量化投资策略的因子选股
股票量化投资策略研究：股票多因子策略研究
股票多因子测试入门一、前言做这个研究的目的，一是为了搞清楚股票策略研究中的一些细节问题，熟悉股票研究框架；二是为了大致了解各类因子的作用。
用米筐测，那里数据完善。
现在要做的，主要就是模仿，看别人的。
先学barra。
二、Barra Multiple-Factor Modeling来自Barra Risk Model HandBook。
（一）因子（Descriptor）筛选、单位化处理、搭配然后选择所有备用的因子descriptors（类似因子？以下简称“因子”），要先检验因子的显著性；通常，因子要显著地解释截面收益。
descriptor可来自基本面数据、市场数据（价、量）、或者其他数据。
因子的选择可分为几步：（1）初步筛选；有用的因子，通常要有意义，也就是make sense intuitively；其次，好的因子还必须能够对市场上的所有股票进行很好的分类，也就是完备性，不应当存在某些股票不属于因子中某一类的情况；因子需要有理论基础；（2）同时，增加一个因子如果不能增加解释度，那这个增加没有必要。
然后要将descriptors单位化；很简单，减去均值，然后除以标准差。
然后，要选择不同因子进行搭配，risk index formulation；如何搭配，主观判断起到一定作用；但是诸如cluster analysis之类的统计方法也经常用到。
在单位化以后，我们用收益率对行业和descriptor进行回归，每次测试一个因子，我们要统计回归的显著性；通过上面的测试结果，我们就可以选择出有用的因子；因子搭配，是一个递归的过程，我们首先加入最显著的因子；此后，再加入另一个因子（剩下的因子里面的最显著的？），如果这个因子没有显著增加解释度，则不要这个因子，否则就加入这个新的因子（注：这里依然要考虑行业暴露）。
然后，行业因素也要考虑进行；或者叫，行业暴露。
通常，一个公司只属于一个行业；但是，在美国和日本，会根据该公司营收的比例来决定各个行业暴露的权重。
11因子量化选股指标公式
11因子量化选股指标公式在量化选股领域中，11因子量化选股指标公式是一种用于筛选股票投资组合的方法。
这种指标公式是基于一系列因子进行计算和评估，以找出具备良好投资潜力的股票。
这里列举了11个常用的因子，用于构建选股指标公式：1. 市盈率（PE）：衡量股票的价格相对于每股盈利的倍数。
2. 市净率（PB）：衡量股票的市值相对于每股净资产的倍数。
3. 股息率（Dividend Yield）：衡量公司每股股息与股票当前价格的比率。
4. 营收增长率（Revenue Growth）：衡量公司营收的年度增长率。
5. 每股盈利增长率（EPS Growth）：衡量公司每股盈利的年度增长率。
6. 资产负债率（Debt-to-Equity Ratio）：衡量公司财务杠杆比例。
7. 市值（Market Cap）：衡量公司的市值规模。
8. 流通股本比例（Float）：衡量流通在市场上的股票数量比例。
9. 盈利质量（Earnings Quality）：衡量公司盈利的可持续性和质量。
10. 成长性（Growth）：衡量公司未来发展潜力和增长能力。
11. 波动率（Volatility）：衡量股票价格的波动程度。
将这些因子进行综合考虑，可以构建一个综合的选股指标公式。
不同的因子可以赋予不同的权重，根据投资者的偏好和研究需求来决定。
一般来说，选股指标公式的目标是找到具备良好的财务和市场表现的股票，同时降低投资风险。
通过使用11因子量化选股指标公式，投资者可以更加客观和系统地评估股票的投资潜力。
这种量化方法可以帮助投资者优化投资组合，提高投资决策的准确性和效果。
然而，需要注意的是，选股指标公式并不能保证股票的表现，市场风险始终存在，投资者应该结合自身的风险承受能力和投资目标来进行决策。
多因子量化选股指标公式
多因子量化选股指标公式
多因子量化选股指标公式是一种用于在股票市场中选择优质个股的数学模型。
它通过运用多个因子指标来评估股票的投资价值，并以此为依据进行选股操作。
下面将介绍几种常见的多因子量化选股指标公式。
