https://bigquant.com/experimentshare/887354a18288489e9bb5d65923da8e9b

\

基本概念

量化选股模型是在量化投资领域中广泛使用的工具，旨在系统地识别和选择具有超额收益潜力的股票。这些模型通常基于历史数据和统计分析，结合了各种财务指标、市场数据、经济指标和其他相关信息。

\

常见6大选股模型

以下是一些主要和常用的量化选股模型：

1. 基于因子的模型

   1. 多因子模型：结合多个因子（如价值、成长、动量、质量、规模等）来评估股票。

用卷积网络处理序列数据

我们知道卷积神经网络(convnet)在计算机视觉问题上表现出色，原因在于它能够进行卷积运算，从局部输入图块中提取特征，并能够将表示模块化，同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异，同样也让它对序列处理特别有效。时间可以被看作一个空间维度，就像二维图像的高度或宽度。

对于某些序列处理问题，比如金融时间序列数据，这种一维卷积神经网络的效果可以媲美RNN[循环神经网络]，而且计算代价通常要小很多。最近，一维卷积神经网络[通常与空洞卷积核(dilated kernel)一起使用]已经在音频生成和机器翻译领域取得了巨大成功。除了这

摘要

传统多因子选股

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标。

基于高频数据因子的策略构建

基于个股日内高频数据，构建了已实现波动（Realize

核心观点

本报告包含有色金属行业择时和有色金属行业内多因子选股两个模型。择时 模型使用宏观和行业的基本面数据，分为绝对收益和相对收益两种情况。选 股模型为多因子模型针对单一行业的细化研究。

有色金属行业择时模型

利用均值 T 检验的方法得到获取绝对收益的有效择时因子，包括 PMI、消费 者信心指数、城镇可支配收入、M0 同比、社会融资规模、十种有色金属产 销量当月同比、有色金属采矿业主营业务收入同比、有色金属采矿业固定 资产投资完成额同比，择时策略相对基准的年化收益率由 6.18%增加到 7.72%，择时策略的最大回撤为 23.85%，而基准的最大回撤为 82.17%。

摘要

本报告为多因子选股系列研究的第四篇，在对原模拟组合进一步分析的基础上构建了行业中性模拟组合，并提出了一种简单可行的指数增强策略，主要有以下贡献。本文的主要贡献：

1. 进一步分析了原模拟组合的行业偏离情况。行业偏离的大小很大程度上决定了组合的稳健性。因此，分析模拟组合的行业偏离情况是必要的补充。
2. 检测选股模型在各个行业上的效果，着重找出不适用的行业。尽管从模拟组合的总体结果来看，多因子选股模型取得了优异的表现，但这并不能保证模型是适用于所有行业的。找出不适用的行业，在后续研究中可以考虑针对它们构建行业内选股模型。
3. 选出看多组合的同时，对看空组合进行了同样深入

摘要

传统多因子选股

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标。

基于个股高频数据的因子构建

本篇专题结合个股在微观市场结构中的特征，采用LSV模型

摘要

传统多因子选股

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

新因子挖掘

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标。

基于个股高频数据的因子构建

本篇专题结合个股在微观市场结构中的特征，采用LSV模型

摘要

“基底”价格形态下的CANSLIM模型基本逻辑A股实证研究。本报告借鉴美国著名投资学家欧奈尔的“基底”理论和CANSLIM模型理论，结合A股市场现状，推出了适用于当前A股市场的申万A股欧奈尔CANSLIM选股模型。申万A股欧奈尔CANSLIM选股模型的基本思路为：找出“基底”价格形态的股票和买点；依据欧奈尔CANSLIM模型同时考虑基本面因子和技术面因子，实现价格形态，基本面和技术面三者的共振。

“基底”价格形态、基本面因子、技术面因子和市场走势。本报告采用一些规则刻画“基底”价格形态（含“杯柄形态”、“双重底”、“蝶形”等）的共性；基本面因子关注净利润增长、营业收入增长率和投资

摘要

彼得林奇选股模型在A股验证。本报告借鉴美国著名基金经理彼得林奇的选股思路，结合A股市场现状，推出了适用于当前A股市场的彼得林奇选股模型，彼得林奇选股的基本思路为：寻找高彼得林奇成长因子(调节PEG的倒数)的公司，再对六大类型的公司使用相对应的选股条件进行筛选。

彼得林奇公司分类方法介绍。彼得林奇认为六大类型公司可以涵盖投资者的全部需求，这六大类型公司分别为缓慢增长型公司，稳定增长型公司，快速增长型公司，周期型公司，困境反转型公司及资产富余型公司。根据彼得林奇对六大类型公司的定义，并结合A股市场特征，我们设计了彼得林奇六大类型公司的分类标准，并对分类结果进行验证。 申万彼得林奇选

研究结论

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果。

机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用不同的模型。我们测试了LASSO、SVM、增强型决策树、随机森林等几种常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、过拟合概率低，同时还具有非常强的样本外预测能力。机器选股模型省

摘要

本文对周频AlphaNet测试多种组合优化方案，课可匹配多种风险收益目标

近年来，中高频调仓的量价选股模型日益受到投资者关注，针对该类模型的风险模型和组合优化是一个值得研究的主题。本文基于量价数据构建的ALphaNet为收益模型，对其进行业绩归因、风险模型构建和组合优化。

