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

\

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

\

策略案例

https://bigquant.com/experimentshare/7f7021993a9f40149189be939e15c882

\

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

策略案例

https://bigquant.com/experimentshare/f67781e529994e2dac2562bf6e46fa74

\

问题

多策略回测multi_strategy_analysis.v3怎么找到分配的各自最优的权重呢

解答

可以把每个策略每天的收益率提取出来，通过optimize包找最优权重。

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

想请教下大家, 填写日期跟不填写日期,回测有么有关系?

摘要

可转债的价值可以近似看作由纯债价值和期权价值两部分构成。我们研究了可转债价格与正股价格的波动关系。无论是否进入转股期，可转债的收益率与正股的收益率呈正相关，弹性系数均值在0.3至0.4。另一方面，无论处于实值还是虚实，可转债与正股都具有较强的正相关，但实值时，可转债价格的弹性相对较高，但整体差异不是很大。 我们利用传统的多因子模型，寻找可以预测可转债收益率的因子。我们不仅选取了成长、价值、情绪以质量类传统因子，还选取了衡量可转债债性与股性强弱的平价底价溢价率指标，测试这些因子的选债能力。然后将大类因子合成，构建一个可转债选债因子。 从IC表现来看，合成因子具有较强的选债能力，大部分

摘要

2010至2020，偏股混基整体表现如何

从整体年化收益来看，过去10年偏股混基的整体表现显著优于沪深300和中证500，略优于创业板指。分年来看偏股混基并不是靠始终保持成长风格才取得与创业板指相当的收益率，2011年、2016年至2018年，当市场风格偏向价值板块时，偏股混合型基金与沪深300指数收益率相当，好于中证500和创业板指；2013年、2015年、2019年至今，当市场风格偏向成长板块时，偏股混合型基金与中证500相当（在极端成长行情下往往跑输创业板指）

从基金排名的角度来看，如果一只基金产品能够取得和偏股混基指数相当的收益率，其排名大致在前50%左右；要

摘要

行业选择（二）：从随机性看蓝筹与小盘行业的长周期轮动

大小盘、高低ROE行业存在长周期轮动

大盘高ROE蓝筹行业的收益率并非一定高于小盘行业，大小盘行业、高低ROE行业均存在长达数年的长周期轮动特征。大小盘行业和高低ROE行业的轮动还有一定的同步关系，因此我们有望通过大小盘、高低ROE的轮动趋势来综合判断当前是持有大盘高ROE蓝筹行业，还是持有小盘行业。另外，高低ROE行业的切换还一定程度领先于大小盘行业的切换，不过领先的时间长度并不确定

趋势的形成并不需要自相关性

长期趋势的形成并不需要前后期收益率自相关，甚至也不需要预判信号与实际收益的相关性。

摘要

量化模型跟踪

3月以来，A股受到基本面走弱和市场情绪下行双重冲击而出现明显调整，从风格来看大小盘指数调整幅度差异不大，大类行业板块来看消费和公用事业板块相对抗跌，成长板块调整最为显著。今年以来我们中期择时、灵活择时、大小盘轮动和风格板块轮动模型的收益率分别是-5.85%，-6.76%，-5.71%和-7.22%。

市场最新观察

市场择时：对于中长期投资者，当前市场整体估值优势明显，尤其低估值蓝筹板块安全边际明显，只是考虑到疫情冲击下企业盈利修复的空间和幅度仍存在不确定性，当前投资者仍需耐心等待市场估值的回归。

对于灵活投资者，当前短期择时模型评分处于中等偏

摘要

本篇报告聚焦于宏观状态的识别及其在行业轮动上的应用。报告采用量化模型结合主观逻辑的方法，并通过中观重点指标验证宏观状态，构建了宏观视角下的大类行业轮动模型。

同类行业共享宏观逻辑，多维特征划分大类行业。

作为行业配置的前提，我们需合理划分特征相似的大类行业板块。将不同市场行情下的收益率、ROE、营收增速等数据作为板块特征，结合K-Means、模糊C-均值聚类进行行业的聚类，通过少量逻辑调整将行业划分为周期上游、周期中游、周期下游、可选消费、一般消费、金融、科技七大板块。

动态宏观情景聚类：有效缓解历史信息依赖。

我们采用经济、通胀、货币等宏

摘要

研究内容本报告采用机器学习方法从历史数据中学习股票因子和收益率的关系，建立股票收益预测模型。本报告研究的机器学习方法包括多类别逻辑回归（MLR）、支持向量机（SVM）、随机森林（RF）、极限梯度提升树（XGBoost）、深层神经网络（DNN）等5类模型。

机器学习模型介绍本报告考察的5种机器学习模型中，MLR和线性SVM属于线性分类器，但优化目标不同。RF、XGBoost和DNN属于非线性分类器。其中，RF和XGBoost是以决策树为基学习器的集成学习方法，但模型集成的方式不一样。DNN是深度学习方法。这5种模型在机器学习领域具有很强的代表性。

策略表现从实证结果来看，5种机

摘要

风格一般是指股票所具有的某种共同特征，而该特征驱动此类股票的收益率保持一定的相关性。我们选取申万高低市盈率指数作为成长和价值风格的代表。从历史看A股成长和价值风格轮动特征明显，相对走势发生了多次反转，这意味着如果能够捕捉风格的转换将有力的提升组合收益水平。 　　 我们从技术面、国内流动性、海外流动性以及股市反弹期等角度选取了6个对成长价值轮动具有预测力的因子，并通过结构化的方法合成单因子信号，构建了多维结构化成长价值轮动模型。从2013年底至2022年6月，轮动模型实现了27.72%的年化收益率，1.06的收益风险比，最大回撤40.27%。而成长价值等权基准只有6.04%的年化

