{{use_style:custom-style-default}}

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

• 预计算因子
• 数据API
• 数据可视化分析
• [策略源码模版与Demos](https://bigq

https://bigquant.com/codeshare/d9fc6c92-ad4a-47ea-872b-72f95c28dce4

\

{{use_style}} ### 财报数据

财报变更日期

财报变更日期

表名: financial_changedate_CN_STOCK_A

# 读取数据  默认会返回全部证券代码数据, 通

这是从0学股票专栏的第二篇，上一篇讲了股票的本质是什么，当中提到了投资股票收益的主要来自两个方面：1、分红收益，2、股票溢价收益。

现实中，比起股价波动的收益，分红收益显得有点微不足道。

在wind上拉了下最近报告期（2016年）的数据，股息率排名最高的也就22%左右，A股所有股票的加权平均也就2.5%附近。

（注：股息率=近12个月内公司的累计分红总额/公司总市值）

看不懂没关系哈，人话解释即在股票中，一年有20%的分红收益已是很高的了，而股价一年之间的波动很可能就有正负50%-100%。所以，对全球股市而言，投资收益都主要来源于股票溢价。

那溢价怎么来的？即你卖出的价格大

**灵感：**对于交易者来说，每日收盘分析是一件必要的功课。现在的看盘软件种类很多，已经有很多整理好的数据，但是对于高阶玩家，可能需要更多自定义化的功能，做出自己的每日分析报表。那我们何不尝试用Python做一个？

先上结果：

![](data:image/svg+xml;utf8,<svg xmlns='http://www.w3.org/2000/svg' width='1

导语：在过去的8年里，投资者为暗淡无光的对冲基金业绩表现支付了很高的费用。对冲基金经理们对业绩表现不如人意都给出了各种各样的解释。但不能老是如此。十几年前，市场上只有几只对冲基金，大家都知道这几只对冲基金是照顾那些富人的投资胃口的，而这些富人也愿意对对冲基金的高额回报支付比较高的费率。现在，对冲基金业达到3万亿美元的规模，其中的很多投资者都是公众养老基金。而且，最重要的是，现在的“对冲基金”已经发生了很大的变化。

“对冲基金”过去意味着很多

在上世纪40年代，身为记者和社会学家的阿尔弗雷德•温斯洛•琼斯（Alfred Winslow Jones）有一个创意。他决定用借来的钱买股


承载金融科技人的梦想，追求量化速度效率的极致

QQ群：5172183 、236828089

由Quicklib作者提供，请看Quicklib作者的其它文章

**《[承载金融科技人的梦想，追求

这周五A股科技股出现了比较有意思的行情，在中午收盘前短短10分钟内，科技股板块集体下挫近3%，资金集体出逃，是为异象。

![](data:image/svg+xml;utf8,<svg%20xmlns='[http://www.w3.org/2000/svg' width='424' height='435](http://www.w3.org/2000/svg'%20width='424'%20h

又是一个恐怖的黑色星期一，A股创8年来单日最大跌幅，人均蒸发资产8万多，搞得市场人心惶惶。那么，问题来了，像如此惨烈的“黑天鹅”，是否有办法预测呢？

首先，给大家介绍一个简单的物理概念——相变。相变是指物质从一种相转化为另一种相的过程。所谓相，是指物质聚集的状态，不同的相具有不同的统计性质。最熟知的例子就是水了：我们熟知水的气相、液相和固相，以及它们不同的物理性质。气相时，水分子剧烈无规则运动；固相时，水分子规则排列。液态水温度达到100度时转变为气相，低于0度时转变为固相。

等等，说这个有卵用？

其实，不仅是水，几乎所有的系统都存在相变。当系统变量达到临界相变点的时候，系统的状态和性质

巴菲特在今年的伯克希尔年会上说过：

**“ (Chinese) Markets have a casino characteristic that has a lot of appeal to people, particularly when they see people getting rich around them. And those who haven’t been through cycles before are more prone to speculate than people who have experienced the outcome of wild spec

今天A股在经历了上周跌破熔断地点后，迎来了暴力反弹，创业板暴涨近5%，上证综指拉近4%。

趁着今天的反弹，赶紧继续更新我们的股票专栏，哈哈哈哈！

之前已经介绍了股票的基础知识（股票本质、股价涨跌、投资风格等），然后介绍了股票的操作知识（如何交易、开户、看行情等），其实如果充分掌握的话，应该对股票有了比较入门的了解了。

