大小市值轮动的多因子选股策略
我会从 “策略底层逻辑→风格判断原理→多因子选股逻辑→动态风控机制→风险提示与改进方向” 五个维度讲解这个策略
一、策略底层逻辑:为什么 “大小市值轮动” 能赚钱?
1.1 经济周期与企业盈利的 “差异化弹性”
大小市值企业的盈利对经济周期的敏感度完全不同:
由bqy4a9le创建,最终由bqy4a9le更新于
我会从 “策略底层逻辑→风格判断原理→多因子选股逻辑→动态风控机制→风险提示与改进方向” 五个维度讲解这个策略
大小市值企业的盈利对经济周期的敏感度完全不同:
由bqy4a9le创建,最终由bqy4a9le更新于
\
1.如何封装量化策略框架
2.提供多个预先封装好的量化策略框架
\
说到量化,自然少不了策略。可能会有很多人认为A股中有很多不同的量化策略,实际上恰恰相反。就A股而言,可用的量化策略非常少。目前A股主流的量化策略只有2种,分别为筛选策略和多因
由anthony_wan创建,最终由bqzufdoc更新于
一个面向
由bq7zuymm创建,最终由bqv93dy2更新于
由bq0m8rec创建,最终由bqv93dy2更新于
在原来趋势得分因子的基础上,加入了时间的二次项和时间的三角函数项,分别代表趋势强度和趋势波动,并通过岭回归算法计算预测值,算出加强后的拟合优度,从而计算趋势增强因子。
有一个天然优势 ——成长弹性大。从 A 股 2010-2023 年的历史数据来看:
由bqy4a9le创建,最终由bqy4a9le更新于
在量化投资中,组合优化的鲁棒性直接影响策略的实战表现。近期我们对基于 Wasserstein 距离的分布式鲁棒优化(DRO)策略进行了迭代,看似细微的调整背后,其实藏着对组合稳定性和资产适配性的深度考量。下面就来详细说说第二个版本(代码 2)到底改了什么、为什么改以及如何实现的。
由bq9e696k创建,最终由nanquant更新于
特殊行业市场宽度带来的异象:
当银行、有色金属、煤炭、钢铁四大板块中任意一个进入 “市场宽度 TOP1” 时,A 股行情在 1-2 周内出现显著调整的概率高达 65% 以上
市场宽度是衡量板块内股票整体强势程度的量化指标,一般采用 “20 日均线突破率” 作为核心计算
由bqy4a9le创建,最终由bqy4a9le更新于
定义:回撤是指投资组合或资产从峰值到谷底的最大亏损幅度,用来衡量投资风险。
(1)单期回撤(时点回撤)
在时间 𝑡 ,资产 𝑖 的回撤定义为:
经济增长(Growth)
经济增长阶段指 GDP 增速较高、企业盈利改善、就业上升、通胀温和的时期。
(2)滞涨(Stagflation)
滞涨阶段指经济增长停滞或放缓,同时通胀率高企,股市和企业盈利承压的时期。
(3)衰退(Recession)
衰退阶段
由bq0m8rec创建,最终由bq0m8rec更新于
本策略主要面向A股市场,结合了价值投资,动量效应和风险控制三类因子,通过合理配置多因子进行优选股票池,最终实现中长期稳健超额收益。具体逻辑与每个核心指标/因子的原理、有效性分析如下:
\
动量现象已被国内外大量实证研究证明有效:历史上涨较多的股票短中期仍
由bqy4a9le创建,最终由bqv93dy2更新于
本策略深度植根于价值投资的经典理论体系,融合了本杰明・格雷厄姆的 "安全边际" 理念与现代多因子模型的量化方法:
由bqy4a9le创建,最终由bqy4a9le更新于
XGBoost 是一种基于梯度提升树(Gradient Boosted Trees)的高效机器学习算法,常用于排序、分类、回归等任务,在bigquant平台上只用于排序任务,主要有三种:排序学习(NDCG); 排序学习(Rankne
由bq0m8rec创建,最终由bqj34gqj更新于
量价背离是指股价与成交量的变化出现了“分歧”。当股价或指数在上升时,成交量减少,通常表示市场可能在隐约传递不好的信号。可以用“成交量加权价格”(VWAP)与成交量(VOLUME)的负相关性表示这种股市“冷场”现象。
 Sharpe Ratio(夏普比率)
定义:夏普比率是衡量投资回报与风险的比值,反映单位风险所获得的超额收益。\n公式为:
;
在A股中,小市值效应更强:
2005-2025 年,中证 1000(
由bqy4a9le创建,最终由bqy4a9le更新于
在 A 股市场中,小盘股往往具备高成长潜力但波动较大,蓝筹股则以稳定分红和低波动为特征。如何平衡两类资产的风险与收益,是许多投资者关注的核心问题。本文分享一套量化策略 —— 通过混合小盘股与蓝筹股的股票池,结合组合优化动态调整权重,在控制不确定性风险的同时,捕捉不同市场环境下
由bq9e696k创建,最终由bqthkv1v更新于
LightGBM(Light Gradient Boosting Machine)是微软开源的一种基于梯度提升框架的高效实现。它主要用于机器学习中的监督学习任务,如分类、回归和排序等问题。本策略中使用的是回归。
githu
由bq0m8rec创建,最终由bq9vd1b6更新于