中信证券测算，当前量化私募行业的管理规模已突破1.6万亿元。量化投资已经进入大众视野，成为机构和个人投资者资产配置主流策略中的一部分。

2020年之前，量化机构之间的竞争是在相对比较小规模之下的竞争，大部分机构的管理规模都在100亿元以下，当时的竞争需要考虑的是如何在小规模体系之下提高收益率。

近年来，量化行业经历了规模迅速扩张的阶段。摆在所有量化机构面前的一个共同挑战是：如何基于更大的资管规模去打造更长期、更稳健、信息来源更加丰富多元、策略能够持续迭代的资管能力？

这对于团队的要求，对于技术迭代能力的要求，以及更深层的对人才培养、组织架构、公司管理方式等全方位能力的要求，都提升到一个新

研究结论

绩效归因分析主要是将投资组合的业绩与基准业绩相比较，并将超越基准部分的收益分解成若干影响投资决策的因素。投资组合的绩效归因分析主要有两大类：基于收益率的绩效归因和基于组合持仓的绩效归因。

基于收益率的绩效归因主要有T-M 模型、H-M 模型、C-L模型、TM-FF3 、HM-FF3和CL-FF3模型。基于组合持仓的绩效归因主要依据Brinson模型和多因子模型。基于持仓的归因相比于基于收益率的归因能够从更多角度刻画组合管理人的投资能力。

风险也是组合管理人关心的重要部分，对投资组合进行风险归因有助于组合管理人了解组合的风险来源。风险归因分为事前(ex-ante)风

摘要

日内交易机会：创业板指＞上证指数＞深证成指，深证成指降低

采用人工智能方法，对全市场个股和主要宽基指数近2 0 个交易日交易机会进行评测，数据取自金融数据服务I N S I G H T 。交易机会评分衡量资产价格“非随机程度”，评分越高，代表近2 0 个交易日1 分钟收益率越远离随机构造的资产价格收益率序列，说明该资产越不满足弱有效市场假说，日内交易机会越大。主要宽基指数最新交易机会从高到低排序为：创业板指＞上证指数＞深证成指（截至2 0 2 1 - 0 2 - 0 5 ）。上证指数和创业板指上周交易机会和前一周变化不大，深证成指上周交易机会相比于前一周降低。

**今

报告摘要

上周表现

上周（2018.08.13~2018.08.17），中证800等权指数下跌4.56%，“主营产品涨价题材”策略模拟组合收益率为-5.93%，策略超额收益率为-1.37%。“关注度下的冷门股效应”策略模拟组合收益率为-4.37%，策略超额收益率为0.19%。

跟踪以来表现

“主营产品涨价题材”策略自跟踪以来（自2017.10.27起），截至2018.08.17收盘，模拟组合收益率-15.0%，同期中证800等权指数涨跌幅为-27.2%，组合复合超额收益率为17.1%。“关注度下的冷门股效应”策略自跟踪以来（自2018.03.09起），截止收盘，模

摘要

动态回撤率控制用于增强型策略我们试图将基于动态回撤率控制原理生成的持仓信号用于增强型模型。本文选用GARP策略进行测试，收益率水平有限，但波动较小，并且净值曲线与以沪深300价格走势表征的市场环境之间存在较为明显的对称性，即在牛市中表现不佳，震荡市及熊市环境中能够完成一定的超额净值积累。 GARP策略策略是彼得林奇将估值和成长的有效信息结合在一起构造出的策略。 我们也根据这一理念构造出国信金工GARP策略。该策略是一种增强型的策略，相对沪深300指数有着较为稳定的超额收益。具体的构造方法在过往报告中有所提及，并进行持续跟踪。 市场相对强弱下的动态回撤率控制使用RPS表征市场相对强

研究结论

海外和国内股票市场都发行过很多低波动指数，该类指数通常用一段时间收益率的标准差来衡量股价的波动，长期来看表现优于对应的基准指数。股价的波动很大一部分是由市值、估值等一些公共的市场风险因子引起，剔除掉这些公共因素后的剩余波动称为个股的“特质波动”，由个股的自身特性决定。我们的研究发现A股市场也有“特质波动率之谜”现象，即低特质波动的股票，未来预期收益更高。

基于Fama-French三因子模型的残差波动率能够较全面地捕捉股票的特质风险

利用前1个月的日频数据分别拟合CAPM、Fama-French三因子、Carhart四因子模型，三个模型残差的年化标准差即为

最近有很多篇关于CTA危机alpha之类的文章，讨论来讨论去不知所云。

一般所谓的alpha，这是针对股票市场而言的。比如一只股票的日线收益率，对市场的收益率，做一个带常数项的线性回归，那么得到的常数项就成为alpha，系数成为beta，这是最原始的定义。

这个定义的含义在于，把一支孤股票的收益率拆分成两项：一项是跟市场整体收益率相关的，比如市场涨1%，它跟着涨0.5%，那么beta就是0.5；另外一项是跟市场涨跌无关的，就是alpha项，如果是正的，就称为超额收益。

一般认为，跟随市场涨跌那部分收益，是承受了市场涨跌风险的，所以这部分收益不能算作投资经理的水平。只有跟市场涨跌无关的那部

20210624 Meetup 策略案例

https://bigquant.com/experimentshare/f235e9ce26dc42b9ae9fb57ca6574bf1

\