一、 极端行情、市价单和CTA策略

CTA策略的核心是趋势投机，将职业交易的右侧交易行为加入资金管理和风险控制规范化为系统性交易，进行技术化为程序化交易。关键思想是小亏大赚，截断亏损，让利润奔跑。

由于高度依赖于趋势，CTA策略的实盘下单算法是影响成败的关键。当趋势来临时，为了紧跟趋势的节奏，在模型发出交易信号，必须追求第一时间的成交，否则收益大受影响，甚至策略失效。

不考虑行情和硬件等因素，算法层面最为有效的方式是设置市价单，以一定的滑点为代价，获取优势持仓。下面讲解下单算法的几个关键问题。

1、为什么不用限价单

趋势投机策略存在天然的“逆选择”问题。如果设置了可承受滑点的

原文章来自Winton Capital网站，本文为原文章的中文翻译。本文不构成投资建议，不代表个人观点。本文仅用于交流学习使用，不得用于商业用途。如对相关著作人造成侵害，请立即联系译者及时删除。

原文标题：Testing our Strategy for Testing our Strategies

原文时间：2015年8月

翻译：雷闻

测试系统化投资策略的最可靠方法是使用设计策略时无法获得的数据。这种“样本外”测试消除了由于过度拟合而导致绩效下降的可能性。基于回测来评估策略绩效时，过度拟合是常见的问题。

样本外测试的困难在于，许多策略的预测能力较弱，这意

前言

今天介绍一篇 Barra 的关于风险归因的文章： 的三要素（Davis and Menchero 2010）。获得超额收益是主动管理的目标，但在这个过程中，对风险的控制不亚于对收益的追求。在被动投资中，由于仅仅买入市场组合，风险就是市场的系统性风险。在主动管理中，基金经理通过配置得到了不同于市场的投资组合，因此该组合的风险也不同于市场风险。一个优秀的基金经理必须十分清楚其投资组合风险的组成部分。

人们熟知 ![α](https://www.zhihu.com/equat

本文最初为动物园园长 1 年前在知乎开始因子投资写作时的旧文，您以前可能没读过，现重新编辑并增添部分细节后分享给您，希望对您能有所启发。

【未经授权，严禁转载。】

【30 秒速览】本文仔细梳理了因子的两个核心属性——因子溢价和因子暴露——的定义和计算。依据逻辑和计算方法的不同，

市面上很多人都在说什么道术合一，今天给大家分享我是如何理解道和术的。

一、道

其实所谓“道”，不过是战略上大局观的统一解读。我个人的“道”就是不以臆测作为交易的标准，不以盈亏来衡量交易的对错，不以某几单的侥幸论交易生涯的成败。因为交易是轮回的，不论你前一单、前几单的盈亏，你终将面对未知的行情以及未知的下一单交易。

我们来详细解释一下以上说到的几点：

1、不臆测

之前分享的文章有过详细的描述，欢迎随时挖坟。

2、不以盈亏衡量交易的对错

盈亏是表象，对错才是真谛。某几单交易可能因为你理念的正确但是行情没有顾及，导致了亏损。一定会有人在这个时候变得自我怀疑，且住！只要你

【友情提醒：以下为本人主讲的“股票估值法”网课简介。】

一个住在深圳的好朋友，从2017年年初开始关注腾讯这支股票，眼看着它从每股200港币左右，上涨到年末的400港币。于是，他决定从2018年年初开始慢慢购入腾讯。结果可想而知，在短短10个月内，他的投资就亏了30%以上，以致他在我们聚会时也唉声连连。

![](data:image/svg+xml;utf8,<svg%20xmlns='[http

摘要

本文主要介绍超预期幅度因子的定义、分析师超预期股票收益特征分析和分析师超预期选股策略的构建。首先我们介绍精确到单季度的净利润超预期幅度ESP因子算法，然后我们对超预期股票的收益特征进行分析，发现EP_TTM和过去一个月收益率两个风格因子可以很好地解释超预期股票的收益来源。最后每月底根据EP_TTM和过去一个月收益率两个风格因子限定样本池，然后选取净利润超预期幅度最大的20只股票构建超预期20组合。组合基本上每年稳定战胜中证500指数，可以作为中证500增强的补充组合。