专栏的最后一章，会介绍两个补充知识：

1、其它证券相关业务

2、投资相关的书籍、论坛、博主等推荐

今天先讲第一点，其它证券业务介绍，主要涉及到投资者在证券账户中常接触到的三个功能——理财、融资融券和港股通。

理财

理财大家应该

摘要

机构调研事件。通过上市公司的投资者调研公告，可以获知机构投资者的调研信息。统计发现，A 股的机构调研事件以特定对象调研为主；参与调研的机构投资者集中在 5 家以内；多数调研公告会在调研事件发生后的一周内公告。 机构调研的股票特征。研究发现，机构投资者倾向于调研大市值，前期具有高涨幅、高换手、高波动的活跃股票。这些因素都会对股票未来收益产生显著影响，因此在分析机构调研事件对股票收益影响时，需要加以控制。

机构调研股票的超额收益。通过截面回归模型，我们发现，在控制了常见选股因素的影响后，机构调研股票仍然具有不能被解释的超额收益。截面溢价的月胜率为 65%，月均值为 0.30%，信息

摘要

2018年2月6日，受夜间美股大跌的影响，A股早盘低开后一路下挫。截止收盘，沪深300、中证500和创业板指分别下跌2.93%、4.90%和5.34%。面对这样突如其来的风险，除了提前预判、降低仓位之外，是否还有其他可供对冲的手段，以规避股票组合的大幅回撤。 为此，本文介绍了两类非常简单的低成本策略——时间序列动量和质量因子，它们在股票市场出现大幅回撤时，表现十分突出，能够帮助投资者免受大幅的亏损。而且，这两个策略即使是在正常的市场环境中，也有着稳健的收益表现。

时间序列动量策略。时间序列动量策略主要应用于期货市场，其思想非常简单。 观察每个品种过去R个交易日的涨跌幅，若上涨则

本文主要研究了量化选股场景中的数据标准化方法，分别对比了时序标准化和截面标准化方法的在量化选股模型上的效果。

主要的工作有：

一是构建DeepAlpha数据集，包含A股2011年到2022年98个量价因子的日线数据，label为股票未来5日的收益率；

二是采用基于时序的K折交叉验证方法，严格3年训练1年预测的数据划分，使研究更贴近于实际应用；

三是对比了LightGBM模型和DNN模型在不同标准化方法下的效果，发现截面标准化在DeepAlpha数据集上的表现更好；

四是将DNN模型的预测结果从2017年1月1日到2021年12月31日进行了模拟回测，基于截面标准化的方法年化收益35%

摘要

日内动量介绍Gao L等学者在Market intraday momentum中提到了指数日内涨跌幅的一个有趣现象，即开盘半个小时的涨跌幅可预测收盘半小时的涨跌幅，这一规律在标普500、道琼斯指数，罗素2000等指数均成立。作者给出了两点可能的解释1、基金再平衡的需求2、信息反应不足。

A股主要指数半小时涨跌幅相关性测试

1. 各指数在下午的交易时段，半小时涨跌幅之间呈现相对较强的正相关关系。
2. 上午临收盘半个小时(11:00-11:30)与下午(13:30-14:00)负相关。
3. 上午临收盘半个小时(11:00-11:30)与下午(13:00-13:

研究结论

A股的原始收益在短期内表现出很强的反转效应，但是在中长期内并没有发现在海外市场普遍存在的动量，本篇报告尝试通过对股票原始收益进行分解找到真正驱动动量或者反转效应的收益成分

我们将原始收益拆分为隔夜收益部分和盘中交易部分，在5分钟收益率数据的基础上借鉴因子极值处理的方法将盘中交易部分拆解成温和收益部分和极端收益部分。根据统计，A股日内正向极端收益的频率和幅度都略高于负向极端收益，股票的上涨主要是由极端收益贡献的。

采用Jegadeesh and Titman（1993）的JK组合构建方法，我们发现，隔夜收益部分和温和收益部分表现出显著的“动量”特征，极端收益部分表现出极端的

摘要

行业与个股呈现出不同的动量/反转效应

学术界跟业界对动量效应进行了深入挖掘，在A股的实证发现，月频上个股表现出较强的反转效应，而行业指数层面却有趋势效应。此种背离说明行业内个股涨跌存在领涨（跌）-补涨（跌）的规律，本报告从此领涨股效应出发，尝试构建新的行业动量因子。

基于筹码浮盈率的行业动量效果显著

尝试两种方法构建动量因子：

1. 仅利用涨跌幅构建的行业动量因子（传统方法），多头组合年化收益率为13%，多空策略的信息比率0.8
2. 基于筹码浮盈率构建动量因子，借鉴《情绪择时周报》中的筹码浮盈率指标，该指标能更好的刻画个股赚钱效应，最终基于筹码浮盈率的行