1. P/E 比率（市盈率）：市盈率是衡量股票价格与公司盈利之间关系的一个重
要指标。
公式为市值除以公司的净利润，其值越低，代表该股票的估值相对较低，投资价值较高。
2. P/B 比率（市净率）：市净率是衡量股票价格相对于每股账面净资产的指标。
公式为市值除以公司净资产，数值小于1代表股票可能被低估，值得投资。
3. ROE（净资产收益率）：ROE是衡量公司盈利能力的指标，公式为净利润除以净资产。
高ROE意味着公司利润增长能力强，可能是一个投资选择的重要因素。
4. 市值因子：市值因子是根据公司的市值来进行评估的指标，通常用于评估公
司的规模和估值。
较小的市值可能代表较高的成长空间和潜在收益。
5. 成长因子：成长因子是用于评估公司的盈利增长能力的指标。
常见的成长因
子包括每股收益增长率、销售增长率等。
6. 财务稳定性指标：财务稳定性指标用于评估公司的财务健康状况，包括债务
比率、流动比率等。
较低的负债比率和较高的流动比率代表着较好的财务稳定性。
需要注意的是，不同的投资者可能会根据自己的投资风格和策略选择不同的多
因子指标，因此，在使用多因子量化选股指标公式时，投资者应综合考虑多个因素，并以自身的风险承受能力和投资目标来制定投资策略。
多因子量化选股策略
多因子量化选股策略多因子策略的核心理念是市场上股票的回报不仅取决于整体市场的因素，还受到公司基本面、市场情绪、估值和技术指标等多个因素的影响。
通过综合考虑这些因素，可以更加全面地衡量股票的投资价值，提高选股的准确性和整体回报的稳定性。
在构建多因子选股策略时，首先需要确定一系列的因子指标。
常见的因子包括：估值因子（如市盈率、市净率）、成长因子（如营收增长率、净利润增长率）、盈利质量因子（如现金流量比率、资产负债率）、市场情绪因子（如市场波动率、投资者情绪指标）、技术指标（如动量指标、相对强弱指标）等。
这些因子都各自代表了一方面的股票表现，通过综合考虑这些因子，可以形成一个全面的股票选股模型。
其次，需要对每个因子进行权重分配。
在分配权重时，可以根据因子的相关性、历史表现、理论依据等进行判断。
一种常见的方法是通过回归分析来确定每个因子的权重，使得选股模型能够最大程度地解释股票的回报。
最后，在确定了因子和权重之后，就可以应用量化的方法来进行选股和构建投资组合。
通过计算每只股票的因子得分，并根据得分进行排名，可以挑选出相对较好的个股。
同时，还可以通过将这些个股按照一定的规则组合成投资组合，以实现更好的风险和收益平衡。
需要注意的是，多因子量化选股策略并不是一成不变的，随着市场环境和投资者偏好的变化，策略的因子和权重也需要不断调整优化。
此外，考虑到人为主观因素的干扰，量化选股策略也需要定期进行回测和验证，以确保策略的有效性和稳定性。
总体而言，多因子量化选股策略是一种科学系统的选股方法，能够通过综合考虑多个因素来提高选股的准确性和投资组合的稳定性。
然而，对于普通股民而言，如果没有专业的量化模型和数据分析能力，参与多因子量化选股需要有专业投资顾问的指导和支持，以避免不必要的风险和误判。
量化交易——因子选股、多因子选股策略
量化交易——因⼦选股、多因⼦选股策略⼀、因⼦选股策略1、因⼦ 因⼦：选择股票的某种标准。
因⼦是能够预测股票收益的变量。
（1）基本⾯因⼦ 基本⾯因⼦描述了⼀个公司的财务状况，最常见的基本⾯因⼦是由利润表，资产负债表以及现⾦流量表中的数据直接计算出的⽐率。
通过财务报表可以构建出⽆数的财务⽐率及财务报表变量的组合，并以此来预测股票的收益率。
⼀般将基本⾯因⼦分为6⼩类：估值因⼦、偿债能⼒因⼦、营运效率因⼦、盈利能⼒因⼦、财务风险因⼦以及流动性风险因⼦。
（2）技术⾯因⼦ ⼤多数技术⾯因⼦是由过去的价格、成交量以及其他可获得的⾦融信息所构建的，技术⾯因⼦⼀⼤优势是能够持续更新。
新的基本⾯数据最多只能按季度获取，相反，最新的技术指标每隔⼏秒就可以获得。
（3）经济因⼦ 最初的套利定价模型是基于经济指标来构建的。
⽐较流⾏的经济因⼦包括：GDP增速、失业率以及通货膨胀率等，它们⼏乎会影响到市场的每⼀个⾓落。
（4）其他因⼦ 其他因⼦的类型包括但不限于：分析师预测因⼦、事件驱动因⼦。
