更新

本文策略代码部分已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/5z65pys6z2i6yep5yyw-vbxmD0RsJV

也可参考新版类似策略：

https://bigquant.com/wiki/doc/116-mcfVsYFPFP

\

导语

公司的基本面

/wiki/static/upload/bf/bf43777d-70f4-4cfc-be1c-d17c4002d57b.pdf

\

摘要

基本面投资逻辑日益受到量化组合投资者的重视，本篇报告重点关注各类基本面因子对不同风格股票预测能力的差异及其在策略构建中的应用。

研究表明，基于市值域划分、盈利域划分以及波动域划分的状态下，各类基本面因子对不同风格域内的股票收益预测能力存在显著差异，相应的因子权重应有所区分。

阿尔法模型构建过程中，我们分别考虑了最优因子权重、个股因子权重匹配、预期收益整合等细节内容，目的是使得因子组合更有效的适应不同风格的市场环境变化，提高模型预测精度。

基于风格域划分下的基本面多因子策略自 2013 年至 2018 年 6 月，实现年化超额收益 18%，信息比率 2.81。相比于未分域的基

摘要

在前期发布的行业轮动专题报告中，我们对于有效的行业轮动因子进行了总结，部分基本面因子存在较好的行业轮动能力。然而，对于技术类行业轮动因子，我们并未得到较好的结果。

本文从高频数据的角度出发，借鉴因子选股报告中的高频因子构建行业高频因子，并对于相关因子的行业轮动能力进行了回测。本文主要分为四部分，第一部分介绍了相关因子的逻辑以及计算方法，第二部分对于各高频因子的月度行业轮动能力进行了回测分析，第三部分变换了模型参数，对于相关因子的行业轮动能力进行了敏感性测试，第四部分展示了2017年以来相关因子所选出的多头行业。

可参考高频数据类选股因子构建高频数据类行业轮动因子。考虑到使用日

摘要

传统多因子模型换仓频率相对较低，所用因子以基本面因子、低频量价因子为主，近年来表现相对一般，国内私募越来越重视基于高频量价数据的短线策略研究，在风格切换频繁的市场往往能取得不错的超额收益。本文将从高频数据的角度探究市场的日内微观结构，寻找符合经济学逻辑的有价值的因子。

高频数据主要可以分成两大类，快照数据和逐笔数据。快照数据又称tick行情数据，展示的是3秒一次的最新市场行情，包含的数据包括tick级的量价数据以及盘口委托挂单数据，tick级量价数据能够精准刻画股票日内价格波动，能够展现价格、成交量及成交笔数在时序上的分布和变化，盘口挂单数据能够体现不同时刻投资者的买入卖出意愿

摘要

在之前的行业轮动系列报告中，发现基本面、宏观、情绪面和估值类因子，对于行业轮动的驱动效果稳定，超额收益走势平稳，唯独量价类的技术因子表现震荡较大，在使用过程中造成一定困难。本篇报告主要针对技术类因子的用法进行探讨，试图寻找有效提升因子稳定度的用法。

对于表现较差的趋势因子，可以尝试通过市场外生变量预测因子收益或者因子IC，以此作为因子择时判断依据。最适合采用外生市场变量进行预测的是趋势3因子（calmar因子）。预测因子收益，多头组合全样本的年化超额收益8.4%；预测因子IC，多头全样本年化超额收益15%，相对于原始因子多头组合的负向超额改善幅度显著。

动量类别因子，其因子收

摘要

本篇报告研究了基本面因子在不同财报期季节预测能力存在的规律性现象，构建了基于财报期效应的基本面因子择时组合，可获得更高且更稳定的基本面因子投资收益。

自2017年以来市场对基本面因子关注程度日渐提高，然而在历史上大多数基本面因子对收益的预测能力并不稳定，若全年均使用这些因子构建组合，在每年的很多时间区间内，组合可能会出现较大回撤；另一方面，许多基本面因子在每年的某些特定时间区间内表现出极强且稳定的预测能力，这些时间段围绕着财报期拥有着明显的季节性规律，是该类基本面因子受投资者关注程度最高且投资逻辑最稳定的时期，若在这些时间段超配因子，可以获得更高且更稳定的投资收益，我们将“基本

研究结论

因子的选股作用会随时间衰减，技术类因子衰减比基本面因子快，提升调仓频率能让基本面因子规避的IC衰减整体十分有限。但在个别月份，例如年报公告季，财报信息频繁更新时，及时更新因子数据，有可能让基本面因子表现获得阶段性增强。

以业绩超预期事件为例，季报、半年报和年报前后的收益衰减速度的不同。超预期幅度相对较低的股票在公告日前后，持续稳定的有负异常收益，及时更新财务因子数据可以及时发现负alpha的股票，提升因子表现；超预期幅度相对较高的股票在一季报、半年报和三季报公告后的异常收益基本在5个交易日就反应完，幅度也不大，数据更新时间迟到一周就无法捕捉这段时间的收益；而年报公告后的异常

