高频因子，并对比各因子在股票和期货中的表现

高频因子分类

高频因子可以分为收益率分布、成交量分布、量价复合、资金流和日内动量等几个主要的类别，各类因子还可以做进一步的细化，例如收益率分布因子包括已实现偏度、已实现峰度和上下行波动率等。

收益率分布因子

高频偏度和下行波动占比具有显著的选股效果，多空组合月均收益差分别为1.45%和1.87%，因子IR分别为2.61和3.31。因子在股票中均呈现出反转效应，即高频偏度小、下行波动占比高的股票未来收益表现更好，而在期货中呈现出动量效应，即高

研究结论

随着技术的进步和竞争的加剧，越来越多的投资已经开始关注日内高频数据，高频数据一般指分笔数据（Tick）、快照数据（Quote）以及衍生出来的分钟数据、资金流量数据等，本文涉及主要是日内5分钟行情数据。

本文主要想考察股票的日内价格行为特征和股票未来收益率之间关系，度量股票日内价格行为特征最简单的方法是计算日内收益率的高阶矩（波动率、偏度、峰度），考虑到股票的收益率受市场、市值等风格的影响，我们在计算高阶矩时收益率用Fama-French回归的残差替代，分别计算日内特质波动率、日内特质偏度、日内特质峰度三个指标，以20日均值作为月度指标。

通过分析各因子的Rank

摘要

我们在本篇报告中将目光聚焦于日内价量信息和交易特征，使用分钟数据构建一系列高频因子，并对比各因子在股票和期货中的表现。

高频因子分类。高频因子可以分为收益率分布、成交量分布、量价复合、资金流和日内动量等几个主要的类别，各类因子还可以做进一步的细化，例如收益率分布因子包括已实现偏度、已实现峰度和上下行波动率等。

收益率分布因子。高频偏度和下行波动占比具有显著的选股效果，多空组合月均收益差分别为1.45%和1.87%，因子IR分别为2.61和3.31。因子在股票中均呈现出反转效应，即高频偏度小、下行波动占比高的股票未来收益表现更好，而在期货中呈现出动量效应，即高频偏度大、上行波动

研究结论

尾部相关系数是指二维分布中尾部数据的相关系数。反映了两个资产在极端情况下同涨或同跌的可能性。尾部相关系数分为两种，上尾相关系数和下尾相关系数。

我们基于copula方法来度量股票和市场之间的上下尾部相关系数，从结果看，上下尾部相关系数原始值和行业市值中性化后因子值在中证全指范围内均有着很强的选股效果，从2006.1-2018.9行业市值中性化后的rankIC分别为0.056和0.043，ICIR分别为2.51和1.88，但是从因子间相关性角度出发，发现这两个因子和特异度高度相关，剔除完特异度后并没有选股效果。

我们进一步结合上下尾相关系数构建上尾异常相关系数因子，

摘要

近年来，随着投资者对于技术因子挖掘的深入，能够给模型提供额外选股能力的技术因子也越来越少。考虑到现有的技术因子多基于成交数据计算得到，本文考虑使用盘口委托挂单数据构建因子，挖掘成交之外的信息。

开盘后30分钟平均净委买变化率因子具有较强的月度选股能力。回测结果表明，股票开盘后30分钟的平均净委买变化率越高，股票未来的相对收益表现越好。若将开盘后30分钟的平均净委买变化率看作是投资者对于前一天收盘后股票信息的集中反馈，那么该因子与股票未来收益之间的正相关性则表明，投资者对于信息的集中反馈越正面，体现出的买入意愿越强，股票未来的超额收益表现越好。

净委买变化率波动率因子具有较强的

研究结论

股票的任何一笔成交价格都是买卖双方撮合的结果，股票价格的变动与股票的买压与卖压密切相关，如果买压较大，价格大概率上涨，如果卖压较大，价格大概率下跌

如果股票的买压较大，有投资者择机逢低买入，那么股票在价格低位的成交量相对较大，反之卖压较大，则股票在价格高位的成交量较大。反过来，我们也可以通过股票价格和成交量的关系去捕捉股票的买压和卖

投资者逢低买入或者逢高卖出是个自适应的过程，即使投资者不能够事先判断局部高位、或者局部低位，也能通过自己的交易行为实现

价格和成交量的关系会影响股票成交量加权价格vwap的水平，基于这种联系，我们提出了APB指标用于捕捉股票的买卖压力，AP

摘要

随着传统因子研究的深入，通过使用日级别数据已经很难发现能够在传统技术选股因子之外提供额外选股能力的因子了。考虑到传统因子多使用日级别数据刻画股票日间的形态特征，通过引入日内高频数据刻画股票日内的特征也许能够为模型带来新的信息以及Alpha。这一观点也在本系列前一篇研究（《选股因子系列研究十八——价格形态因子》）中有所印证