2、选股策略（策略模型） 对于某个因⼦，选取表现最好（因⼦最⼤或最⼩）的N⽀股票持仓。
每隔⼀段时间调仓⼀次。
3、⼩市场策略 选取股票池中市值最⼩的N只股票持仓。
⼆、聚宽实现因⼦选股策略——⼩市值策略 沪深300中，根据市值最⼩的20只股票选股：# 初始化函数，设定基准等等def initialize(context):# 设定沪深300作为基准set_benchmark('000300.XSHG')# 开启动态复权模式(真实价格)set_option('use_real_price', True)# 输出内容到⽇志 ()('初始函数开始运⾏且全局只运⾏⼀次')# 股票类每笔交易时的⼿续费是：买⼊时佣⾦万分之三，卖出时佣⾦万分之三加千分之⼀印花税, 每笔交易佣⾦最低扣5块钱set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')# 获取指数成份股g.security = get_index_stocks('000300.XSHG')# valuation：财务数据表,code是对应的股票代码# 这⾥不能使⽤ in 操作, 要使⽤in_()函数,找到沪深300股份对应的财务数据g.q = query(valuation).filter(valuation.code.in_(g.security))g.N = 20 # 20只股票run_monthly(handle, 1) # 第⼀个参数是对应的函数，第⼆个参数指第⼏个交易⽇def handle(context):df = get_fundamentals(g.q)[['code', 'market_cap']] # 花式索引选出股票代码和市值df = df.sort_values("market_cap").iloc[:g.N,:] # pandas排序函数，将数据集依照某个字段中的数据进⾏排序# 期待持有的股票to_hold = df['code'].valuesfor stock in context.portfolio.positions:if stock not in to_hold:# ⽬标股数下单,卖出⾮标的的股票order_target(stock, 0)# 期待持有且还未持仓的股票to_buy = [stock for stock in to_hold if stock not in context.portfolio.positions]if len(to_buy) > 0: # 需要调仓# 每只股票预计投⼊的资⾦cash_per_stock = context.portfolio.available_cash / len(to_buy)for stock in to_buy:# 按价值下单，买⼊需买⼊的股票order_value(stock, cash_per_stock) 执⾏效果： 这个策略在短线情况下表现⼀般，长线情况下效果不错。
基于多因子量化模型的A股投资组合选股分析
基于多因子量化模型的A股投资组合选股分析基于多因子量化模型的A股投资组合选股分析摘要：近年来，随着金融科技的不断发展，A股市场也掀起了一股量化投资的热潮。
多因子量化模型作为一种投资策略，通过综合考虑多个因子，对证券进行评分和排序，以期获得超越市场平均表现的投资组合。
本文以A股市场为对象，基于多因子量化模型，尝试构建一个有效的投资组合选股策略，并对其进行分析和评估。
一、引言随着金融市场的复杂性和信息的爆炸式增长，传统的投资策略面临着越来越大的挑战。
而多因子量化模型则可以通过综合考虑多个因子，通过数据挖掘和统计分析，提取出能够预测证券收益的关键因素，从而为投资者提供更有效的投资决策依据。
二、多因子选股模型的构建1. 因子选择在构建多因子选股模型时，首先需要选择适合A股市场的关键因子。
一般来说，可以考虑市值、估值、盈利能力、成长性等因素。
此外，还可以考虑技术指标、市场情绪等辅助因素。
2. 数据获取与预处理获取因子所需的历史数据，并对数据进行清洗和预处理。