构建基于行业优选股票池的多因子组合

本篇报告将量化行业基本面选股系列的研究成果与多因子体系相结合，尝试构造了基于行业优选股票池的多因子组合，包括全市场组合、中证500增强组合、沪深300增强组合。

光大金工量化行业基本面选股策略

行业基本面选股是主动逻辑与量化方法的结合，因此它与传统的因子选股是有一定差异的。我们在行业基本面系列的基础研究思路和逻辑可以总结为：在大类行业板块划分的基础上，全面测试，精选指标，并采用逐层选股的方法，将有效指标进行分层筛选，确定最终组合。

行业基本面股票池表现优于EBQC

行业基本面股票池的表现整体略微优于EBQC（综合质

摘要

本报告使用深度学习方法对基本面模型进行增强，增强模型首先使用基本面模型选出初筛股票池，然后使用深度学习模型对初筛股票池进行二次筛选，该策略较低的换手率水平下可以获得更好的超额收益

基本面模型和深度学习模型具备组合基础

以中证800指数为基础的增强模型表现

以沪深300指数维基准的增强模型表现

正文

[/wiki/static/upload/2e/2ef7bcaa-8432-4f07-8d61-270c5f5967b0.pdf](/wiki/static/upload/2e/2ef7bcaa-8432-4f07-8d61-270c5f5967

重要提示：通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司（下称“中信建投”）客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制，若您并非中信建投客户中的机构类专业投资者，为控制投资风险，请您请取消关注，请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意，感谢您的理解与配合！

核心结论

本文介绍了一种基于openFE的基本面因子挖掘方法，将三大报表的数据以及基础算子之间按照一定的结构进行排列组合，构建出70万个不同风格类型的因子，再利用openFE的两步筛选法，筛选出不同风格类型下表现最好的合成因子。

摘要

因子组合的构建。根据因子类型，将A股市场中的常见因子分为风格类，技术类与基本面三大类。其中风格类因子包括市场、市值与价值；技术类因子包括反转、低换手、低波动；基本面因子包括盈利与增长。

因子组合历史表现。2010-2017年间，各因子组合都能够获得显著的正收益，其中市值组合收益最高，技术类因子（反转、低换手、低涨幅）次之，市场组合再次，最后是基本面因子与价值因子组合。由于长期来看，因子组合都具有显著且稳健的正收益，这为基于因子组合构建长期稳健的投资策略提供了保障。

因子组合2017年表现。2017年的因子组合表现与往年大相径庭：市值组合出现大幅逆转，反转效应在上半年出现明显回

问题

比如ROA、ROE、毛利率、净利率、每股收益、ROA增长率、ROE增长率、净利率增长率、每股收益增长率、主营业务收入增长率、总资产周转率这些

解答

平台正在构建相关基本面因子的数据，预计12月中旬上线，届时可以进行直接提取

摘要

我们梳理了铁矿石的产业链逻辑，将影响铁矿石价格的因子分为两大类四子类，基本面因子包括供应因子、需求因子、库存因子，而情绪因子是并列于基本面因子的一大类因子。

基本面因子相对于行情数据有更新频率更低、更新不够及时、统计口径时有变化等特点，所以数据处理方面有其特殊之处，本文从数据频率的统一、数据及时性、季节性调整以及奇异值的处理等方面进行了深入探讨。

对于单个因子来说，为了衡量其预测效果，我们采用三分位法作为信号生成机制，确定未来的交易头寸，从中发现三分位法的t统计量的值与我们通常追求的夏普比率（不考虑手续费和交易摩擦）相关性非常高，可达到98%以上，这一点与螺纹钢的结果一致。从

问题

某量化机构专业人士表示，目前国内市场无效的资金还是比较多，这让高频量价策略有着相当大的发展空间，但规模一旦做大，就要面对资金容量与业绩之间的矛盾问题。

所以，未来的趋势肯定会不断的降频，高频策略肯定还有，但不会是一个拿出来卖的产品，应该都是自营，并且竞争很激烈，门槛越来越高，很难有新进入者能够做高频策略。

海外经过更长时间的竞争，市场有效性更高，资管产品中资金容量更大的基本面量化就会更多一些。未来随着国内量化策略的发展，基本面策略也有可能会成为主流。

对于未来的发展，你有什么看法？

解答

高频量价策略和低频基本面量化虽然都是量化投资，但两者有着本质上的区别，且未来

平时喜欢做研究，分享一个策略，希望和大家多交流！欢迎拍砖！

策略思想：

买入条件

• 市净率尽可能小
• 股价创60日新高
• 3日线上穿5日线，5日线上穿10日线
• 当日成交量是昨日成交量的1.4倍
• macd柱状处于红色区域

卖出条件

• 收盘价下穿7日均线
• 7日均线下穿30日均线

持仓天数

• 持仓天数30天

如题

引言

机器学习在股价预测中展现出明显的优势，国内外学者在这一领域已经进行了大量的研究。本文首先运用六种机器学习算法与基准RW模型和现有五种模型进行对比，对比结果发现机器学习模型，尤其是非线性机器学习模型具有较好对预测精确性。其次，考虑到基于基本面分析的股价预测方法可以实现对中长期股票的预测，本文分析了基本面量化投资在长期股票预测中的应用与模型性能对比。最后，本文将基本面量化投资应用于我国A股市场进行适用性分析和模型绩效分析。