行业对周频AlphaNet模型的业绩归因分析：alpha收益显著

本文总结了不同预测期限下的多因子风险模型构建方法

本文构建的周频多因子风险模型可以实现对组合风险准确稳定的预测

正文

[/wiki/static/upload/7a/7acdc66b-3366-4

摘要

线性多因子体系是量化选股的基石，传统的Fama三因素模型，以及后来提出的五因素模型均是在多元线性回归的框架下去探讨因子在选股层面的有效性。当选定的线性模型存在比较严重的多重共线性时，由此构建的选股模型将变得极不稳定。因此，在多元线性框架下进行研究时，多重共线性是我们必须要考量并想办法解决的重要问题！

惩罚性线性回归通过引入对系数的惩罚，进而降低或消除一些自变量对回归方程的影响，从而达到控制模型多重共线性的目的。我们以惩罚线性回归模型Lasso、Adaptive Lsso、ElasticNet为核心对因子进行筛选，并构建复合选股因子。结果显示三种方法均表现出了较强的选股能力，但多

摘要

选股模型的时效性

信息具有时效性。选股因子对股票收益率的预测能力会随着时间的延后而衰减。机器学习股票收益预测模型的目标是将股票因子与股票未来收益率关联起来。股票因子蕴含的信息决定了模型的预测能力，包括预测准确度和预测窗口长度。如果机器学习模型所用的股票因子中包含的是市场短期情绪面的信息，那么训练出来的机器学习模型可能对市场短期走势的预测能力较强；如果机器学习模型所用的因子包含的是市场中长期的价格扭曲信息，那么训练出来的机器学习模型可能对市场中长期的预测能力较强。

模型构建

本报告按照因子在不同预测窗口长度的IC将选股因子分成不同的组别，并针对不同的股票收益预

摘要

另类标签和集成学习有助于提升人工智能选股模型的超额收

对于量化选股模型来说，另类标签指有别于收益率的标签，也可视为一种“另类数据”。本文通过设置多种测试情形，对比了另类标签(信息比率和Calmar比率)与传统收益率标签在构建人工智能选股模型的优劣。相比收益率标签，另类标签在全A股优势显著，能明显提升选股模型的超额收益和信息比率；另类标签在指数成分股内优势较小，仅对超额收益的提升有一定作用。本文进一步使用集成学习对多种标签构建的模型进行集成。集成模型的超额收益和信息比率有稳定提升，Calmar比率也有较好表现。集成学习也可避免使用单一模型的风险，起到“模型分散化”的效果。

摘要

本报告为多因子选股系列研究的第四篇，在对原模拟组合进一步分析的基础上构建了行业中性模拟组合，并提出了一种简单可行的指数增强策略，主要有以下贡献。本文的主要贡献：

1. 进一步分析了原模拟组合的行业偏离情况。行业偏离的大小很大程度上决定了组合的稳健性。因此，分析模拟组合的行业偏离情况是必要的补充。
2. 检测选股模型在各个行业上的效果，着重找出不适用的行业。尽管从模拟组合的总体结果来看，多因子选股模型取得了优异的表现，但这并不能保证模型是适用于所有行业的。找出不适用的行业，在后续研究中可以考虑针对它们构建行业内选股模型。
3. 选出看多组合的同时，对看空组合进行了同样深入

摘要

本报告在因子分析与筛选的基础上，选取了有效且稳健的因子并赋予合理权重，构建了多因子综合打分选股模型，结果表明模型取得了出色的效果，并具有较高的稳健性和实用性。

本文的创新之处

1. 分不同股票池选股。我们分别在6个股票池中选取各自有效的因子，并赋予合理权重，建立了多因子综合打分的选股模型。并比较了直接选股与分周期、非周期选股再组合的效果。
2. 按有效性分层赋权。先对五大类因子赋予5个大类权重。然后在每个大类里，按因子有效性的高低分配，设置每个因子的类内权重。分层赋权能使赋权的结果更加客观和合理。
3. 模拟组合等比例配置，以等权指数为比较基准。本报告中的模拟组合都是

摘要

近年来，对于主题型投资机会的研究逐渐成为市场的热点。一方面，随着被动化投资的兴起，各类主题指数基金受到越来越多投资者的关注。另一方面，同一主题下股票收益的共性及领先-滞后关系的研究，也是当前量化选股模型的一个重要补充。因此，本文借用FactSet的供应链与深度行业分类数据，提出一种自动化程度可调节的主题组合构建框架，以满足各类型投资者的不同需求。

主题组合构建步骤

1. 找到与主题相关的若干龙头公司；
2. 获取龙头公司的共同业务；
3. 获取龙头公司的共同供应商及其共同业务；
4. 将龙头公司业务交集与共同供应商业务交集合并为一个集合，遍历所有上市公司，获取至少从事

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果

机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用不同的模型。我们测试了LASSO、SVM、增强型决策树、随机森林等几种常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、过拟合概率低，同时还具有非常强的样本外预测能力

机器选股模型省去了“因子筛选”、“因子加权