清洗和预处理的过程包括对缺失值和异常值的处理，以及对数据进行调整和标准化，以便在后续的因子计算和模型建立中使用。
3. 因子计算和分析根据选择的因子，对历史数据进行计算和分析。
对于每个因子，需要研究其与股票收益之间的相关性，并通过统计分析确定其对证券收益的预测能力。
4. 因子加权和选股策略根据因子的预测能力和相关性，对各个因子进行加权，得到一个综合因子得分。
然后，根据得分对股票进行排序，选择得分较高的股票作为投资组合的成分股。
三、投资组合的构建与分析1. 投资组合的构建方法在构建投资组合时，可以采用均衡组合的方法，即根据股票的市值或其他指标，将资金分配到各个组合中，以达到风险与收益的均衡。
2. 投资组合的风险评估在构建投资组合后，需要对其进行风险评估。
可以采用历史数据进行模拟交易，计算组合的风险指标，如波动率、最大回撤等，以评估组合的风险水平。
3. 投资组合的绩效评估根据历史数据，计算投资组合的收益率、超额收益率等指标，以评估投资组合的绩效水平。
11因子量化选股指标公式
11因子量化选股指标公式
因子量化选股指标是一种用于评估和选择股票的方法，通过计算
不同因子对股票的影响来判断其投资价值和潜在收益。
以下是一种常
见的11因子量化选股指标公式，但需要注意的是，不同投资策略可能
使用不同的因子组合和权重：
1.盈利因子：利润增长率、盈利稳定性、盈利质量等。
2.估值因子：市盈率、市净率、股息率等。
3.成长因子：销售增长率、资本支出增长率、股东权益增长率等。
4.资产因子：总资产回报率、净资产收益率、资本周转率等。
5.杠杆因子：负债比率、资本结构、利息支付能力等。
6.股价因子：股价动量、股价与均线关系、波动率等。
7.市场因子：市场收益率、市值因子、市场流动性等。
8.财务稳定因子：财务风险、经营稳定性等。
9.盈利预测因子：分析师盈利预测、市场对盈利预期的反应等。
10.估值预测因子：股价与估值模型的偏离程度等。
11.风险因子：波动率、系统风险、业务风险等。
这些因子可以通过各种数学和统计方法进行量化计算，例如使用回归模型或机器学习算法来建立因子与业绩之间的关系模型。
此外，还可以使用一些衍生指标和综合评分方法对不同因子进行综合权衡和排序，从而得出最终的选股指标。
同时，在实际应用中，可以根据特定的投资策略和市场环境，对以上因子进行适当的拓展和调整。
例如，在行业中选择一些特定的因子作为衡量标准，或根据市场状况灵活调整因子的权重和选股条件。
因子选股指标的有效性和准确性往往需要经过大量的历史数据和实证研究来验证和修正。
基于多因子量化模型的A股投资组合选股分析
基于多因子量化模型的A股投资组合选股分析一、引言A股市场作为全球最大的单一市场，吸引了大量投资者的关注和参与。
然而，在这个庞大而复杂的市场中，如何有效地进行股票选取成为了每个投资者面临的重要问题之一。
随着计算机和数据科学的发展，量化投资成为了一个备受重视的投资方式。
本文旨在介绍并探讨方法。
二、多因子量化模型介绍多因子量化模型是一种利用多个因子对股票进行评估和排序的方法。
传统的股票分析常常依赖于财务数据和基本面分析，但往往忽视了其他影响股价的因素。
多因子量化模型通过收集和分析大量数据，结合统计学和机器学习算法，从不同的角度综合评估股票的投资价值。
多因子量化模型的核心思想是选取与股票收益相关性高的因子，并将它们进行加权组合。
常见的因子包括市盈率、市净率、股息率、流动性、成长性等。
投资者可以根据不同的策略和假设选择适合自己的因子。
三、A股市场投资组合选股方法1. 数据收集与整理在进行A股市场投资组合选股之前，首先需要收集和整理大量的市场数据。
包括股票价格、财务数据、经济指标等。
这些数据将作为多因子量化模型的输入。
2. 因子选择与筛选在多因子量化模型中，选择适合A股市场的因子是一个重要的环节。
可以从财务指标、市场行情、板块轮动等方面进行因子的选择与筛选。
例如，股票的市盈率和市净率可以反映其估值水平，股息率则反映了股票的分红能力。
3. 因子加权与建模在确定了适合的因子之后，需要对不同因子进行加权，构建多因子模型。
加权的目的是根据因子的重要性和影响力，给予不同因子不同的权重。