摘要

本文主要考察A股市场是否存在异质动量现象。“异质动量因子（IMom）”，又称之为残差动量，是指剥离市场共同因素后，属于股票自身的收益。异质动量现象普遍存在于全球多个股市，即使在传统动量因子失效的日本股市，异质动量因子也存在显著的选股效果。

A股存在显著的异质动量现象。与海外市场保持一致，IMom因子与次月股票收益正相关，即前期剥离共同因素后的收益越高，下一个月股票收益表现越优。因子RankIC为3.98%，月胜率74.73%；月均多空收益差为0.93%，月胜率71.43%，统计显著。将IMom因子加入至已存多因子模型中，可提高模型收益，同时降低风险，因此模型整体信息比有所提升。

摘要

反转之力的微观来源

我们在2018年底提出了反转因子的独家改进方案——W式切割，因其简洁有效，受到了同行人士的肯定。由W式切割得到的理想反转因子，其收益的稳健度显著优于传统反转因子Ret20，信息比率IR达到2.51，月度胜率为74%。为了使W式切割能够得到更多的微观信息，我们用分位数代替平均值，作为新的切割标准。计算结果揭示：切割标准选用越高的分位值，W式切割的效果越好。这意味着，决定反转强度的因素，主要来源于成交金额分布的高分位区。更进一步地，本报告中我们借助假想实验的分析方法，得到了如下重要推论：反转之力的微观来源，是大单成交。

W式切割的操作步骤

1

摘要

本报告采用Grinold（2002）的方法将股票收益近视拆解为股息收益、名义利润增长率和PE估值变化率三部分，并做适当修正用于定量分析A股涨跌幅中，盈利增长和估值变化的贡献的比例。

实证发现，沪深300、中证500、中证1000这些宽基指数在2009-2017间的涨幅绝大部分来自于盈利的增长，年化收益率贡献分别为11.2%，14.8%和20.9%；估值变化的贡献很小，对沪深300的年华贡献为-1.9%。对中证500和中证1000的贡献为1.8%和2.7%。创业板指2011-2017年间，盈利增长年华贡献7.2%，估值年化贡献2.0%。

对比标普500指数，其2009年后指数涨幅

摘要

小市值与低估值的溢价现象长期存在，但短期内溢价效应存在强弱变化

长期来看小盘溢价与价值溢价在 A 股是存在的，历史上的小盘溢价与价值溢价也为量化策略贡献了许多收益。但在短期内溢价效应存在强弱变化，强弱变化会给我们风格投资带来风险。

估值理论认为，股票价格受到未来现金流与折现率两方面的影响

估值理论认为，资产的价值源自于持有它的投资者能够获得的现金流，通过对资产未来现金流的折现来对资产进行估值，是资产定价领域最常使用的方式。因此，股票价格受到未来现金流与折现率两方面的影响。市场收益率可以拆解成为现金流影响部分与折现率影响部分，个股的现金流 beta 与折现率

研究结论

ROE是价值投资者考察上市公司盈利能力的一个重要指标，在美国市场上有效性很强，但在A股基本没有选股效果，造成“A股不看公司盈利”的印象。但如果ROE的分子换成一年后的未来盈利，ROE的选股能力将显著提高，说明历史ROE选股无效的原因主要在于其对公司未来盈利的预测作用太弱，准确的盈利预测可以为投资者带来超额收益。

预测公司盈利的常用方法有三种：时间序列法，横截面法和分析师一致预期。前两者是基于客观历史数据的统计模型，后者是分析师综合多种信息源研究后得到的汇总主观数据。从预测精度来看，采用历史TTM数据的时间序列方法预测准确性高于一致预期和横截面回归方法。分析师一致预期

摘要

随着陆港通的推进，港股受到内地投资者越来越多的关注。继动量反转效应、价值维度以及另类和成长因子研究后，我们推出“海外量化系列四”，港股研究的第四篇深度报告。 我们构建31个质量因子，测试结果显示：质量因子在港股中的选股有效性整体强于在A股中的表现，在31个质量因子当中，有12个质量因子选股效果较为显著，尤其是和经营性现金流以及主营业务收入相关的指标效果颇佳。以CFROA_TTM（2*经营活动产生的现金流量净额资产总计_最新财报+资产总计_去年同期)）为例，IC为统计量3.9，多空组合年化收益11.3%，夏普率1.12，最大回撤。 测试质量类子在不同行业的表现，发现因子在信息技术、可

来自A股自下而上的财务分析及展望

行业量化基本面深入剖析及横向对比

/wiki/static/upload/3f/3f14a587-16bf-461e-b6b7-f32942ae6920.pdf

\

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，