分析师超预期幅度因子定义

分析师超预期幅度ESP因子可以定义如下：ESP =（单季度实际净利润

摘要

前言

本篇报告为东吴金工“技术分析拥抱选股因子”系列研究第二篇，延续了“将技术分析的方法应用于构建选股因子”的研究理念，从经典的蜡烛图上下影线入手，逐步探索了上下影线中蕴藏的选股信号。

蜡烛上下影线选股因子

根据蜡烛图上、下影线的定义，构造选股因子。回测结果显示，基于蜡烛图上影线构建的因子具有不错的选股能力，而蜡烛图下影线因子的选股能力较差。其中，蜡烛图上影线的标准差因子“蜡烛上_std”效果最好，在全样本内年化ICIR为-1.78，5分组多空对冲的信息比率为1.64，月度胜率为68.38%。

威廉指标对蜡烛图的修正

除了蜡烛图上下影线，威廉指标

摘要

国内外发展情况

起源于1975年，美国股票市场推出了股票组合的自动化交易二十世纪90年代，计算机的快速发展使电子化交易取得了突破性进展二十一世纪以来，一些大型金融软件服务机构开发的交易平台使得中小型投资者也开始进入算法交易领域国内尚处于萌芽阶段，主要是一些公募基金在使用，集中在传统的套利交易和投机交易上，但未来有广阔的提升空间

为什么选择算法交易

优点

减小市场摩擦，有效降低交易中的冲击成本

提高交易执行的效率，降低人力成本

避免由于人的不理性而出现的一些非正常交易

对于大规模的交易而言，可以隐藏自己的交易行为为什么选择算法交易

**主流策略

报告摘要

高频交易

历史上发生过多次由于技术的突破导致大多数投资者处于不利地位。21世纪以来，计算和通信方面的重大技术进步使得高频交易策略成为可能，美国和欧洲相关立法的变化，使得高频交易有利可图。

现实中的高频策略是多种多样的，但是高频交易策略之间不能混为一谈；由于高频交易中机会的识别、风险控制、执行和其他投资管理活动必须自动化，因此可以说不是所有的算法都发生在高频交易，但所有的高频交易都需要算法。

低频交易者和高频交易者有很大的区别，围绕交易所匹配引擎的问题就是一个很好的例子。低频交易者的代表经济学家和金融专业人士经常将市场竞价过程视为既定事实，而高频交易者认为

摘要

市场是一座黑暗森林，每个交易者都小心翼翼。备受大家关注的“聪明钱”（Smart Money），更是难觅踪影。在本篇报告中，我们尝试解答如下问题：能否从分钟行情数据中，发现“聪明钱”行动的蛛丝马迹？

我们首先利用聪明度指标S，从分钟数据中筛选出属于“聪明钱”的交易。在此基础上，我们构造了聪明钱情绪因子Q，该因子实际上反映了聪明钱参与交易的相对价位。因子Q的值越大，表明聪明钱的交易越倾向于出现在价格较高处，这是逢高出货的表现，反映其悲观态度；因子Q的值越小，则表明聪明钱的交易多出现在价格较低处，这是逢低吸筹的表现，反映其乐观情绪。

根据情绪因子Q对所有A股进行排序并等分五组，多空

摘要

近年来，随着投资者对于因子选股体系研究的深入，选股因子值的处理也在逐渐细化。本文主要对于选股因子的正交进行了讨论。之所以讨论因子的正交是因为在传统的多因子模型中，选取的因子之间往往存在着相关性，而这种相关性并不稳定。因此相关性的存在会复杂因子权重的分配。对于等权分配因子权重的多因子模型，由于因子之间相关性的存在，模型可能实际上对于某一因子有更高的暴露（例如，市值因子）。对于权重优化的模型，相关性的影响可能会更大。因此，本文考虑在构建因子的时候就对于相关性进行剔除从而达到更为可控的因子暴露。

