量化投资策略的因子选股

证券研究报告

11.因子选股流程22.已研究的量化因子33.我们的定期产品44.未来研究方向

11.因子选股流程22.已研究的量化因子33.我们的定期产品44.总结及未来研究方向

因子选股从想法到交易

因子选股：从想法到交易

一个不错的买还是卖？

投资想法

量是多少？

（）从投资想法到指标

（1）从投资想法到指标指标构建：

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

EPE

例：价值被低估的股

票未来价值会回归市净率

EPB

（2）从量化指标到股票评级

（）从化指标到股票评级

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；

设定股票池：全部A股

市盈率

PE EPE

设定时间区间：2007年1月-2010年12月

指标标准化方向/量纲指标标准化：方向/量纲；设定权重：（.25,.25,.25,.25)

市净率

PB EPB

个股评级：

股票名称股票评级PE

EPE

兴业银行

☆☆☆☆☆0.991交通银行☆☆☆☆☆0.991华夏银行☆☆☆☆☆0.950.95052063国元证券☆☆☆☆0.520.63民生银行☆☆☆☆0.991中国银行

☆☆☆☆

0.98

0.99

数据来源：光大证券、Wind

（3）从股票评级到股票筛选（）从股票评级到股票筛选

设定筛选规则构建投资组合；

组合构建：设定筛选规则，构建投资组合；

股票评级

投资组合

得分最高的10%的股票;

得分最高股票;

得分最高的30只股票;

股票名称股票评级PE EPE

兴业银行☆☆☆☆☆0.991

交通银行☆☆☆☆☆0.991

得分最高的金融行业的10只股票;

…….

华夏银行☆☆☆☆☆0.950.95

国元证券☆☆☆☆0.520.63

民生银行☆☆☆☆0.991

中国银行☆☆☆☆0.980.99

（4）回溯测试

（）回溯测试

对因子和模型进行统计测试和检验

回溯测试：对因子和模型进行统计测试和检验；投资组合

回溯测试

得分最高的30只股票;

单调性；可预测性；收益率分析收益率分析；交易分析；

因子有效性的两个重要方面

因子有效性的个要方

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；

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；

分位数组合

–平均/年化收益率、胜率

单指标组合

–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

组合平均收益率年化收益率标准差胜出比率组合平均收益率年化收益率标准差胜出比率等级1 2.3% 18.5% 13.5% 56.5% 等级4 3.2% 30.6% 13.8% 58.7%

2.5%5

等级2 2.5% 20.9%13.2%58.7%等级5 3.6%36.3%13.9%65.2%等级3 2.9% 26.5% 13.6% 58.7% 沪深300 1.7% 12.2% 12.5% 0.0% 数据来源：光大证券、Wind

图1：EPE 各分位数组合的累积收益

20002500300035004000累积收益

图2：EPE 各分位数组合的年化收益率

20%25%30%35%40%0

500

100015002006‐12

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

等级1等级2等级3等级4等级5

10%15%等级1

等级2

等级3

等级4

等级5

图3：EPE30组合的累计收益/相对收益

15%20%25%

40005000图4：EPE30组合的信息系数

0.20.25平均信息系数4.7%

‐20%

‐15%‐10%‐5%0%5%10%0

1000

200030002007‐01

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

‐0.15‐0.1‐0.050

0.05

0.10.152007‐01

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

30组合相对收益率(右)30组合累积收益率(左)

市场累积收益率(左)

‐0.25

‐0.2信息系数

数据来源：光大证券、Wind

图1：

EPE30组合的相对收益率分布

0.81.01.20.100.120.14

图2：EPE30组合的绝对收益率分布

060.81.01.20080.100.120.140.160.0

0.20.40.60.00

0.020.040.060.08-0.47

-0.41

-0.35

-0.29

-0.22

-0.16

-0.10

-0.04

0.02

0.08

0.14

0.21

0.27

0.33

0.0

0.20.40.60.00

0.020.040.060.08-0.18

-0.15

-0.11

-0.08

-0.04

0.00

0.03

0.07

0.10

0.14

0.17

频率(右)累积分布(左)

