问题

深度学习选股策略需要更大的资源吗？

https://bigquant.com/experimentshare/1c9b4b73bd534982bc6beb2e8c07d0f1

解答

跑DEEPALPHA模块建议升级开发环境到C2甚至C3档。

看你用的标准化模块比较老了，还剩V8， 你可以换成最新的模块，从左侧模块区拖一个就行，最新的标准化模块性能有很大提升

![{w:100}{w:100}](/wiki/api/a

基于Tabnet模型的量化选股方案。抽取了98个量价因子，2010到2018年为数据训练TabNet模型，并将模型的预测结果应用在2018到2021年9月的数据上进行了回测。

量化策略的本质是使用历史数据进行数据分析，找出某种交易逻辑，胜率、盈亏比概率更高，从而根据该策略的交易计划进行交易，实现盈利的目的。

Bigquant平台很强大，封装了很多基础数据，也提供了灵活的数据分析及策略开发的方式，比较典型的有两种：

一、AI策略

二、自定义选股逻辑策略

AI策略的特点是：

构建你认为影响股价涨跌的因子，设定训练时间，通过训练时间段内的历史数据，区分出哪些股票涨的好，哪些股票涨的差，使用AI算法能力，自动去找这些因子与股票涨跌之间的关系，用这种关系训练出预测模型，后续根据预测模型去选股。

通常只需要你构建因子、定义数据过滤条件(即你想让AI训练哪

222

摘要

本篇报告中，我们将开创性的构建全新的多因子模型体系--短周期交易型多因子阿尔法选股体系。

通过交易型阿尔法策略的研究，我们发现在A股市场，与传统多因子模型所获取的股票价值阿尔法收益相比，交易型阿尔法收益的空间更大、收益稳定性也更强。

即便是最纯粹的价值投资者也不得不承认，交易行为在短期内对股票价格起着几乎是决定性的影响，而发掘这种交易型套利空间正是量化投资的优势所在，因此量化模型在这一领域内应有着广泛的运用空间。

在本篇报告所构建的交易体系中，我们总共构建、运用了将近200个短周期阿尔法因子，其中因子数据则均来自于个股日频率的价格与成交量数据。在此基础上，我们构建了

问题

回测时间延后了20来天，之前的选股策略完全变了

随着时间的推移，之前选的股也变了

这是随着时间推移选股模型是变化的

就是说回测到1.1日收益200年化，测到1.2日回测就成100年化了

解答

训练集不一样会导致训练出的模型不一样，

摘要

有息负债是企业通过借贷、发行债券等方式融资所形成的，又称金融负债，需要支付利息。企业有息负债的提升，可能成就好的投资机会，也可能给企业的未来现金流带来较大压力。本篇报告尝试从量化角度，对上市公司有息负债方面的科目进行分析，加深对相关科目的量化理解，提供关于有息负债在选股或“排雷”方面应用的建议，供投资者参考。

上市公司有息负债率通常较为稳定，资本密集型行业有息负债率相对较高。上市公司有息负债包括短期借款、长期借款、应付债券，其中，大部分企业短期借款占比最高。上市公司有息负债率（有息负债/总资产，下同）与行业特征、企业资源禀赋有较大关系，通常相对稳定，绝大部分公司每年有息负债率变

因子分析完后，有多空组合，这个怎么套用来选股呢？

https://bigquant.com/experimentshare/a1ba84205e3b4322970e3e5d6c75b43f

\

问题

请问这个错误是什么原因

解答

筛选过后的classes_prob_0没有数据，则索引[0]找不到相关的数据

摘要

BigQuant平台上的StockRanker算法在选股方面有不俗的表现，模型在15、16年的回测收益率也很高(使用默认因子收益率就达到170%左右)。然而，StockRanker在股灾时期回撤很大(使用默认因子回撤55%)，因此需要择时模型，控制StockRanker在大盘走势不好时的仓位。 LSTM(长短期记忆神经网络)是一种善于处理和预测时间序列相关数据的RNN。

报告摘要

主要观点

本篇是学海拾珠系列第七十九篇，本期推荐的海外文献提出了一个新颖的基金业绩归因模型。该模型主要基于投资组合的持仓数据，衡量了基金来自不同业绩来源的增值，如动量策略、选股、择时，并且可以分离出被动择时对业绩的影响。回到国内基金市场，投资者常常会用回归法对基金的择时能力进行分析，鲜有基于持仓的视角，本文为我们深入探究基金择时能力提供新颖的思路。