这样可以更准确地评估股票的综合投资价值。
4. 组合优化与回测在建立了多因子模型之后，可以进行投资组合优化和回测。
投资组合优化是指根据投资者的风险偏好和收益目标，通过调整权重，选择最优的投资组合。
回测则是利用历史数据测试模型的有效性和盈利能力。
四、案例分析以某A股市场的投资组合选股为例进行分析。
假设选取了市盈率、市净率、股息率、流动性和成长性作为因子，并根据各因子的权重进行投资组合优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
回溯测试
单调性； 可预测性； 收益率分析； 交易分析；
P8
因子有效性的两个重要方面
单调性 – 检验指标是否具有一致性，得分高的股票收益 率是否高于得分低的股票；
可预测性 – 检验指标是否具有预测能力，即指标与收益率 之间是否存在相关性；
P9
单指标检验举例：EPE
分位数组合
– 平均/年化收益率、胜率 单指标组合
平均换手率 28.60% 22.10% 20.10% 76.90% 24.40% 20.00% 17.40% 12.20% 11.90% 91.60% 34.50% 29.50% 12.20% 22.70% 16.80% 96.80% 92.40% 29.50% 39.70% 24.90% 39.20% 21.10% 38.30% 38.40% 78.60% 24.70% 44.20%
P18
（3）时间分析-（A） 整体分析
• RPE • EPE
• QM • QM_GA
表现最好 表现最好
单因素模型 多因素模型
表现最差 表现最差 单因素模型 多因素模型
• ROE • TM • ES
数据来源：光大证券、Wind
• MM_GA • GM_GA
P19
（3）时间分析-（A） 整体分析
2007年1月至2010年10月：
– 优化作用有限；
P20
（3）时间分析-（B）年度分析
• RPE • EPE
• QM • QM_GA
表现最好 表现最好
单因素模型 多因素模型
表现最差 表现最差 单因素模型 多因素模型
• TM • ROE • ES
数据来源：光大证券、Wind
• VM_GA • PM
P21
（3）时间分析-（B）年度分析
P11
单指标检验举例：EPE
图 1：EPE30 组合的相对收益率分布
0.14
1.2
0.12
1.0
0.10
0.8
0.08 0.6
0.06
0.04
0.4
0.02
0.2
0.00
0.0
0.33
0.27
0.21
0.14
0.08
0.02
-0.04
-0.10
-0.16
-0.22
-0.29
-0.35
-0.47
频率(右)
3
因子选股：从想法到交易
一个不错的 投资想法
买还是卖？ 量是多少？
P4
（1）从投资想法到指标
指标构建：
设计选择能够描述投资思想的可量化指标；
市盈率
PE EPE
例：价值被低估的股 票未来价值会回归
市净率
PB EPB
P5
（2）从量化指标到股票评级
股票评级：设定股票池/时间
区间/权重，计算个股得分；
市盈率
PE EPE
设定股票池：全部A股 设定时间区间：2007年1月-2010年12月
指标标准化：方向/量纲；
市净率
PB EPB
数据来源：光大证券、Wind
设定权重：（.25,.25,.25,.25)
个股评级：
股票名称
兴业银行 交通银行 华夏银行 国元证券 民生银行 中国银行
股票评级
☆☆☆☆☆ ☆☆☆☆☆ ☆☆☆☆☆ ☆☆☆☆ ☆☆☆☆ ☆☆☆☆
累积分布(左)
2009‐10
0.14
2010‐01
0.17
2010‐04
2008‐04
-0.04
图 4：EPE30 组合的换手率
45% 40% 35% 30% 25% 20% 15% 10%
5% 0%
平均换手率44.1%
2009‐04
2009‐01
2008‐10
2008‐07
2008‐01
2007‐10
PE
0.99 0.99 0.95 0.52 0.99 0.98
EPE
1 1 0.95 0.63 1 0.99
投资组合
得分最高的10%的股票; 得分最高的30只股票; 得分最高的金融行业的10只股票; …….