图3：交易成本对EPE30组合的影响

6000图4：EPE30组合的换手率

45%平均换手率441%1000

200030004000

5000累

积收

益

5%10%15%20%25%30%35%40%平均换手率44.1%

0.00%

0.06%

0.12%

0.18%

0.24%

0.30%

0.36%

0.42%

0.48%

0.54%

0.60%

0.66%

0.72%

0.78%

0.84%

0.90%

0.96%

交易成本

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

换手率

数据来源：光大证券、Wind

（5）策略优化

（）策略优化

策略优化因子权重的动态调整和优化最优时间区间等

策略优化：因子权重的动态调整和优化，最优时间区间等；原始策略

优化目标函数设定

PE/EPE/PB/EPB 等权重优化算法选择

优化算法历史回溯期

每月筛选

最优指标权重优化后的策略

（6）因子选股的整体流程（）因子选股的

体流程

回溯测试

策略优化

?优化权重股票评级

组合构建

?筛选股票

?评估模型

?设定权重

指标构建

?选择因子

量化

投资思想交易

主要内容

要内容11.因子选股流程22.已研究的量化因子33.我们的定期产品44.总结及未来研究方向

已研究的量化因子研究的化因子

价值模块成长模块

剔除非经常性项目的市盈率

基于一致预期的市盈率

净利润增长率

营业收入增长率

价值

剔除经济周期影响的市盈率

三阶段股利折现模型成长

股利增长率

价格增长

量化模型

股息收益率

市净率

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

动量

净利润动量

营业收入动量

动量模块

可预测性总收益率稳定性

可预测性模块

率

总收益动量

一致预期变动

盈利稳定性

一致预期准确度盈利惊喜非经常性项目占比

（1）因子算法

因子算法

模块指标含义更新频率

价值模块剔除非经常性项目影响的市盈率总市值/净利润每月预测市盈率总市值/未来12个月的预测净利润每月剔除经济周期影响的市盈率过去5年的平均市盈率每月三阶段股利折现模型按照三阶段股利折现模型计算的股价的隐含收益率每月市净率总市值/净资产每月股息收益率股息/总市值每月净利润增长率过去5年的净利润复合增长率每季营业收入增长率过去5年的营业收入复合增长率每季

成长模块股利增长率过去5年的股息复合增长率每季价格增长股价隐含收益率的变化每月净资产收益率净利润/净资产每季预测净资产收益率未来12个月的预测净利润/净资产每月剔除经济周期影响的净资产收益率过去5年的平均净资产收益率每季

动量模块净利润动量净利润增长率的年度变化每季

营业收入动量营业收入增长率的年度变化每季

总收益动量总收益增长率的月度变化每月

致期变动测净利润的度变化率每一致预期变动预测净利润的月度变化率每月

盈利惊喜预测净利润增长率每月

总收益率稳定性总收益率过去2年的标准差每月

盈利稳定性净利润过去2年的标准差每季

致期准确度测净利润大值小值每

可预测性模块

一致预期准确度预测净利润最大值/最小值-1每月

非经常性项目频率非经常项目/净资产每季

（2）回溯分析

溯分

多数因子具有一定的单调性和可预测性

指标平均信息系数平均换手率模块

价值RPE 2.30%28.60% EPE 4.70%22.10% NPE 5.10%20.10% DDM0.30%76.90%

760%2440% DY7.60%24.40% PB 4.10%20.00%

成长

EG-2.50%17.40% RG-1.50%12.20% DG-1.90%11.90% PG 2.10%91.60% ROE-3.40%34.50% EROE 1.10%29.50% NROE-2.10%12.20% EM 1.00%22.70% RM 1.10%16.80%

180%9680%

动量TM-1.80%96.80%

ER 3.00%92.40%

EP0.40%29.50%

稳定性

TS 2.10%39.70% ES0.70%24.90%

120%3920% CEE 1.20%39.20% NRIF0.60%21.10%

多因素VM 4.80%38.30% GM-2.70%38.40% MM-1.40%78.60% PM 1.20%24.70% QM0.30%44.20%

数据来源：光大证券、Wind

??QM ?QM_GA

RPE

?EPE

表现最好

单因素模型

表现最好

多因素模型

表现最差多因素模型

表现最差单因素模型

?MM_GA ?GM_GA

?ROE ?TM ?ES

数据来源：光大证券、Wind

2007年1月至2010年10月：

–综合模型QM、QM_GA及单因素模型RPE、EPE表现最好；

–在多因素模型中，QM及其优化模型QM_GA的表现最好，而在各个模块中表现较好的是价值模型VM和成长模型GM，然后是稳定性模型PM和动量MM；

–单因素模型中表现最好的RPE、EPE、NPE、DY和ER，表现最差的是ROE、TM、ES；

–优化作用有限；

7种量化选股模型

7种量化选股模型 1、【多因子模型】 2、【风格轮动模型】 3、【行业轮动模型】 4、【资金流模型】 5、【动量反转模型】 6、【一致预期模型】 7、【趋势追踪模型】 1、【多因子模型】多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。基本概念举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，那只需在跑前做一个身体测试即可。那些健康指标靠前的运动员，获得超越平均成绩的可能性较大。多因子模型的原理与此类似，我们只要找到那些对企业的收益率最相关的因子即可。各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。

候选因子的选取候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。这就说明了在2011年这段时间，流通市值与最终的收益率之间存在正相关关系。从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的，可以选择其他的因子，例如可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。选股因子有效性的检验一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验，具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n 个组合并持有到月末，每月如此，一直重复到模型形成期末。上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2 个月，3个月，甚至更长时间。还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。具体的参数最优的选择，需要用历史数据进行检验。有效但冗余因子的剔除不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的，成交量一般也会比较大，因此在选股模型中，这两个因子只选择其中一个。冗余因子剔除的方法：假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余因子剔除步骤为：（1）先对不同因子下的n个组合进行打分，分值与该组合在整个模型形成期的收益相关，收益越大，分值越高（2）按月计算个股的不同因子得分间的相关性矩阵；（3）在计算完每月因子得分相关性矩阵后，计算整个样本期内相关性矩阵的平均值（4）设定一个得分相关性阀值 MinScoreCorr，将得分相关性平均值矩阵中大于该阀值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子，而其它因子则作为冗余因子剔除。