选股因子截面相关性波动较大。以市值因子与反转因子为例，虽然两因子截面相关性长期来看均值较

摘要

估值因子在不同行业、不同规模上市公司间差异较大

估值因子是一类非常重要的风格因子，本报告中我们选取了十个具有代表性的估值因子——EP、EPcut、BP、SP、NCFP、OCFP、FCFP、DP、EV2EBITDA、PEG，首先经实证分析发现，不同一级行业间估值因子差异较大，并且随时间推移同一行业的估值水平也在不断变化。同时，估值因子在不同规模的上市公司间差异也比较大，近两年EP、EPcut、BP、SP、NCFP、OCFP、DP明显与市值因子呈现正相关性，FCFP、EV2EBITDA与市值因子略微负相关，PEG与市值因子相关性不明显。

**各估值因子间也

摘要

多因子模型通常由收益预测和风险控制两部分组成，风险模型中的限制条件可选种类多，常见的有跟踪误差、风险因子敞口、个股权重、行业、风格等，投资者通常根据自身的收益风险需求选择特定的限制条件。本文主要考察因子敞口上限的设定对优化组合的影响。

在风险控制模型中，因子敞口上限的设臵会同时影响优化组合的收益和风险。上限越大，组合超额收益越高；同时回撤和跟踪误差也越大。组合收益风险比的大小，则取决于收益和风险指标的相对增幅。敞口上限对不同标的指数优化组合超额收益的影响存在差异，敞口上限增加，沪深300优化组合超额收益增幅相对较小，而中证500优化组合超额收益增幅则相对较大。

沪深300指数

摘要

多因子模型通常由收益预测和风险控制两部分组成，风险模型中的限制条件可选种类多，常见的有跟踪误差、风险因子敞口、个股权重、行业、风格等，投资者通常根据自身的收益风险需求选择特定的限制条件。

本文主要考察因子敞口上限的设定对优化组合的影响。

在风险控制模型中，因子敞口上限的设置会同时影响优化组合的收益和风险

上限越大，组合超额收益越高；同时回撤和跟踪误差也越大。组合收益风险比的大小，则取决于收益和风险指标的相对增幅。敞口上限对不同标的指数优化组合超额收益的影响存在差异，敞口上限增加，沪深300优化组合超额收益增幅相对较小，而中证500优化组合超额收益增幅则相对较大

摘要

原始数据处理

原始数据的选取是多因子模型的基础，只有高质量的数据才能保证后续研究的准确。研究中遇到的数据问题主要有财务数据的滞后性与真实性问题，资产重组导致前后数据不可比问题，行业划分覆盖不全面等问题。对比数据在可比性与时效性上的不同侧重，使用最新的数据进行回测能得到更好的结果；考虑上市公司在借壳上市之前与之后的数据均含有较多的噪声，我们需要同时处理借壳公司与被借壳公司。

股票池构造

多因子选股的第一步是选择合适的股票池，而股票池的选取需要根据策略的需求进行相应的调整。类比全样本股票池，我们根据股票的流动性大小构造流动性1500股票池进行替代。

因子分析完后，有多空组合，这个怎么套用来选股呢？

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

\

问题

如何在AI策略中加入大盘指标因素，比如，大盘走坏时，不开仓

https://bigquant.com/experimentshare/b6f174124d3e4c33bdd683498f5d44a9

\

https://bigquant.com/experimentshare/3e5c4533c9fa4174a16f8784bccfb69b

\

https://bigquant.com/experimentshare/14142aa9e6dc4695bb326e88942d7661

\

https://bigquant.com/experimentshare/612fccdedb274977ba74636700ecc9b8

\

\

谢谢小Q， 感谢BQ。四周年快乐\~

昨天收到了小Q寄来的礼物，好开心啊，双11不用我自己去买了。。。。一如既往的清新风。我已经猜到了，上一年是保温杯，今年是茶壶，下一年可不可以送包枸杞 ，

问题

风控和择时：情绪周期如何用于追涨策略

视频

https://www.bilibili.com/video/BV1ui4y1m7Nx?spm_id_from=333.999.0.0

策略源码

[https://bigquant.com/experimentshare/5730c1e899ef4685ba497c554c7eab79](https://bigquant.com/experimentshare/5730c1e8