P7
（4）回溯测试
回溯测试：对因子和模型进行统计测试和检验；
投资组合
得分最高的30只股票;
三阶段股利折现模型 股息收益率 市净率 动量模块 净利润动量
营业收入动量 总收益动量
一致预期变动 盈利惊喜
价值
成长
量化模型
动量
可预测性
成长模块 净利润增长率 营业收入增长率 股利增长率
价格增长 净资产收益率 预测净资产收益率 剔除周期影响的净资产收益
率 可预测性模块 总收益率稳定性
盈利稳定性 一致预期准确度 非经常性项目占比
上证指数收盘价
P23
（3）时间分析- （C）阶段分析
• RPE • EPE
• QM • QM_GA
盈利惊喜
总收益率稳定性
盈利稳定性 可预测性模块
一致预期准确度
非经常性项目频率
含义 总市值/净利润 总市值/未来12个月的预测净利润 过去5年的平均市盈率 按照三阶段股利折现模型计算的股价的隐含收益率 总市值/净资产 股息/总市值 过去5年的净利润复合增长率 过去5年的营业收入复合增长率 过去5年的股息复合增长率 股价隐含收益率的变化 净利润/净资产 未来12个月的预测净利润/净资产 过去5年的平均净资产收益率 净利润增长率的年度变化 营业收入增长率的年度变化 总收益增长率的月度变化 预测净利润的月度变化率 预测净利润增长率 总收益率过去2年的标准差 净利润过去2年的标准差 预测净利润最大值/最小值-1 非经常项目/净资产
0.24%
0.18%
0.12%
0.06%
图 2：EPE30 组合的绝对收益率分布
0.16 0.14 0.12 0.10 0.08 0.06 0.04 0.02 0.00
1.2 1.0 0.8 0.6 0.4 0.2 0.0
0.10
0.07
0.03
0.00
-0.08
-0.11
-0.15
-0.18
频率(右)
30组合 相对收益率(右) 市场 累积收益率(左)
30组合 累积收益率(左)
数据来源：光大证券、Wind
图 2：EPE 各分位数组合的年化收益率
40% 35% 30% 25% 20% 15% 10%
5% 0%
等级1
等级2
等级3
等级4
等级5
图 4：EPE30 组合的信息系数
0.25 0.2
0.15 0.1
指标构建
•选择因子
股票评级
•设定权重
组合构建
•筛选股票
回溯测试
•评估模型
策略优化
•优化权重
投资思想
量化
交易
P14
主要内容 1. 因子选股流程 2. 已研究的量化因子 3. 我们的定期产品 4. 总结及未来研究方向
15
已研究的量化因子
价值模块 剔除非经常性项目的市盈率
基于一致预期的市盈率 剔除经济周期影响的市盈率
58.7% 65.2% 0.0%
P10
单指标检验举例：EPE
图 1：EPE 各分位数组合的累积收益
4000 3500 3000 2500 2000 1500 1000
500 0
累积收益
2006‐12 2007‐03 2007‐06 2007‐09 2007‐12 2008‐03 2008‐06 2008‐09 2008‐12 2009‐03 2009‐06 2009‐09 2009‐12 2010‐03 2010‐06 2010‐09
– 收益率分析：累计/相对/绝对收益率，累计分布、信息系数 – 交易分析：交易成本影响，组合换手率
表 1：2007 年 1 月-2010 年 10 月 EPE 各分位数组合的业绩
2007 年 1 月-2010 年 10 月
组合 等级 1 等级 2 等级 3
平均收益率 年化收益率
2.3%
18.5%
2.5%
PE
0.99 0.99 0.95 0.52 0.99 0.98
EPE 1 1
0.95 0.63
1 0.99
P6
（3）从股票评级到股票筛选
组合构建：设定筛选规则，构建投资组合；
股票评级
股票名称 股票评级
兴业银行 交通银行 华夏银行 国元证券 民生银行 中国银行
☆☆☆☆☆ ☆☆☆☆☆ ☆☆☆☆☆ ☆☆☆☆ ☆☆☆☆ ☆☆☆☆
TM
ER
EP
TS
稳定性
ES CEE
NRIF
VM
GM
多因素
MM
PM
QM
数据来源：光大证券、Wind
平均信息系数 2.30% 4.70% 5.10% 0.30% 7.60% 4.10% -2.50% -1.50% -1.90% 2.10% -3.40% 1.10% -2.10% 1.00% 1.10% -1.80% 3.00% 0.40% 2.10% 0.70% 1.20% 0.60% 4.80% -2.70% -1.40% 1.20% 0.30%
0.05 0
‐0.05 ‐0.1
‐0.15 ‐0.2
‐0.25
平均信息系数4.7% 信息系数
2007‐01 2007‐04 2007‐07 2007‐10 2008‐01 2008‐04 2008‐07 2008‐10 2009‐01 2009‐04 2009‐07 2009‐10 2010‐01 2010‐04 2010‐07 2010‐10
P22
（3）时间分析-（C）阶段分析