7种量化选股模型

【多因子模型】多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。基本概念举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，那只需在跑前做一个身体测试即可。那些健康指标靠前的运动员，获得超越平均成绩的可能性较大。多因子模型的原理与此类似，我们只要找到那些对企业的收益率最相关的因子即可。各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。候选因子的选取候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。这就说明了在2011年这段时间，流通市值与最终的收益率之间存在正相关关系。从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的，可以选择其他的因子，例如可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。选股因子有效性的检验一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验，具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n个组合并持有到月末，每月如此，一直重复到模型形成期末。上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2个月，3个月，甚至更长时间。还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。具体的参数最优的选择，需要用历史数据进行检验。有效但冗余因子的剔除不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的，成交量一般也会比较大，因此在选股模型中，这两个因子只选择其中一个。冗余因子剔除的方法：假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余

多因子量化选股模型建立及优化

多因子量化选股模型建立及优化股市在不断的变化,所以从目前来看,不断探讨哪些指标在量化选股中更为有效,是具有现实意义的。这也是本文研究工作开始的初衷。在整个研究过程中,保持数据的严谨性、中立性、数据处理方法的科学性对于研究结论的准确性来说至关重要。本文首先构建了一个比较全面的候选因子库,通过对候选因子数据进行异常值、缺失值、标准化、市值中性化、行业中性化等一系列的处理之后,本文对候选因子进行有效性检验及再筛选,最终认为 RP_TTM(净利润TTM/总市值)、BP_LF(净资产TTM/总市值)、operete_profin gr_TM(营业利润增长率TTM)、sales_gr_TTM(营业收入增长率)、BOOK_LEVEL(账面杠杆)、stock_to market_volatility(个股与市场波动率比值)、 REV_LAST1M_MAX(近一个月日收益率最大值)、RSI(相对强弱)等八个因子是较为有效的因子。在得出有效因子之后,本文利用打分法来构建八因子选股模型,回测区间选定为2016年1月至2019年4月。通过对模型的回测,我们发现本文构建的八因子模型相比于沪深300,有着较为稳定的超额收益。在整个回测时间段内,八因子模型的总收益为41.02%,年化收益为11.07%。相比于基准的收益情况,八因子模型相对总收益为32.28%,年化平均超额收益为8.92%。为了深入研究,我们对原有模型进行优化,优化方案为“在利用八因子模型进行正式选股之前,首先以增长率-经营活动产生的现金流量净额(TTM)指标对股票池进行初步筛选”。通过对优化八因子模型进行回测,我们发现加入增长率-经营活动产生的现金流量净额(TTM)指标优化后的八因子模型回测表现更好。

多因子选股策略经典梳理

多因子选股策略经典梳理股市之道无非三点：1择时，2选股，3 仓控。精通这三点中的任何一点，都足以在股市中所向披靡。但是精通二字何其艰难。在量化选股策略中。多因子策略作为一个主要武器，被各种公募基金和私募基金长期使用（小编注：国内策略同质化相当严重，本文仅作为交流探讨推荐）。在此我们为不熟悉多因子的各位朋友梳理一下不同风格的因子，以及他们的有效性。股价是由资金推动的（上涨为正向推动，下跌为反向推动）。但是影响资金进入和推出的因子确实千千万万，有基本面的，有消息面的，有人看国家政策，有人看分析师预测，有人听朋友介绍，有人跟风大V等等不一二足。下面我将从9大类33个因子来给各位逐一分析。首先给出在长时间来看表现优秀的因子。 1、规模因子，小市值效应。（推荐指数5颗星）。在国内外不管是成熟市场还是我国的不成熟市场，小市值效应一直存在。并且小市值的逻辑也很清晰，市值越小被操纵的可能性就越来大，推动的估价上涨的资金需求就越小。试用注意事项（震荡市或牛市表现优秀，下跌市跌幅大幅快于大盘---牛市买小股，熊市进蓝筹）2、动量反转因子。（推荐

指数5颗星）前一个月的涨跌幅度的反转效应明显。长得多了当然要跌，跌得多了当然要涨，均值回归远离。这个其实和我们所说的补跌补涨类似，从长期来看如果牛市来了，大家都会涨，只不过有的先涨，有的后涨；熊市来了大家一块跌（贪婪与恐惧的典型表现） 3 、交投因子，即换手率因子。（推荐指数4颗星）（我们选取一个月日均换手率）。换手率高的后面表现的貌似都不佳（但经过测算新股和次新股貌似并不适用）。逻辑依然很清晰，长期换手率高，总让人觉得有点出货的嫌疑，不是么？4、预测因子。（推荐指数5颗星）预测当年主营业务收入增长率（平均值）。预测收入增长但是是利好了，预测收入增长越高，利好越高。不是么，逻辑依然清晰。这个因子在万德等软件上有统计，各位可能不太容易获得。因子包括9类，规模因子，估值因子，成长因子，盈利因子，动量反转因子，交投因子，波动率因子，分析师预测因子。 1.规模类因子。包括：总市值，流通市值，自由流通市值 2.估值类因子。包括：市盈率（TTM），市净率，市销率，市现率，企业价值倍数 3.成长类因子。营业收入同比增长率、营业利润同比增长率，归属于母公司的近利润同比增长率、经营活动产生的现金流

量化多因子选股简论(下)

