• \
  • 指标选股
• \
  • 打分

\

策略介绍

中证红利指数（CSI Dividend Index）是由中证指数公司编制的，旨在反映中国A股市场中高股息率股票的整体表现。该指数选取了股息率较高的股票构成样本，具有较低的波动性和较高的分红收益率，是稳健投资者喜爱的标的。

本策略主要通过筛选中证红利指数中的股票，重点考虑股息率（Dividend Yield）和净资产收益率（Return on Equity，ROE）两个因子。股息率是衡量股票分红收益的一项指标，而ROE则反映了企业运用资本的效率。综合考虑这两个因子，可以筛选出既能提供高分红，又具有较好运营能力的股票，进而实现稳健的收益。

回撤控制和夏普率的提升是本策略的两个

/wiki/static/upload/15/154dffcf-f5b9-4149-88bc-1969ac29d893.pdf

\

策略逻辑

Stockranker是专为选股量化而设计的机器学习算法，其选股思路是根据训练得到的模型，计算股票池中股票的当日评分，根据评分对股票池中的股票进行排序，排序靠前的股票就是当日选出的股票。

这种选股逻辑意味着不论股票的评分是多少，只要排序靠前就能被选中。实际上排序靠前股票的评分有不小差距。而评分反应的是股票的投资价值，评分高表明该股票的投资价值高，评分低表明该股票的投资价值低。因此排序算法仅能反应当天的相对投资价值，也就是矬子里面拔将军，不能反映股票的绝对投资价值。

而评分则不一样，他反应的是股票的绝对投资价值，也就是把股票的投资价值量化了。 本策略的逻辑就是根据评分来选股。

https://bigquant.com/codesharev2/38796752-ff42-45ed-a9c9-1fcf0649c04e

\

https://bigquant.com/experimentshare/c2cf252d64b7408a8071f4d78f52a5ea

\

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

旧版声明

本文为旧版实现，仅供学习参考。

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

预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

[ht

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

旧版声明

本文为旧版实现，供学习参考。

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

\

导语

这是本系列专题研究的第五篇：基于长短期记忆网络LSTM的深度学习因子选股模型。LSTM作为改进的RNN（循环神经网络），是一种非常成熟的能够处理变化的序列数据的神

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

旧版声明

本文为旧版实现，仅供学习参考。

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

策略案例

https://bigquant.com/experimentshare/72d5601550164505aad979f7265f8fec

\

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

StockRanker多因子选股策略

https://bigquant.com/experimentshare/1b8882bded4c4127a6c6edc792af662d

\

TALIB指标选股策略的交易规则

买入条件：满足

1. 今日开盘价大于昨日收盘价；
2. 5日收盘价均线大于10日收盘价均线的股票按PE升序排名取前十名,次日以开盘价买入； 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。

策略构建步骤

1. 确定股票池和回测时间 通过证券代码列表输入要回测的单只/多只股票，以及回测的起止日期
2. 确定买卖条件信号 在输入特征列表m1中通过表达式引擎定义 close_0 因子，并通过基础特征抽取模块m7获取数据； 在自定义模块m10中利用talib库计算macd相关技术指标，通过前移1天macd指标来实现当日收

TALIB指标选股策略的交易规则

买入条件：满足

1. 今日开盘价大于昨日收盘价；
2. 5日收盘价均线大于10日收盘价均线的股票按PE升序排名取前十名,次日以开盘价买入； 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。

策略流程

1. 股票过滤：剔除ST、停牌股、北交所
2. 筛选条件：上市天数大于270，收盘价小于30
3. 信号设定：对符合买入条件（今日开盘价大于昨日收盘价；5日收盘价均线大于10日收盘价均线的股票）的股票设定买入信号，对5日收盘价均线小于10日收盘价均线的股票设定卖出信号，并按照总市值升序排列
4. 交易设定：开盘买入，开

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

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

新版数据平

导语

本文简单介绍如何通过可视化的方式开发出一个价值选股策略。

标题也许看着有点蒙，什么意思呢？其实就是通过5条线连接的几个模块就能开发出一个简单的价值选股策略。我们先来看看策略截图。

策略思想介绍

该策略一共包括：证券代码列表、输入特征列表、基础特征抽取、数据过滤、Trade(回测/模拟)共5个模块。首先我们先介绍下策略的思想。

• 开始日期：2013-01-01
• 结束日期：2017-11-07
• 选股依据：根

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

交易逻辑：

• 当收盘价5日均线大于10日均线时，以第二日开盘价买入；
• 买入后，当收盘价的5日均线小于10日均线时，以第二日开盘价卖出；

https://bigquant.com/codeshare/65912162-7c7b-4493-b5ee-43d3b92123c7

\

• 声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 声明：本策略需要在AIStudio 3.0环境下运行
• 买入条件：
• 5日均线大于10日均线，10日均线大于20日均线，20日均线大于40日均线，40日均线大于120日均线；
• 今日最低价小于10日收盘价均线 的股票，次日以开盘价买入；
• 买入后，如果5日均线小于40日均线，则次日以开盘价卖出
• 允许最多同时持有20只股票

\

策略源码：

[https://bigquant.com/codeshare/5051711d-1470-49f0-b448-e0cacfcf477b](https://bi

因子分析简介

当前的股票、期货、债券、期权研究均以因子投资为主流趋势，且势头越发明显。本文所指因子分析是多因子策略、指数增强策略、多空中性策略的基石，其研究好坏直接关系和决定了策略的收益能力（信息比率），常被业内人士所称研究之重中之重，策略之核心所在。

因子分析就是因子研究员每日的基础、必备工作，大概占据了其90%的工作量，他的工作成果直接服务策略研究员，策略研究员不一定知道因子的具体细节，他也没必须不需要

摘要

个股的日内交易特征是当日交易关键要素的概况。通过多维度刻画一段时间内高开低收以外的日内交易细节信息，使得低频交易成为可能。

利用个股分钟级别的量价数据构造月频因子，我们更为推荐两步算法：首先刻画个股日内交易特征，再统计当月的日内交易特征。其更能突出体现个股日内交易细节信息，且与传统因子相关性较低。

日内交易特征可分为交易情绪、参与者结构和博弈状态三大类。我们分别对三大类因子特征进行举例说明，并对各因子进行有效性检验。多空有效的因子包括：日内BETA、最高级出现时间、收盘成交量占比、成交量变异数比率、量价非平稳时间序列相关性等。月度IC绝对值在3%-4%之间。

在组合构建端我

摘要

本文主要介绍超预期幅度因子的定义、分析师超预期股票收益特征分析和分析师超预期选股策略的构建。首先我们介绍精确到单季度的净利润超预期幅度ESP因子算法，然后我们对超预期股票的收益特征进行分析，发现EP_TTM和过去一个月收益率两个风格因子可以很好地解释超预期股票的收益来源。最后每月底根据EP_TTM和过去一个月收益率两个风格因子限定样本池，然后选取净利润超预期幅度最大的20只股票构建超预期20组合。组合基本上每年稳定战胜中证500指数，可以作为中证500增强的补充组合。

分析师超预期幅度因子定义

分析师超预期幅度ESP因子可以定义如下：ESP =（单季度实际净利润