如题

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

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

核心观点

目的

多因子模型体系包括alpha模型、风险模型、成本控制模型、组合优化模型。组合优化模型是最终将前三个模型整合为一体，得到最优结果。本期报告的主要目的是对组合优化模型进行详细的探讨，对不同的限制条件影响组合表现的规律性进行一定程度的揭示

lamda系数

lamda系数对组合表现的影响因个股权重偏离限制的不同而不同。当个股权重偏离幅度限制较严格的情况下，lamda系数对组合表现影响几乎可以忽略，而当个股权重偏离幅度限制较宽松时，lamda系数对组合表现的影响较大

非成份股权重

非成份股权重比例的提高，在沪深300上能较明显的提高组合表现，而在中证500上的结果有待进一步验

摘要

本期遴选论文

来源：Journal of Financial Economics 145 (2022) 64–82

作者：Markus Leippolda，Qian Wanga，Wenyu Zhou

标题：Machine learning in the Chinese stock market

Gu（2020）在The Review of Financial Studies发表的Empirical Asset Pricing via Machine Learning中，详细实证了机器学习模型在美股市场的表现。**结果表明，机器学习改善了对预期

摘要

多因子模型：本周组合均跑赢基准

因子表现

估值因子、质量因子表现较好，动量因子有所回撤。组合表现：光大Alpha沪深300指数增强（沪深300内选股）组合本周下跌3.56% ，同期沪深300指数下跌4.39%，组合本周跑赢沪深300指数0.82个百分点。2020年1月1日以来，组合累计上涨20.51%，跑赢沪深300指数9.57个百分点，信息比2.80。

光大Alpha中证500指数增强（中证500内选股）组合本周下跌4.65% ，同期中证500指数下跌4.97%，组合本周跑赢中证500指数0.32个百分点。2020年1月1日以来，组合累计上涨32.91%，

摘要

在之前的报告《龙头股效应在一致预期数据上的应用》中，我们发现从盈利预期调整来看，市场存在显著的龙头股效应：龙头股预期基本面的改善会影响其他股票次月收益。基于此，我们构建了调整后的EPS变动因子，该因子在多因子模型中具有显著为正的截面溢价，可提升模型预测精度。本文将考察龙头股预期盈利调整对行业轮动是否具有指导意义。

行业整体预期盈利调整滞后于收益启动。当月预期EPS变动与前一个月行业收益相关性最强，统计显著；与当月收益相关性次之，而与次月收益相关性最低。 表明行业收益启动领先于预期盈利调整，在观察到行业预期盈利上调后再调整行业配臵的做法不可取。

龙头股预期盈利调整对行业收益具有

摘要

多因子模型风险预测：百尺竿头，更进一步

投资是一把双刃剑，投资者既是收益的追逐者，同时也是风险的承担者。一个好的多因子模型框架通常包含收益模型、风险模型、绩效归因三个模块，本报告聚焦多因子模型的第二大功能—风险预测。

多因子风险矩阵估计方法

采用多因子结构化风险矩阵估计时，为保证样本内外估计的一致性、增加估计结果的准确性，需要对因子协方差矩阵和特异风险矩阵的估计作如下调整：

·因子协方差矩阵估计：Newey-West 自相关调整、特征值调整、波动率偏误调整

·特异风险矩阵估计：Newey-West 自相关调整、结构化模型调整、贝叶斯收缩调整、波动率

投资要点

多因子模型风险预测：百尺竿头，更进一步投资是一把双刃剑，投资者既是收益的追逐者，同时也是风险的承担者。一个好的多因子模型框架通常包含收益模型、风险模型、绩效归因三个模块，本报告聚焦多因子模型的第二大功能—风险预测。

