因子研究

在金融投资领域中，因子研究是量化投资的重要组成部分。这是一种研究和分析股票、债券等金融资产的性能和风险的关键手段，以揭示影响投资回报的基本因素。

因子研究的核心价值在于，它可以揭示那些对投资回报产生持续影响的变量，如市值、质量、动量、低波动性、收益率等。这些因子在历史上已经显示出对投资回报的显著影响，因此，对这些因子的深入理解和应用，对于量化投资策略的建立至关重要。

通过量化方法，如统计和数学模型，因子研究可以帮助投资者更好地理解资产的性能和风险，从而优化投资组合，实现风险和回报的平衡。因子研究的结果还可以帮助投资者一定程度上预测未来的市场趋势，从而做出更加科学和

投资组合风险和收益率的计算涉及多个财务概念和数学公式。让我们首先了解一些基本概念，然后进入具体的计算方法。

投资组合收益率的计算 假设投资组合由多种资产组成，每种资产的预期收益率和投资占比各不相同。

投资组合的预期收益率可以通过以下公式计算：Rp ​=∑(n,i=1) (wi ×Ri​ )

Rp ​ 代表投资组合的预期收益率。

n 代表投资组合中的资产种类数。

wi ​代表第 i 种资产在投资组合中的权重

回测结果是基于历史数据对某一投资策略进行模拟交易后得到的结果。进行回测的目的是为了评估一个投资策略的盈利能力、风险水平以及其他相关指标。

回测结果中通常包括不同时间段的投资收益率、最大回撤、胜率等指标。这些结果可以帮助投资者了解该策略的优势和不足，从而进行调整和优化。

基本概念

回测结果通常包含多个方面的信息，主要包括：

1. 总收益率：在策略回测期间，总收益率作为盈利或亏损的总体百

%%sql SELECT date, instrument, close, open, close/m_lag(close,1) as cr, (close / LAG(close, 5) OVER (PARTITION BY instrument ORDER BY date))-1 AS change_ratio_5d, PERCENT_

收益率（Return）是衡量投资价值随时间变化的百分比。它是一个基本的财务指标，用于评估资产或投资组合在一定时期内的表现。收益率可以基于过去（历史收益率）或预期（预期收益率）来计算。

年化收益率（Annualized Return）是将投资在不同时间段内的收益率调整为一年的标准时间长度，从而使得不同时间长度的投资收益率可以进行公平比较。年化收益率对于评估和比较不同投资的长期表现尤为重要。BigQuant的金融数据因子平台以及[AI量化策略平台（PC端）](https://bi

如标题

\

发现一个问题，程序下载导入到合作的平台，超参搜索模块不能正常使用，给出的回测结果是错误的，和不使用超参搜索模块直接测的结果不一样了。

我的收益率是270%，使用超参搜索后是73%了。

\

回测如何设置一次全仓买入一只股票

我用遗传规划 挖觉的因子 是product(return_0, 3) 还是(return_0, 3) 这个product是什么意思

\

摘要

一号程序化策略的跟踪情况与现实交易问题汇总

系列报告的前几篇均立足沪深300股指期货的基本面——300只个股的成交明细数据进行研究，并形成较为成熟的股指期货程序化策略一号进行跟踪（6月26日开始），一号策略8月收益率达到8%，这一节将介绍一号策略的具体运行状况，以及交易过程中可能遇到的问题。

二号程序化策略开发初步阶段：思路初探与简单实证

二号策略将更多注重期货合约本身的交易状况（而非300只个股），这也是为了顾及更高频交易中的运算速率问题（以目前我们的运行条件，同时计算300只股票实时行情数据并形成信号需要2-3秒）。二号策略将从IF合约指令单簿和指令单流

前言

**时间序列分析（time series analysis）是量化投资中的一门基本技术。时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列。**比如变量是股票价格，那么它随时间的变化就是一个时间序列；同样的，如果变量是股票的收益率，则它随时间的变化也是一个时间序列。时间序列分析就是使用统计的手段对这个序列的过去进行分析，以此对该变量的变化特性建模、并对未来进行预测。

时间序列分析试图通过研究过去来预测未来。

时间序列分析在工程学、经济学、气象学、金融学等众多领域有着广泛的应用。在金融学领域，介绍时间序列分析的优秀书籍层出不穷。其中最家喻

书接前文

本系列的前两篇——基础篇和初级篇——分别介绍了金融时间序列分析的核心以及时间序列建模中最简单的模型：白噪声和随机游走。在金融时间序列研究的对象中，投资品的收益率无疑是最重要的一个。挖掘收益率序列的自相关性是金融时间序列的核心内容。无论对于个股还是指数，它们的收益率序列都表现着一定的自相关性。前面的文章说明，白噪声模型假设了时间序列各观测点之间的独立性、无法捕捉收益率序列的自相关性，因此使用白噪声来对投资品收

写在前面

本文写于 2018 年 2 月 8 日，因此实证数据仅到该日期之前。

引言

股市中有许多流传已久的日历效应（calendar effect），它指的是市场的收益率在一年中的一些特定日子或者特定月份有高于平时的收益率。这其中最大名鼎鼎的当属换月效应（turn-of-the-month effect），它指的是股票在每月的最后 1 个交易日到下一个月的第 3 个交易日这个窗口内的收益率显著高于一个月中的其他交易日（具体的换月窗口可以和上述略有不同，但一般的实证中使用的是从每月的最后一个交易日到下月的第三个交易日这四天）。