本报告主要使用了股票1分钟价格数据构建了相关因子，对于股票高频收益分布特征（方差、偏度以及峰度）进行了刻画。报告主要分为三部分，第一部分讨论了因子的构建以及计算方式。第二部分从单因子的角度对于因子的选股能力进行了分析。第三部分对比分析了加入高频因子的改进模型以

摘要

逐笔委托订单数据包括了投资者于何时以什么价格买入或者卖出多少量股票的委托信息，而且标记了新增或者撤回的时间戳，理论上讲可以根据逐笔委托数据和交易所撮合规则重现整个交易过程，因此逐笔委托几乎包括了股票所有的交易层面信息

上交所和深交所的逐笔委托数据结构有所不同，具体体现在市价单、订单撤回等细节处理上，深交所逐笔委托数据最早可追溯至2012年下半年，上交所逐笔委托2021年5月才开始提供，本文的研究主要以深交所股票为主，基于上交所数据同样可以构建相同因子从而实现全A股覆盖

开盘集合竞价第一阶段的委托单可以随意撤回，该阶段可以通过委托撤回的方法在不需要成交的情况下测算对手盘挂单的价

The Journal of Portfolio Management February 2022

Predicting Performance Using Consumer Big Data

Kenneth Froot, Namho Kang, Gideon Ozik, Ronnie Sadka

在这篇文章中，我们研究了大数据预测公司基本面和股票收益的能力。Froot et al.(2017)使用了大约60家公司的店内销售信息，而我们整合了不同的数据源，使用了覆盖330家公司的另外两种类型的信息——网络流量和品牌知名度。我们研究这三种类型（店内销售信息、网

摘要

本文尝试在因子的框架体系中考察分析师覆盖度与股票未来收益之间的关系。提出对于传统的离散覆盖度指标，可通过线性回归方式剥离掉公司特征（如市值、流动性、前期股价表现）的影响，分解出独属于公司的特质覆盖度ATOT。覆盖度因子反映了分析师群体对其时间、精力和注意力的分配。

特质覆盖度越高，公司未来基本面向好的可能性越大

特质覆盖度对公司未来基本面具有较强的预测能力。特质覆盖度越高的公司，其未来盈利能力和营运有效性向好的可能性越大。从盈利能力来看，分析师倾向于将其研究精力分配给经营净现金流为正、净利润为正、同时相比于上一年同期净利润增加的公司。从营运有效性来看，分析师倾向

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，

问题

因子分析:

sum(max(0,high_0-delay((high_0+low_0+close_0)/3,1)),26)/sum(max(0,delay((high_0+low_0+close_0)/3,1)==-1)==,26)*100

\

解答

您好，不是的。是max后的值减一的意思。

问题

如题所示，如果画股票分时图？

问题

问下，模拟盘中，如果达到停损要求，代码如何改可以改成早盘就停损，而不是按照我调仓设置的尾盘才卖出，就是在正常调仓是尾盘卖出的不变的情况下(即不修改正常尾盘调仓)，但是股票出现停损的时候，在次日早盘就卖，而不是等到调仓设置的尾盘，代码应该如何修改，谢谢。

策略

https://bigquant.com/experimentshare/4eb60e4e3d3e4541a74e75c8a3f3feea

\

问题

如何对单只股票设置量化交易程序

问题

需要获取持仓里股票的首次买入时间，请问这个有相关函数吗？

问题

请教，如何获得股票早盘集合竞价期间的价格和成交量？用哪张表或者用哪个函数？

问题

请问下大家有没获取股票所属板块方法啊

如题，有知道的可以回答下吗

回测如何设置手续费和保证金率

可以在Initial函数中通过context的set_commission设置

def initialize(context):
    """初始化"""
    print("initialize")    

    # 股票设置费率的示例
    context.set_commission(equities_commission=PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5.0))    

    # 期货设置费率的示例
    comm_dict = {

\

问题

麻烦，问一下，期货日内分钟K线图画的时候出现这个错误，怎么解决完善？

https://bigquant.com/experimentshare/93512e5017b14351bad305ae671ba44e

解答

目前基础特征抽取只适用于股票，期货的因子计算需要用数据源模块把行情数据抽出，然后通过衍生特征抽取来进行因子计算，请参照

[https://bigquant.com/experimentshare/1e60493

\

问题

因为价格是浮点数的原因，计算出的涨跌停价与实际会有出入，会影响涨跌停判断，有没有相关的因子？或者说如何判定开盘价是涨停还是跌停价？

解答

可以通过读取DataSource(“limit_price_CN_STOCK_A”).read()表获取涨停价格。链接：https://bigquant.com/wiki/doc/-tOnkTw9FhH

\