多因子风险矩阵估计方法采用多因子结构化风险矩阵估计时，为保证样本内外估计的一致性、增加估计结果的准确性，需要对因子协方差矩阵和特异风险矩阵的估计作如下调整：

因子协方差矩阵估计：Newey-West自相关调整、特征值调整、波动率偏误调整特异风险矩阵估计：Newey-West自相关调整、结构化模型调整、贝叶斯收缩调整、波动率偏误调整多因子风险预测模

摘要

价值投资和成长投资是主动投资领域中两种核心的股票选择维度。

我们在前期报告《多因子量化选股系列专题研究—关于多因子模型构建方法实用性的理论探讨》中，对多因子模型方法论方面进行了一些务虚性的讨论，其中最主要的观点是认为，分组法是当前A股市场中最为实用的多因子模型构建方法。本文尝试基于分组法的多因子模型，实现以价值和成长为核心的多因子选股逻辑，同时通过实证检验前一篇报告所述方法论的有效性。

质量空间与质量因子：

（1）质量因子的作用，一是质量高的股票有超额收益，可作为Alpha因子来使用，二是可以剔除一些质量较差的公司，剩余样本可作为其他逻辑选股的精选股

摘要

2017年以来，随着市场上量化策略的增多，许多以前十分有效的因子，如市值因子、动量因子、波动率因子等，都出现了比较明显的震荡或者失效。想要靠传统多因子模型取得超越基准的稳定收益变得越来越难。对于因子择时模型的研究需求也在持续上升。

本篇报告分为三部分：

首先，我们介绍了因子择时常用的几个指标，包括因子估值差与配对相关性等，并测试了其与因子未来收益的相关性。

然后，我们使用随机森林函数，构建因子择时模型。与大多数因子择时模型不同，我们的预测目标是因子收益的历史移动平均与实际因子收益的差距。对于收益波动较大的因子，移动平均比较难抓到因子短期的趋势。而择时

研究要点

多因子模型是量化投资领域中最为经典、应用最为广泛的方法体系之一。本文使用改进后的截面回归法，在因子定价逻辑基础上对技术类、预期类、财务类因子的历史收益进行了考察，构建了多因子跟踪体系。

方法介绍

使用逐步回归法提取各类因子的纯收益。

（1）截面回归在使用中面临的最大问题是因子之间的共线性问题，本文采用逐步回归法进行规避。

（2）逐步回归法的含义是，每一步回归中只对单一变量进行回归，即仅估计单一因子的收益率，而每一步回归时将前一步回归的残差项作为这一步回归的因变量。

（3）逐步回归法在实践中100%的规避了共线性问题，而且从逻辑上说，相当于

\

摘要

指数增强型公募基金以量化方式为主，通过多因子模型能够有效控制风险指数增强型基金是主动投资和被动投资的有机结合，其目标是在控制跟踪误差的前提下追求稳定、持续超越基准指数的表现。我们整理了目前所有跟踪上证50、沪深300、中证500、中证1000指数的公募指数增强产品，共有36只，其中有32均采用量化方式增强。在量化指数增强策略中，又以多因子模型为主流。多因子模型本质是将对𝑁只股票的收益-风险预测转变成对𝐾个因子的收益-风险预测，通过控制投资组合在风险因子上的暴露达到科学控制跟踪误差的目的。本报告实证了两个简单的量化指数增强策略，均能在较小的跟踪误差下获取一定超额收益。 指数增强

摘要

即使风格相似、收益表现相似的组合，其收益来源也可能不尽相同，通过业绩归因，能够更加清楚组合的收益究竟来源于什么，进而知道这种获取超额收益的能力是否能够持续，也能够明白组合发生剧烈波动的原因，从而改进策略。 归因模型