机器学习模型预测有效性的验证

模型架构

主要采用六种机器学习模型，包括三种线性机器学习和三种非线性机器学习模型。

• **线

挖掘因子是构建策略的第一步，有效的因子组合可以获取超额收益，而沉余琐碎因子则会让策略失效，所以搭建具有显著收益正相关性的多因子模型，是策略研究前期工作的重中之重。基本面因子以财务数据和股东数据为基础构建，如下：

1.#盈利能力因子。相较于其他盈利能力因子，CFOA在不同选股域中的有效性均较为显著，体现其对收益率较强的预测能力。同时，CFOA因子的多头组合在全市场普遍具有较高的年化收益和较低的最大回撤。

2.#成长能力因子。在全市场中，多数成长能力因子的IC检验有效性较为显著，其中业绩趋势因子（QPT）和标准化预期外净利润因子（NP_SUE1）在不同选股域中具有较强的收益预测能力。

3

摘要

在前期发布的行业轮动专题报告中，我们对于有效的行业轮动因子进行了总结，部分基本面因子存在较好的行业轮动能力。然而，对于技术类行业轮动因子，我们并未得到较好的结果。 本文从高频数据的角度出发，借鉴因子选股报告中的高频因子构建行业高频因子，并对于相关因子的行业轮动能力进行了回测。本文主要分为四部分，第一部分介绍了相关因子的逻辑以及计算方法，第二部分对于各高频因子的月度行业轮动能力进行了回测分析，第三部分变换了模型参数，对于相关因子的行业轮动能力进行了敏感性测试，第四部分展示了2017年以来相关因子所选出的多头行业。

可参考高频数据类选股因子构建高频数据类行业轮动因子。考虑到使用日间

摘要

本报告使用深度学习方法对基本面模型进行增强，增强模型首先对使用基本面模型选出初选股票池，然后使用深度学习模型对初选股票池进行二次筛选，该策略在较低的换手率水平下可以获得更高超额收益

基本面模型和深度学习模型具备组合基础

以中证800指数为基准的增强模型表现

以沪深300为基准的增强模型表现

正文

[/wiki/static/upload/d1/d160425b-d3c3-402c-8336-3adb0c369a0d.pdf](/wiki/static/upload/d1/d160425b-d3c3-402c-8336-3adb0c369a0

摘要

净值化时代，为满足客户的绝对收益需求，多资产配置是一种必然思路。CTA作为一类不同于股票、债券等传统资产的另类资产，策略本身的运作手段丰富，历史净值表现优异，同时众多优异的CTA产品回撤控制较好，收益风险比极佳。

从多资产配置视角看，对于CTA策略，首先我们需要明了的是，什么样的宏观及市场环境下，CTA策略具有较好的性价比，因为CTA策略也有小年和大年，当环境不利时，即使表现再好的CTA策略，可能收益也不及中性、股票多头等其他策略，此时从自上而下的视角看，最优的选择应该是增配其他更优的资产，而不是在CTA策略中“火中取栗”。这其实就是CTA策略的择时问题。本文中，我们构建了一套

摘要

我们梳理了铁矿石的产业链逻辑，将影响铁矿石价格的因子分为两大类四子类，基本面因子包括供应因子、需求因子、库存因子，而情绪因子是并列于基本面因子的一大类因子。

基本面因子相对于行情数据有更新频率更低、更新不够及时、统计口径时有变化等特点，所以数据处理方面有其特殊之处，本文从数据频率的统一、数据及时性、季节性调整以及奇异值的处理等方面进行了深入探讨。

对于单个因子来说，为了衡量其预测效果，我们采用三分位法作为信号生成机制，确定未来的交易头寸，从中发现三分位法的t统计量的值与我们通常追求的夏普比率（不考虑手续费和交易摩擦）相关性非常高，可达到98%以上，这一点与螺纹钢的结果一致。从

摘要

宏观指标作为外生变量主要通过影响下游产业的需求来影响铁矿石价格。之前的研究也多从宏观指标来研究对商品期货收益影响的因素，而本报告除宏观因子外，还从铁矿石产业链入手，从供给、需求、库存和成本四方面总结了影响铁矿石现货价格的基本面因素。

我们使用向量回归VAR模型研究发现与铁矿石收益显著负相关的分别是滞后二阶的中钢协会员企业粗钢产量季调值和沪市线螺终端采购量环比，滞后一阶的海外港口铁矿石发货量同比，滞后二阶的国内调查部分矿山铁精粉产量环比。另外通过格兰杰因果检验发现国内调查部分矿山铁精粉产量环比与中钢协会员企业粗钢产量季调值与铁矿石收益率互为格兰杰原因。

由于变量内生性和持续性强度