太极量化多因子选股模型简论B 第二：因子的选取候选因子的选取（一）大数据因子搜索数据因子，搜索频率因子，搜索关键词因子，关注度因子，大众情绪因子等。其中搜索数据因子影响较为显著。（二）规模因子通过对给定时间内（时间为为6年）市场的分析，不管是从总市值、还是流通市值和自由流通市值看，A股市场存在较为显著的小盘股效应。市值较小股票构造的组合整体上大幅超越沪深300指数，也**优于总市值较大股票构造的组合。规模因子（总市值、流通市值、自由流通市值）是影响股票收益的重要因子，其中总市值因子最为显著。（三）估值因子通过6年内市场的分析，整体上来说，从市盈率、市净率、市销率、市现率、企业价值倍数等估值指标看，估值较低的股票组合表现较好。估值较低股票构造的组合整体上超越沪深300指数，也优于估值较高股票构造的组合。估值因子（市盈率、市净率、市销率、市现率、企业价值倍数）是影响股票收益的重要因子，其中市盈率（PE,TTM）因子最为显著，其次是市现率（PCF,TTM）。（四）成长类因子，营业收入同比增长率、营业利润同比增长率，归属于母公司的近利润同比增长率、经营活动产生的现金流金额

同比增长率。（五）盈利因子通过对时间内市场的分析，整体上来说，从净资产收益率、总资产报酬率和销售毛利率等盈利性指标看，盈利能力较强的股票组合表现较好。盈利能力较强股票构造的组合整体上超越沪深300指数，也优于盈利能力较弱股票构造的组合。但销售净利率较高股票构造的组合表现反而较差，落后于沪深300指数，也落后于销售净利率较低股票构造的组合。盈利因子（净资产收益率、总资产报酬率、销售毛利率）对股票收益的影响不是特别显著，其中净资产收益率指标较为显著。（六）股东因子户均持股比例、、户均持股比例变化、机构持股比例变化。其中机构持仓比例变化影响较为显著。（七）分析师预测因子分析师预测因子（预测当年净利润增长率、预测当年主营业务收入增长率、最近1个月预测净利润上调幅度、最近1个月预测主营营业收入上调幅度、最近1个月盈利预测调高占比、最近1个月上调评级占比）是影响股票收益的重要因子，其中最近1个月净利润上调幅度是最为显著的正向因子。（八）动量反转因子通过对时间内市场的分析，整体上来说，A 股市场上存在较为显著的反转效应，从前1个月涨跌幅、前两个月涨跌幅、前3个月涨跌幅、前6个月涨跌幅看，前期涨幅较小的股票组合表现较好，而前期涨幅较大的股票组合表现较差。前期涨幅较小的股票构造的组合整体上超越沪深300指数，也优于盈前期涨幅较大的股票构造的组合。动量反转因子（前1个月

7种量化选股模型

业的收益率最相关的因子即可。各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。候选因子的选取候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。这就说明了在2011 年这段时间，流通市值与最终的收益率之间存在正相关关系。从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的，可以选择其他的因子，例如可能是一些基本面指标，如PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动

等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。选股因子有效性的检验一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验，具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n 个组合并持有到月末，每月如此，一直重复到模型形成期末。上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2 个月，3个月，甚至更长时间。还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。具体的参数最优的选择，需要用历史数据进行检验。有效但冗余因子的剔除不同的选股因子可能由于在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的，成交量一般也会比较大，因此在选股模型中，这两个因子只选择其中一个。冗余因子剔除的方法：假设需要选出k 个有效因子，样本期共m 月，那么具体