常见的归因模型有三类，包括风格分析，收益分解及多因子分析。 风格分析

根据组合收益率通过回归的方式确定投资风格，需要组合及基准的收益率数据。 收益分解

相对基准进行收益分解，将组合的收益分解到配置（自上而下）和选股（自下而上）的维度，需要组合与基准的收益及权重数据。 多因子分析

通过多因子模型，将组合业绩归因到因子上，如估值因子，

摘要

即使风格相似、收益表现相似的组合，其收益来源也可能不尽相同，通过业绩归因，能够更加清楚组合的收益究竟来源于什么，进而知道这种获取超额收益的能力是否能够持续，也能够明白组合发生剧烈波动的原因，从而改进策略。

归因模型

常见的归因模型有三类，包括风格分析，收益分解及多因子分析。

风格分析

根据组合收益率通过回归的方式确定投资风格，需要组合及基准的收益率数据。

收益分解

相对基准进行收益分解，将组合的收益分解到配置（自上而下）和选股（自下而上）的维度，需要组合与基准的收益及权重数据。

多因子分析

通过多因子模型，将组合业绩归因到

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

指数增强方法汇总及实例

量化多因子指数增强策略实证

指数增强型公募基金以量化方式为主，通过多因子模型能够有效控制风险

指数增强型基金是主动投资和被动投资的有机结合，其目标是在控制跟踪误差的前提下追求稳定、持续超越基准指数的表现。我们整理了目前所有跟踪上证50、沪深300、中证500、中证1000指数的公募指数增强产品，共有36只，其中有32均采用量化方式增强。在量化指数增强策略中，又以多因子模型为主流。多因子模型本质是将对𝑁只股票的收益-风险预测转变成对𝐾个因子的收益-风险预测，通过控制投资组合在风险因子上的暴露达到科学控制跟踪误差的目的。本报告

摘要

2017年以来，随着市场上量化策略的增多，许多之前十分有效的因子，如市值因子、动量因子、波动率因子等，都出现了比较明显的震荡或者失效。想要靠传统多因子模型取得超越基准的稳定收益变得越来越难。对于因子择时模型的研究需求也在持续上升。

本篇报告分为三部分：

首先，我们介绍了因子择时常用的几个指标，包括因子估值差与配对相关性等，并测试了其与因子未来收益的相关性。

然后，我们使用随机森林函数，构建因子择时模型。与大多数因子择时模型不同，我们的预测目标是因子收益的历史移动平均与实际因子收益的差距。对于收益波动较大的因子，移动平均比较难抓到因子短期的趋势。而择时模型可以在一定程

摘要

本文构建了基于量价的人工智能选股体系并测试其有效性

经过华泰金工前期报告的探索，我们认为人工智能模型已经可以很好融入多因子选股模型的因子生成和多因子合成步骤。在多因子模型的信息来源中，量价信息能提供海量的数据，是最适合AI技术运用的领域。本文构建了基于量价信息的全流程人工智能选股体系，主要包含三个步骤：(1)遗传规划自动挖掘因子；(2)机器学习模型进行多因子合成；(3)机器学习模型的可解释性分析。在测试中，该体系能提供独立于传统多因子模型的增量超额收益。

步骤1：遗传规划自动挖掘因子——因子的适应度、增量信息和挖掘效率

因子是超额收益的来源。遗传规划通过暴力

去年底至今，得益于南下资金的注入，以及经济复苏的预期，恒生综指涨幅已超过10%，低估值、高股息的优质港股吸引了全球投资者前来配臵，随着沪港通、深港通的相继开放，港股与A股的关系日益紧密，两地投资者可以更加便捷地投资对方的股市，研究因子选股模型在港股的应用能产生直接的投资收益

我们分别在恒生综指和港股通成分股内进行了7大类23个Alpha因子的有效性检验，和美股类似，估值、盈利、成长因子在港股中都比较显著，IC在3%左右，流动类因子中的Am ountAvg_1 M_3M（过去一个月日均成交额/过去三个月日均成交额）表现优异，特别是在港股通成分股当中，夏普比率最高0.99，十分稳健

在港股中我

策略案例

https://bigquant.com/experimentshare/21cf886fbd794a66be617bfd57a0cb88

\