以美股

作者：fyiqi 原文链接：金融时间序列分析入门（一）

与时间序列分析相关的部分基础知识/概念

1.1 什么是时间序列

简而言之：对某一个或者一组变量 x(t) 进行观察测量，将在一系列时刻 t1,t2,⋯,tn 所得到的离散数字组成的序列集合，称之为时间序列。

例如: 某股票A从2015年6月1日到2016年6月1日之间各个交易日的收盘价，可以构成一个时间序列；某地每天的最高气温可以构成一个时间序列。

一些特征:趋势：是时间序列

导语：资本市场上有诸多风险资产，各有不同的收益率和波动率。为了分散风险，我们一般会同时持有多种不同的资产，但是如何合理地进行配置是个难题。配置不好的话可能不光分散了风险，也对冲没了收益。本文要介绍的，就是著名的现代资产配置（MPT）理论。

作者：肖睿 编辑：宏观经济算命师

本文由JoinQuant量化课堂推出，难度为进阶上，深度为 level-1。

阅读本文需要掌握效用和[风险模型](https://www.joinquant.com/post/1774?f

导语：资本市场上有诸多风险资产，各有不同的收益率和波动率。为了分散风险，我们一般会同时持有多种不同的资产，但是如何合理地进行配置是个难题。配置不好的话可能不光分散了风险，也对冲没了收益。本文要介绍的，就是著名的现代资产配置（MPT）理论。

阅读本文需要掌握效用和风险模型（level-1）的知识。

本文是一系列文章中的第三篇。本系列从基础概念入手，推导出 CAPM 模型。系列中共有四篇：

1. 效用模型
2. [风险模型](https://www.joinquant.com/post/1774?

绩效和风险指标被广泛用于评估股票或投资组合的绩效，是投资组合管理的主要组成部分。在这篇文章中，我们将尝试触及一些重要的投资组合和风险指标，这些指标可以让您清楚地了解您的投资业绩和风险。

本文的第一部分着眼于这些常用的性能指标，这些指标使我们能够深入了解交易策略的结构。在本文的第二部分，我们将介绍投资或投资组合中风险管理的一些重要指标。最后一部分通过一个简单的示例简要说明了您的投资组合的策略优化。

为什么我们需要投资组合风险管理？

资产组合的表现是通过一组参数来衡量的。例如，如果您进行股票交易，那么您的回报将与基准指数进行比较。投资组合回报的一致性也被证明是一个重要因素。

摘要

策略研究背景

2015年第二季度行业投资策略

阿尔法对冲策略收益率不大yu盘风格轮动收益率高度相关。

在2014年12月的市场行情中，普遍遭遇了较大回撤。策略研究目标：

通过风险模型定量的分解股票收益来源，进而实现组合波动率的预测。

构建股票组合，使组合尽量暴露在阿尔法因子下，同时剔除其余丌稳定的风格因素的干扰。

通过优化方法，构建现金中性、行业中性、风格中性的最优投资组合，获取稳健超额收益。

策略研发思路

构建结构化风险模型对股票组合的收益率和波动率进行量化预测。

行业因子：A股30个行业分类

风格因子：9大类因子Beta、Momentum、

本文来自方正证券研究所于2023年2月15日发布的报告《个股成交额的市场跟随性与“水中行舟”因子——多因子选股系列研究之九》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005，联系人：陈宗伟。

摘要

个股的成交额跟随市场的趋势，是否预示着个股未来的收益率会相对较高呢？本文中我们分两种情况进行了讨论。

其一，当个股股价处于相对高位时，其成交额与其他股票成交额之间的关联性越高越好。当个股股价处于相对高位时，如果其成交额更多是由市场趋势带动的，而非个股独立交易影响，则表明此时投资者对该股票价格的看法仍然较为一致，没有出现较大分歧，因此其上涨趋势可能还没

摘要

系列报告以量价数据为主构建高频因子高频因子的构建方式划分为三大类：单维度单层次，即仅使用量或价维度中的单一数据；多维度单层次，即综合量、价维度中各自的单一数据；多维度多层次，即综合量、价维度中多个数据。本文从单维度单层次的角度，测试了收益率、成交量两个维度，一阶矩到四阶矩的因子表现。

高阶矩因子的本质为“反常”高阶矩因子收益来源于个股交易中存在的“反常”，这种“反常”又可以分为两大类：过度反应逻辑，价格被高估并在之后回归到价值附近，以收益率均值类因子、收益率标准差类因子、成交量偏度类因子为代表；交易异常逻辑，多空博弈激烈的个股收益不确定性较强，以收益率偏度类因子、收益率峰度类因

摘要

在前期报告《高频量价因子在股票与期货中的表现》中，我们使用股票的1分钟量价数据构建了收益率分布、成交量分布、量价复合等多个因子，取得了不错的效果。在本篇报告中，我们将引入“成交笔数”这一新的基础数据，构建日内分时成交系列因子。

平均单笔成交金额。每日使用股票的1分钟成交金额、成交笔数和收益率序列计算平均单笔成交金额类因子。其中，平均单笔流出金额占比因子具有明显的选股效果，因子的IC和rank IC均值分别为5.8%和7.4%，IC-IR和rank IC-IR分别为2.76和3.08，多空组合月均收益差为1.65%。因子正交后选股效果仍然显著，多空组合月均收益差为1.09%，ra

问题

请问因子滞后一期IC是如何计算的，是当期因子值与2倍调仓周期收益率的相关性么？

我收集了很多因子在因子分析里他的收益率和夏普率都很高，并且他们的相关系数都接近0，但把他们组合放到我的算法模型里去测试效果就不理想，有什么办法能看到这些组合因子（最好能看到每个因子在训练集和测试集正收益贡献了多少，负收益贡献了多少，可以是百分比，比如某个因子在这个模型里正收益是80%，负收益是20%，这样方便我们有钟对性的在这个模型去选择有效因子）在这个算法模型里训练集和测试集的拟合情况

https://bigquant.com/experimentshare/5277de40609d4fffa7bbe6df2e5b1231

\