低风险投资的十八种武器之六量化选股和轮动

低风险投资的十八种武器之六量化选股和轮动昨天在雪球上发了极简投资组合的收益率回测数据，有很多球友对这个事情很关注，今天我来谈谈量化选股和轮动背后的逻辑。投资大师格雷厄姆认为：第一，安全边际本质上不是精确的科学。第二，安全边际应保持足够大（也就是查理芒格后面所说的：你不必知道那位女士的准确体重，也大概能分辨出她是胖还是廋）。第三，安全边际最终会通过时间的验证。第四，安全边际只有在少数时期才能感觉到，大多数时期，安全边际并不实际存在。因此，目前大多数分析师或者投资者易犯的错误，就是试图精确预测企业未来业绩，并计算出“精确”的内在价值。另外，安全边际的运用，包含较大的艺术性，这也是价值投资知易行难的关键。在现实投资中，很多投资者认为价值投资无法适应中国而追题材股和高成长股，但是这些股票其实市场经常给出非常高的估值。当成长性减弱时，投资者会为此付出代价。也就是说好行业，好公司，好价格通常是很难买到的。而且很多投资者通常是在企业有利好时买入，这时投资者为了成长性支付了过高的成本，但是事物往往是有周期的，在好的时候研究基本面，人性的弱点会倾向于认为企业会越来越好，但其实企业在好的时候也是会变差的，人们却经常忘记这一点。另一类损失风险来源于价值陷阱，认为低估了但其实还有更低估。那么我的量化组合就试图来解决这个问题，低估值是的合格公司或好公司提供高安全边际。解决方法： 1.选取高于50分位的净资产收益率，ROE大于8% 2.选取高于50分位的营收增长率，营收增长率10% 3.选取经营现金流为正为公司来排雷 4.选取有现金分红的公司来排雷(有现金分红的公司做假帐的概率较低) 这里为什么选择的是50分位左右,不提高到60或70?因为投资的收益率往往来源于以好的价格买入好行业好公司，但是这个一般比较难,一般的价格买入好的公司或以便宜的价格买入合格的公司可能比较普遍。上面的这些规定都符合的话，其实这些公司一般都比A股70%的公司要好了，这样可以给没精力研究基本面的朋友一个简单的方法来筛选好公司，可以用适度分散来降低风险。那么我们现在以最便宜的价格等权买入最便宜的十家公司，测试一下能否跑赢得大盘。因为市盈率的波动性较大，我们以公司的内在价值市净率来从小到低来排名。首先让我来看一下按以上标准买入十只等权的最低市净率公司，并以每半年检查一下估值变化，重新买入最低的十家低市净率公司，做一个2007年1月到现在九年的回测。从下图可以看出低市净率的合格公司可以远远跑赢大盘。接下来我们按每个月轮动一次和每周轮动一次，回测的结果显示，收益率有一些提升，说明赚了一些市场波动性的收益。逻辑是每次轮动都把相对较高的公司卖了，轮动到估值更低的公司上去。（如果回测时间短有可能也会把估值高的卖掉，买入估值更高的股票，但长期看还是大概率买入估值更低的公司）。如何进一步优化组合： 1.按行业来选市净率最低的公司，每个二级行业只能选一只股票，不然可能会出现集中在一两个行业的情况，通过这种方法也可以降低波动性和组合风险。概率上应该可以得到同业内轮动的收益。 2.跨市场对比，比如现在的H股在历史低位，选中公司有H股时，可以考虑一下H股，可以增加跨市场价差缩小带来的相对收益 3.股债动态平衡来控制回撤率，以市场估值中枢为50：50，向上分步减仓每涨10%减仓10%，向下五步加仓把资金分为1：2：3：4：5每下跌10%进行一次加仓 4.有可能有些行业是长期市净率最低的，可以通过横向和纵向对比来解决，比如某行业个股入选，但这个行业相对于大盘的历史折溢价较高时，行业景气度又处于较高位置时，那可能要卖出这个行业的个股，排到下一个行业中。 5.消费行业由于行业特征，市净率相对较高，不能入选，可以用大消费5只股票，和其他行业5只股票来组成组合。 6.组合的收益来自于内在价值的提升和轮动收益，可以通过优选行业来加强收益。 7.债性仓位做各种套利带来的现金流补充

量化选股策略—风格轮动模型 (1)

量化选股策略-风格轮动模型财魔弟论坛整理（ID学问猫）市场上的投资者是有偏好的，有时候会偏好价值股，有时候偏好成长股，有时候偏好大盘股，有时候偏好小盘股。由于投资者的这种不同的交易行为，形成了市场风格，因此在投资中，利用市场风格的变化，进行轮动投资会比一直持有的效果好很多。基本概念投资风格是针对股票市场而言的，是指投资于某类具有共同收益特征或共同价格行为的股票，即某类投资风格很受欢迎，并且在某一个时间段内具有持续性和连续性(譬如，价值投资和成长型投资两种风格，或者大盘股和小盘股这两种风格总是轮流受到市场追捧). 由于投资风格的存在，从而产生一种叫做风格动量的效应，即在过去较短时期内收益率较高的股票，未来的中短期收益也较高；相反，在过去较短时期内收益率较低的股票，在未来的中短期也将会持续其不好的表现。比如：在2009年是小盘股风格，小盘股持续跑赢沪深300指数；而在2011年，则是大盘股风格，大盘股跌幅远远小于沪深300指数。如果能事先通过一种模型判断未来的风格，进行风格轮动操作，则可以获得超额收益。晨星风格箱判别法晨星风格箱法是一个3×3矩阵，从大盘和小盘、价值型和成长型来对基金风格进行划分，介于大盘和小盘之间的为中盘，介于价值型和成长型之间的为混合型，共有9类风格，如表所示。 (1)规模指标：市值。通过比较基金持有股票的市值中值来划分，市值中值小于10 亿美元为小盘；大于50亿美元为大盘；10亿~50亿美元为中盘。 (2)估值指标：平均市盈率、平均市净率。基金所持有股票的市盈率、市净率用基金投资于该股票的比例加权求平均，然后把两个加权平均指标和标普500成份股的市盈率、市净率的相对比值相加，对于标普500来说，这个比值和是2。如果最后所得比值和小于1.75，则为价值型；大于2.25为成长型；介于1.75~2.25之间为混合型。这也就是我们经常看到的基金的分类，比如：华夏大盘、海富小盘等名称的由来。风格轮动的经济解释宏观经济表现强劲时，小市值公司有一个较好的发展环境，易于成长壮大，甚至还会有高于经济增速的表现，因此，小盘股表现突出的概率高于大盘股。而当经济走弱时，由于信心的匮乏和未来市场的不确定性，投资者可能会倾向于选择大盘股，起到防御作用，即使低通货膨胀、货币走强，也不足以冒险去选择小盘股。