选股能力是基金业绩的主要贡献来源

关于个股选择能力，本文考虑了两个组成部分。第一个部分，衡量基金经理的动量策略所增加的价值，这些策略包括对具有特异性回报的证券进行增持或减持。结果表明，这部分的

摘要

我们在之前的研究中已经验证过一致预期数据在选股和行业轮动中的作用，本篇报告深入到一致预期因子的底层处理方式上，比较了几种不同的因子加工处理方式，对于策略和因子有效性的最终影响。因子对象为预期ROE、净利润NP、净利润同比增速NPG以及两年复合增速G。

加工一致预期因子的时候，推荐时间序列标准化的处理方式，构建预期调整因子。 在准备基础数据的时候，底层因子有几种构成方法：平滑算法（采用不同财务年度预测值进行平滑，保证在不同时刻获取到的预期数据，均代表未来一年的预期值）；锁定最近年度算法（在所有时点，都选择最近一个财务年度的预测值构建底层数据，可能会造成数据有跳跃波动情况）；锁定财

摘要

我们在之前的研究中已经验证过一致预期数据在选股和行业轮动中的作用，本篇报告深入到一致预期因子的底层处理方式上，比较了几种不同的因子加工处理方式，对于策略和因子有效性的最终影响。因子对象为预期ROE、净利润NP、净利润同比增速NPG以及两年复合增速G。

加工一致预期因子的时候，推荐时间序列标准化的处理方式，构建预期调整因子。在准备基础数据的时候，底层因子有几种构成方法：平滑算法（采用不同财务年度预测值进行平滑，保证在不同时刻获取到的预期数据，均代表未来一年的预期值）；锁定最近年度算法（在所有时点，都选择最近一个财务年度的预测值构建底层数据，可能会造成数据有跳跃波动情况）；锁定财务

报告要点

A 股市场主动管理基金为投资者创造了一定价值

在《FOF 研究系列之七：十个角度看中国公募基金行业发展》中，我们对国内公募基金的业绩表现进行了梳理，发现：分年度看，主动管理股票基金在多数年份能够战胜基准；滚动三年业绩能战胜基准的基金比例也一直维持在 60%以上；从更长期业绩看，10 年期业绩战胜中证全指和中证 800 指数的基金比例超过 70%，而在欧美成熟市场，跑赢对应市场基准的公募基金占比不足 20%。这在某种程度上说明了：A 股市场的专业资产管理机构进行的主动管理，为投资者创造了一定价值。 本篇报告将从业绩归因角度，对国内主动管理公募基金获取的超额收益进行分解，

摘要

宏观数据多被应用于资产配臵与行业轮动，本篇报告尝试在微观的选股层面进行探索，以期为投资者提供参考。

如何刻画股票与宏观经济指标之间的联系。本文首先探讨宏观经济如何影响股票的收益，并尝试使用宏观敏感性（MacroBeta）刻画股票与宏观经济指标之间的联系。

宏观数据的潜在问题与数据清洗。宏观经济数据相较其他常见数据，面临的问题更多，包括公布时间滞后、数据发布频率不稳定、缺失值多、序列不平稳等。实际使用时，我们推荐通过差分法、Surprise替代法、资产组合模拟法等方式进行预加工处理。

宏观敏感性因子是否可以用来选股？我们将宏观敏感性——MacroBeta当作选股因子，测试其本

摘要

日内交易机会：创业板指＞上证指数＞深证成指，深证成指降低

采用人工智能方法，对全市场个股和主要宽基指数近2 0 个交易日交易机会进行评测，数据取自金融数据服务I N S I G H T 。交易机会评分衡量资产价格“非随机程度”，评分越高，代表近2 0 个交易日1 分钟收益率越远离随机构造的资产价格收益率序列，说明该资产越不满足弱有效市场假说，日内交易机会越大。主要宽基指数最新交易机会从高到低排序为：创业板指＞上证指数＞深证成指（截至2 0 2 1 - 0 2 - 0 5 ）。上证指数和创业板指上周交易机会和前一周变化不大，深证成指上周交易机会相比于前一周降低。

**今

摘要

文献来源：Stark, Jeffrey R. "Decomposing mutual fund alpha into security selection and security weighting." Journal of Empirical Finance 52 (2019): 76-91.

