因子选股

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版因子分析代码：

https://bigquant.com/wiki/doc/5zug5a2q5yig5p6q5luj56cb-Od7rjBTNDQ

策略案例

[https://bigquant

策略案例

https://bigquant.com/experimentshare/0b04060b41be4c89b38adc02d2bd73a4

\

策略简介

本策略是一个基本的StockRanker策略，使用的因子除了一些基本的量价指标、技术指标、财务指标之外，我们加入了涨跌停的因子，由于涨跌停price_limit_status这个字段的含义是等于1表示跌停、等于2表示非涨跌停、等于3表示涨停，因此我们将过去10日的涨跌停状态相加的话，值越大就表示涨停次数越多。

在StockRanker模型上，由于数据量的增加，我们适当的调整了模型参数：叶节点数量、每叶节点最小样本数、树的数量，以避免模型欠拟合。

模型训练时间为2015-2022年，回测时间为2023-2024年，策略持股5支，等权重，持仓5天

策略源码

[htt

具体怎么调用这些因子

东方

20150626-东方证券-《因子选股系列研究之一》：多因子模型的基石——单因子有效性检验.pdf

20150909-东方证券-《因子选股系列研究之二》：低特质波动，高超额收益.pdf

20151207-东方证券-《因子选股系列研究之三》：投机、交易行为与股票收益（上）.pdf

20151214-东方证券-《因子选股系列研究之四》：基于交易热度的指数增强.pdf

20160216-东方证券-《因子选股系列研究之五》：剔除行业、风格因素后的大类因子检验.pdf

20160512-东方证券-《因子选股系列研究之七》：投机、交易行为与股票收益（下）.pdf

20160525-

摘要

在前期发布的行业轮动专题报告中，我们对于有效的行业轮动因子进行了总结，部分基本面因子存在较好的行业轮动能力。然而，对于技术类行业轮动因子，我们并未得到较好的结果。

本文从高频数据的角度出发，借鉴因子选股报告中的高频因子构建行业高频因子，并对于相关因子的行业轮动能力进行了回测。本文主要分为四部分，第一部分介绍了相关因子的逻辑以及计算方法，第二部分对于各高频因子的月度行业轮动能力进行了回测分析，第三部分变换了模型参数，对于相关因子的行业轮动能力进行了敏感性测试，第四部分展示了2017年以来相关因子所选出的多头行业。

可参考高频数据类选股因子构建高频数据类行业轮动因子。考虑到使用日

来自A股自下而上的财务分析及展望

行业量化基本面深入剖析及横向对比

/wiki/static/upload/3f/3f14a587-16bf-461e-b6b7-f32942ae6920.pdf

\

研究结论

传统用超额收益衡量事件效应大小的方法容易受行业和市值风格影响，错误的识别出一些“伪事件”，我们建议采用横截面回归方式剔除行业和市值影响计算事件导致的异常收益，再配合秩检验来识别能真正贡献alpha的事件。

如果策略组合对各个风险因子的主动暴露控制为零，那么用中性化后的alpha因子预测残差收益和预测收益率得到的组合优化结果一致；现实操作中，为了获得更高alpha，投资者一般会主动暴露少量风险，因此上面两种预测方法得到的结果会有部分差别。本报告采用预测残差收益的方法，以便和事件驱动策略整合。

事件驱动并非多因子模型之上的额外alpha，而是两个模型给出了两个不同的未

中国A股市场中因子选股的案例

作者：Daniel Fang, Diana Olteanu-Veerman

出处：SSRN, 2020-04

摘要：近年来，由于其规模和对全球金融市场的重要性，中国A股市场吸引了全球投资者的极大兴趣。A股市场具有独特的市场特征和监管环境，这给机构投资者带来了挑战。本文通过中国A股市场知名的股票因子，研究了因子策略的有效性。本文证明：经过适当设计的传统因子策略相对于市值加权基准，可以提供有吸引力的风险调整后收益。此外，作者发现：中国股票市场的一些特征对因子绩效和复杂的因子策略设计有明显的影响。值得注意的是，传统的价格动量因子在中国A股市场并不适用。相反，基于收

摘要

在前期发布的行业轮动专题报告中，我们对于有效的行业轮动因子进行了总结，部分基本面因子存在较好的行业轮动能力。然而，对于技术类行业轮动因子，我们并未得到较好的结果。 本文从高频数据的角度出发，借鉴因子选股报告中的高频因子构建行业高频因子，并对于相关因子的行业轮动能力进行了回测。本文主要分为四部分，第一部分介绍了相关因子的逻辑以及计算方法，第二部分对于各高频因子的月度行业轮动能力进行了回测分析，第三部分变换了模型参数，对于相关因子的行业轮动能力进行了敏感性测试，第四部分展示了2017年以来相关因子所选出的多头行业。

可参考高频数据类选股因子构建高频数据类行业轮动因子。考虑到使用日间

研究结论

因子选股研究通常采用月频调仓模式，但是Alpha因子的效用并非在未来一个月均匀分布，而是呈现逐步衰减的形态，也就是说我们从月初获得的alpha要比月末获得的alpha高，持仓一个月不动的调仓方式在当月后半段资金利用效率较低，有必要在alpha衰退之前调仓

因子的alpha衰减速度可以用其IC的半衰期度量，基本面因子、估值因子的衰减速度较慢，例如CFP_TTM指标的半衰期长达四个月；而技术类指标的衰减速度较快，CGO_3M指标11天左右IC即衰减了一半。

实证发现，不论是做主动量化还是做指数增强组合，周频调仓方式在交易成本较低的情况表现都明显优于月频调仓组合，但当单

研究结论

Alpha因子库的不断扩容，让投资者有处理因子共线性、增加因子信息利用效率的需求，快速发展的机器学习模型为我们提供了解决这个高维预测问题的可行方案。本报告里测试了包括Elastic Net，SVR，RandomForrest、GBRT、ANN在内的17个模型，比较其预测能力和传统线性模型的异

报告里把个股超额收益率的预测拆为Dispersion 和收益率横截面zscore 两部分，前者用AR(1)模型预测，后者用alpha因子作为解释变量，通过机器学习模型预测，模型训练采用单月横截面并行训练的模式。这种拆分预测的方法效果好于直接用超额收益率作为预测目标

我们使用自己因子

摘要

择时：顺势而为，把握右侧确定性机会

因子选股：半年度复盘与展望

一月以来，市场延续去年四季度缓慢上涨格局；春节后，市场受疫情影响出现月度周期调整；三月末开始，市场情绪逐步修复，重新进入上涨区间。

从宽基指数年初至今收益率来看，创业板指领涨，年初至今收益率54.52%；上证50相对表现欠佳，年初至今收益率9.42%。

从中信一级行业指数年初至今收益率来看，消费者服务、医药拔得头筹。收益表现靠前的行业有：消费者服务、医药、食品饮料、电子、计算机；石油石化、银行、煤炭钢铁、建筑、交通运输收益表现殿后。

正文

[/wiki/static/upload/24/2416e5

/wiki/static/upload/d3/d3420be6-cba8-4a0f-9d72-594e6bcfe4c7.pdf

\