行业轮动多因子选股模型及投资效果实证分析

行业轮动多因子选股模型及投资效果实证分析量化投资因其非凡的业绩表现引起了投资者的广泛关注,在过去的40年里颠覆了传统的投资哲学,被誉为“投资界的革命”。随着计算机技术的高速发展,该模式得到了更加迅速的进步和发展。许多把量化策略作为主要投资技术的资产管理公司已经发展成为同行中的佼佼者,这也说明了量化投资理念已经深入人心,量化投资技术渐渐成为主要的投资方法之一虽然我国在量化投资方面开始较晚,起点较低,且在量化投资策略研究、开发工具人才及交易技术等方面相较于国际水平比较落后,但是通过各方努力,已经在迅速发展了且取得了不错的成绩。根据统计资料可知,到2014年上半年为止我国资本市场上已有超过200只私募量化基金、87只公募量化基金和将近200只券商理财量化产品,去除大量小型化专户理财和有限合伙人投资企业等,这些量化产品管理着近千亿元人民币。从量化产品占理财资金的比例和资本市场上现有量化策略方法的多少、量化投资思想的普及和认可度等多个角度都可以看出量化投资在我国有着非常大的发展空间。作为资本市场发展的必经阶段,量化投资也是市场有效性不断进步和发展的一种趋势。本文构建了多因子选股模型和行业轮动多因子选股模型,并采用沪深300指数成分股数据进行实证分析,实证结果表明文中构建的多因子选股模型和行业轮动多因子选股模型均可战胜沪深300指数表现,并且从多方面证明了行业轮动多因子选股模型的投资效果要好于多因子选股模型。文中第二章主要介绍了国内外量化投资的发展、经济周期的相关概念与货币周期的划分,从经济逻辑上论证了行业轮动策略的有效性及行业周期性非周期性划分依据,详细地说明了多因子选股模型的构建步骤。第三章是对第二章中阐述的方法原理的实证检验。由实证结果可得,无论是战胜基准的概率还是信息比率和累计收益率,行业轮动多因子选股模型都好于多因子选股模型。在实证过程中还发现,行业轮动多因子选股模型优于多因子选股模型的关键之处在于当经济处于收缩阶段时非周期性行业的风险防御效果较好。

量化选股系列报告之六：基于纯技术指标的多因子选股模型

证券研究报告 | 金融工程量化投资基于纯技术指标的多因子选股模型 2014年4月11日——量化选股系列报告之六样本内各策略累计超额收益资料来源：聚源数据、招商证券样本外各策略累计超额收益资料来源：聚源数据、招商证券综合策略与沪深300收益资料来源：聚源数据、招商证券相关报告《量化选股因子测试系列报告之五－基于股票风格特征的量化评分模型》2011/8/1 传统的多因子选股，主要考虑使用价值、成长、质量以及市场等四大类因子，采用打分模型，构建月度选股策略。本报告尝试仅使用技术指标构建多因子选股策略。在本报告中主要考察超买超卖型和趋势型指标的月度选股效果。 ?技术指标选股策略构建框架：在对单个技术指标测试时，使用优化后的参数计算相应指标。为避免空仓月份较多的问题，提出以相对价格方式。在考虑多个指标叠加的问题上，本文尝试：指标等权叠加、个股阈值限制、资金等权分配以及个股多倍权重共四种方法检验模型效果。 ?趋势型指标死叉组合优于金叉组合：无论在哪种价格下，趋势型指标金叉组合月均超额收益和累计超额收益几乎均为负，反而死叉信号给出组合这两者基本为正值。显示股票反转效应更为明显：在趋势性指标给出买入信号后的一个月时间，股价很可能已经反转，并且反转效应大于之前的动量效应，导致持有金叉组合收益为负。因此基于反转效应，在处理趋势型指标的问题上本文以死叉信号作为构建Top组合的依据。 ?样本内策略表现：在综合价格下以综合策略Ⅱ为例，样本内月均超额收益为1.79%，月胜率在65%左右，年化信息比率达1.47。若以年化信息比率、月均超额收益为评价标准，该方法具有明显优势。因此本文选择综合价格下的综合策略Ⅱ作为样本内建模。 ?样本外策略检验：策略依然保持着相对于沪深300稳定的优势。过去15 个月沪深300收益率为-15%左右，而同期综合策略Ⅱ累计收益11.09%，超额收益达26%左右，月均超额收益为1.85%，年化信息比率为1.57。 ?整体收益特征分析：综合策略Ⅱ与沪深300月收益的相关系数高达 92.36%，由此来看二者相关性非常显著。从回归方程的结果来看，相对于沪深300的β系数为1.07，略大于1；α为1.13％，显著大于0。此外值得注意的是，回归方程的拟合优度R 为0.853，拟合效果非常好。 ?未来可改进的方向：1、可以考虑以滚动5年作为样本内进行参数优化，并用接下来1年作为样本外测试，构造动态选股模型；2、可在中证500、中证800乃至全市场股票池中验证本文提出的选股策略效果；3、继续挖掘其他类型指标。陈军华 0755-******** chenjh2@https://www.360docs.net/doc/368311914.html, S1090513080001 罗业华 0755-******** luoyh@https://www.360docs.net/doc/368311914.html, -14% -12% -10% -8% -6% -4% -2% 0% 0% 50% 100% 150% 200% 250% 300% 350% 回撤超买超卖型趋势型综合策略Ⅰ综合策略Ⅱ