推荐原因：作者将共同基金的alpha来源分解为如何选择股票的选股alpha和如何对这些股票赋予适当权重的赋权alpha。经研究发现，尽管二者之间存在一定的联系，但它们都对投资组合的alpha有显著的影响。文中结果表明对于基金的总体alpha而言，赋权比选股更为重要并且赋权

摘要

特征选择是人工智能选股策略的重要步骤，能够提升基学习器的预测效果特征选择是机器学习数据预处理环节的重要步骤，核心思想是从全体特征中选择一组优质的子集作为输入训练集，从而提升模型的学习和预测效果。 我们将特征选择方法应用于多因子选股，发现特征选择对逻辑回归_6m、基学习器的预测效果有一定提升。我们以全A股为股票池，以沪深300和中证500为基准，构建行业中性和市值中性的选股策略。基于F值和互信息的方法对于逻辑回归_6m、XGBoost_6m、基学习器的回测表现具有明显的提升效果。 随着入选特征数的增加，模型预测效果先上升后下降特征个数并非越多越好。以逻辑回归_6m和XGBoost_

摘要

本周全A选股（非行业中性）随机森林表现最好本周中证500涨跌幅为-5.90%。本周4个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益-3.64%，超额收益。最近三月超额收益最高的策略是随机森林，该策略最近三月获得绝对收益-6.05%，超额收益9.37%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益10.24%，超额收益24.13%。 本周全A选股（沪深300行业中性）随机森林表现最好本周沪深300涨跌幅为-3.85%。本周1个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益-3.70%，超额收益。最近三月超

摘要

本周全A选股（非行业中性）SVM表现最好本周中证500涨跌幅为1.39%。本周5个人工智能组合跑赢基准，超额收益最高的策略是SVM，该策略本周获得绝对收益2.73%，超额收益1.34%。 最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益，超额收益8.71%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益23.04%，超额收益21.02%。 本周全A选股（沪深300行业中性）朴素贝叶斯表现最好本周沪深300涨跌幅为2.60%。本周2个人工智能组合跑赢基准，超额收益最高的策略是朴素贝叶斯，该策略本周获得绝对收益2.84%，超额收益。最近三月超额收益最高

摘要

采 用统一的视角解释与测试所有的广义线性模型

多因子模型的本质是关于股票当期因子暴露和未来收益之间的线性回归模型。我们希望引入机器学习的思想，对传统多因子模型进行优化，最自然的想法正是从简单的线性模型入手。本文中，我们试图采用统一的视角解释与测试所有的广义线性模型，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实用意义的参考价值。

广 义线性模型的构建和回测

广义线性模型的构建包括特征和标签提取、特征预处理、训练集合成和滚动训练等步骤。最终在每个月底可以产生对全部个股下期收益的预测值，也可以将广义线性模型看作一个因子合成模型，即在每个月底将因子

摘要

【人工智能研报】华泰人工智能系列之二十九：提升超额收益，另类标签和集成学习20200319-华泰证券-35页.pdf

另类标签和集成学习有助于提升人工只能选股的超额收益

本文认为使用另类标签有三个方面的合理性

本文使用了在多种训练期长度下测试的方法对比不同标签构建的模型

相比收益率标签，另类标签在全A股优势明显，在指数成分股内优势较小

集成学习能充分利用不同模型的优点，在多个股票池内回测效果最好

正文

[/wiki/static/upload/4f/4f177bf7-06a0-4013-b4d8-df0b4ac213a2

摘要

报告对各种Boosting集成学习模型进行系统测试

Boosting集成学习模型将多个弱学习器串行结合，能够很好地兼顾模型的偏差和方差，该类模型在最近几年获得了长足的发展，主要包括AdaBoost、GBDT、XGBoost。本篇报告我们将对这三种Boosting集成学习模型进行系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实用意义的参考价值。

Boosting集成学习模型构建：7阶段样本内训练与交叉验证、样本外测试

Boosting集成学习模型的构建包括特征和标签提取、特征预处理、样本内训练、交叉验证和样本外测试等步骤。最终在每个

银行的金融资产占比较大，运营模式独特，股票价格和其他行业指数相关性低，通过全市场测试选出的alpha因子可能在银行股内并不适用，有必要单独建模。而且银行股在沪深300和上证50指数里权重极高，做好银行行业内选股对指数增强效果的提升十分明显

长期来看，EP2TTM、BPTTM、NPL 、NPC、CCAR、YOYSALES、YOYNETPROFIT、EQUITY RATIO这几个因子在银行内的选股能力较好

我们分别建立了仅采用估值成长两个大类因子和额外加入了银行专属因子的银行内增强组合，综合来看，由于最近经济下行压力较大且银行监管压力增大，所以加入了风险监管类因子的组合相对而言更好，该组合从2