多因子选股模型

————————————————————————————————作者: ————————————————————————————————日期：

多因子模型是应用最广泛的一种选股模型,基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入,不满足的则卖出。基本概念举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上,那只需在跑前做一个身体测试即可。那些健康指标靠前的运动员,获得超越平均成绩的可能性较大。多因子模型的原理与此类似,我们只要找到那些对企业的收益率最相关的因子即可。各种多因子模型核心的区别第一是在因子的选取上,第二是在如何用多因子综合得到一个最终的判断。一般而言,多因子选股模型有两种判断方法，一是打分法，二是回归法。打分法就是根据各个因子的大小对股票进行打分,然后按照一定的权重加权得到一个总分,根据总分再对股票进行筛选。回归法就是用过去的股票的收益率对多因子进行回归,得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判,然后再以此为依据进行选股。多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。候选因子的选取候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。

例如：在20１1年１月１日,选取流通市值最大的50支股票，构建投资组合,持有到２011年底，则该组合可以获得1０％的超额收益率。这就说明了在2011年这段时间,流通市值与最终的收益率之间存在正相关关系。从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的,可以选择其他的因子，例如可能是一些基本面指标,如 PB、ＰE、EＰS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。同样的持有时间段，也是一个重要的参数指标,到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。选股因子有效性的检验一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如:可以每月检验，具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序,并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建ｎ个组合并持有到月末，每月如此,一直重复到模型形成期末。上面的例子就已经说明了这种检验的方法,同样的可以隔N个月检验,比如2个月,3个月,甚至更长时间。还有一个参数是候选组合的数量,是50支,还是100支，都是非常重要的参数。具体的参数最优的选择,需要用历史数据进行检验。

欧奈尔选股策略的A股数量化实践

欧奈尔选股策略的A股数量化实践作者：华泰联合证券谢江一、威廉·欧奈尔的投资哲学相比沃伦·巴菲特和彼得·林奇，威廉·欧奈尔在中国的知名度稍差一些，下面是关于他的简介：威廉·欧奈尔是华尔街经验最丰富、最成功的资深投资人之一，他21 岁白手起家，30 岁就买下纽约证券交易所的席次。他目前是全球600 位基金经理人的投资顾问，并且担任资产超过2 亿美元的新美国共同基金的基金经理人。 ——威廉·欧奈尔《笑傲股市》第四版每位大师有不同的投资哲学，按我们的理解，沃伦·巴菲特强调“价值投资，保住本金”，彼得·林奇崇尚“找对公司，深入调研”，威廉·欧奈尔(下文简称欧奈尔) 遵循“抓住牛股，注重止损”。欧奈尔倡导通过基本面和技术面抓住当前的最为强势的牛股，同时，他又用“火鸡的故事”不厌其烦地阐明止损的道理。大师的投资哲学和数量化投资是什么关系？所谓数量化投资，就是“独立理念，形成规则，严格投资”。数量化投资是基于投资理念，理念来源于哲学，到了投资哲学层面，并没有数量化和非数量化之分。换个角度理解，所有成功的投资哲学，都可以为“数量化投资”所用，通过大师的投资哲学寻找成功的投资理念，形成数量化的规则，严格按照规则进行投资，这是数量化投资一条可行的实践之路。本文首先对欧奈尔的投资哲学进行本土化深入解读；然后，提炼关键量化指标，

并从换仓周期、调仓方法、止损策略、组合规模、权重分配等方面建立量化规则，形成“ONeil 量化实践方法”；最后，在历史区间内进行历史验证，并从总体收益、风险、效果特征等维度深入分析。二、从投资哲学到量化实践 2.1 用中国文化解读CANSLIM 欧奈尔从美国百年股市中总结出七个字母，组成CANSLIM 选股模式，每一个字母代表潜着牛股的一个特征，美国个人投资者协会用了5 年的时间(从1998 年到2002 年)，对各种选股系统的业绩表现进行了大范围的比较分析（包括彼得·林奇和沃伦·巴菲特的投资系统），得出的结论是：无论在牛市还是熊市，CANSLIM 方法是最稳定、表现最好的系统之一。下面，我们简单介绍一下这七个字母的含义(主要来源于欧奈尔著作《笑傲股市》)。 1) C= Current quarterly earnings per share 当季每股收益：同比大幅增长。 2) A=Annual earning increases 每股收益年度增长率：寻找收益大牛。 3) N= New products,New management,New highs 新产品、新管理层、股价创新高。 4) S= Supply and demand 供给与需求：关键点上的大量需求。 5) L= Leader or laggard 领涨股还是滞价股。 6) I= Institutional sponsorship 机构认同度。 7) M= Market direction 判断市场走向。

多因子选股

多因子选股多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。基本概念举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，那只需在跑前做一个身体测试即可。那些健康指标靠前的运动员，获得超越平均成绩的可能性较大。多因子模型的原理与此类似，我们只要找到那些对企业的收益率最相关的因子即可。各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。候选因子的选取候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。这就说明了在2011年这段时间，流通市值与最终的收益率之间存在正相关关系。从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的，可以选择其他的因子，例如可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。选股因子有效性的检验一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验，具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n个组合并持有到月末，每月如此，一直重复到模型形成期末。

不可不知的N种量化策略模型

不可不知的N种量化策略模型量化之星-策略模型研究小组尖叫声在哪里？？让小编听到你们的欢呼声！！！是的！众所期待的量化（程序化）策略全方位揭密时间又到啦！在上一个策略中，小编通过基于残差分析的动量反转策略向大家扒开了α的好基友——β与ε的秘密二三事。那么，接下来，就让小编化身贴心小棉裤，带大家走进动量反转的内心世界，探索策略优化的个中技巧，带大家一起装逼一起飞！前情提要 α策略：核心思想是买入一组未来看好的股票，然后做空相对应价值的期货合约。基于残差分析的动量反转策略：利用多元回归，得到排除市场影响的残差矩阵。对残差向量排序，前10%的股票做空，后10%的股票做多。啥？前情提要太简略？不要懒，动起来，赶紧回去翻一翻前面的策略，打开“量化之星”微信号，找到右下角的“干货分享”模块，点击“策略分享”就出来啦~简直机智~ 动量反转策略优化你以为小编会跟大家说要如何处理“做空前10%的股票”么？呵呵，你果然还是太天真了。以小编飘忽而又销魂的笔法，小编又怎么能让你猜到呢？！首先，小编要来给大家扒一扒为啥我们要基于残差做分析。残差分析的优势其实，基于残差分析的动量反转策略已经是经过一次优化后的策略了。传统的动量反转策略是直接基于总收益率计算动量的，并不需要求残差。因此，基于残差分析的动量反转策略，利用34个风控因子作多元回归后的标准化残差收益率来计算动量，挑选出来的股票组合风险暴露较小，更有利于考察动量和反转效应。额，好绕，好晕。那下面还是让我们从策略绩效图中来看看两者的差别吧。图一，传统动量反转策略

传统动量反转策略收益和沪深300指数走势基本重合。图二，基于残差分析的动量反转策略基于残差分析的动量反转策略收益高于沪深300指数走势，并且在大盘下跌的时候，收益依然保持上涨。因此，从这两个绩效图，我们可以明显的看出，直接按总收益排序，不能有效的反应股票盈利的相对强弱，只有在去除风控因子的风险暴露之后的残差收益才能真正的反应股票的公司特有收益水平哦。加入股指空头头寸大多数人第一眼看到策略简介，对于需要优化部分的第一反应一定都是“做空前10%的股票”。没错，在中国市场，这是绝对的外挂，再好的绩效，出现了做空股票都是不可行的（融资融券不在本次讨论范畴）。因此，小编在策略中加入股指期货空头头寸来代替股票空头部分，也就是做成一个alpha策略哦。

量化投研策略实战课程大纲

量化投研策略实战课程本课程是有关量化投资策略的一门课程。本课程以多个案例介绍了量化投资的各个方面的内容，如量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易和资产配置等。本课程适合金融IT工程师、基金经理、产品经理、证券分析师、投资总监及有志于从事金融投资的各界人士。课程以讲师多年的金融实战心得对案例进行亲身讲解。注：本课程是与量化投资大师西蒙斯的实战理论为背景，该课程与沃伦巴菲特的价值投资理论有本质的区别，对只能接受价值投资者理论的学员，本课程不适合。课程教学时间：3～5天。课程大纲第一章节量化投资的概念 1.什么是量化投资 2.量化投资理解误区 3.量化投资与传统投资的比较（二者的缺点、优势） 4.量化投资发展历史 5.量化投资的主要内容和方法第二章节量化选股 1、多因子选股模型构建 2、风格轮动模型（实证案例：中信标普风格） 3、风格轮动模型（实证案例：大小盘风格）

4、行业轮动（M2行业轮动策略和市场情况轮动策略） 5、资金流选股策略模型 6、动量选股策略和反转选股策略 7、一致预期模型案例 8、趋势追踪选股模型构建 9、筹码选股模型构建 10、业绩评价（收益率指标和风险度指标）第三章节量化择时 1、趋势追踪（传统趋势指标和自适应均线） 2、市场情绪（情况指标择时策略建模） 3、Tsharp(时变夏普率估计模型择时策略) 4、牛熊线择时模型 5、Husrt指数策略模型 6、支持向量机择时模型 7、SWARCH模型 8、异常指标（市场噪声、行业集中度）第四章股指期货套利 1、套利介绍及其策略 2、期现套利（定价模型、现货指数复制、正向套利、结算日套利） 3、跨期套利 4、冲击成本实证案例 5、保证金管理（VaR方法）

量化投资策略的因子选股

7种量化选股模型

7种量化选股模型

多因子量化选股模型建立及优化

最新 基于多因子模型的量化选股分析-精品

多因子选股策略经典梳理

量化多因子选股简论(下)

7种量化选股模型

低风险投资的十八种武器之六量化选股和轮动

量化选股策略—风格轮动模型 (1)

行业轮动多因子选股模型及投资效果实证分析

量化选股系列报告之六：基于纯技术指标的多因子选股模型

多因子选股模型

欧奈尔选股策略的A股数量化实践

多因子选股

不可不知的N种量化策略模型

量化投研策略实战课程大纲

最新基于多因子模型的量化选股分析-精品