摘要

估值因子在不同行业、不同规模上市公司间差异较大

估值因子是一类非常重要的风格因子，本报告中我们选取了十个具有代表性的估值因子——EP、EPcut、BP、SP、NCFP、OCFP、FCFP、DP、EV2EBITDA、PEG，首先经实证分析发现，不同一级行业间估值因子差异较大，并且随时间推移同一行业的估值水平也在不断变化。同时，估值因子在不同规模的上市公司间差异也比较大，近两年EP、EPcut、BP、SP、NCFP、OCFP、DP明显与市值因子呈现正相关性，FCFP、EV2EBITDA与市值因子略微负相关，PEG与市值因子相关性不明显。

**各估值因子间也

摘要

多因子模型通常由收益预测和风险控制两部分组成，风险模型中的限制条件可选种类多，常见的有跟踪误差、风险因子敞口、个股权重、行业、风格等，投资者通常根据自身的收益风险需求选择特定的限制条件。本文主要考察因子敞口上限的设定对优化组合的影响。

在风险控制模型中，因子敞口上限的设臵会同时影响优化组合的收益和风险。上限越大，组合超额收益越高；同时回撤和跟踪误差也越大。组合收益风险比的大小，则取决于收益和风险指标的相对增幅。敞口上限对不同标的指数优化组合超额收益的影响存在差异，敞口上限增加，沪深300优化组合超额收益增幅相对较小，而中证500优化组合超额收益增幅则相对较大。

沪深300指数

摘要

多因子模型通常由收益预测和风险控制两部分组成，风险模型中的限制条件可选种类多，常见的有跟踪误差、风险因子敞口、个股权重、行业、风格等，投资者通常根据自身的收益风险需求选择特定的限制条件。

本文主要考察因子敞口上限的设定对优化组合的影响。

在风险控制模型中，因子敞口上限的设置会同时影响优化组合的收益和风险

上限越大，组合超额收益越高；同时回撤和跟踪误差也越大。组合收益风险比的大小，则取决于收益和风险指标的相对增幅。敞口上限对不同标的指数优化组合超额收益的影响存在差异，敞口上限增加，沪深300优化组合超额收益增幅相对较小，而中证500优化组合超额收益增幅则相对较大

摘要

原始数据处理

原始数据的选取是多因子模型的基础，只有高质量的数据才能保证后续研究的准确。研究中遇到的数据问题主要有财务数据的滞后性与真实性问题，资产重组导致前后数据不可比问题，行业划分覆盖不全面等问题。对比数据在可比性与时效性上的不同侧重，使用最新的数据进行回测能得到更好的结果；考虑上市公司在借壳上市之前与之后的数据均含有较多的噪声，我们需要同时处理借壳公司与被借壳公司。

股票池构造

多因子选股的第一步是选择合适的股票池，而股票池的选取需要根据策略的需求进行相应的调整。类比全样本股票池，我们根据股票的流动性大小构造流动性1500股票池进行替代。

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/4d787bfaafaa40578641e6d2ae0b6fd0

\

问题

如何在AI策略中加入大盘指标因素，比如，大盘走坏时，不开仓

https://bigquant.com/experimentshare/b6f174124d3e4c33bdd683498f5d44a9

\

https://bigquant.com/experimentshare/3e5c4533c9fa4174a16f8784bccfb69b

\

https://bigquant.com/experimentshare/14142aa9e6dc4695bb326e88942d7661

\

https://bigquant.com/experimentshare/612fccdedb274977ba74636700ecc9b8

\

\

谢谢小Q， 感谢BQ。四周年快乐\~

昨天收到了小Q寄来的礼物，好开心啊，双11不用我自己去买了。。。。一如既往的清新风。我已经猜到了，上一年是保温杯，今年是茶壶，下一年可不可以送包枸杞 ，

问题

解答

重启开发环境

python究竟怎么可以获取level2行情呢？比如百度、新浪、搜狐、CSDN等都有教程还有说明，同时还有提供一些常见的股票L2接口，包括许多模拟股票交易系统也提供了数据，但这些获取股票数据的方法并不像通过python那样方便。那么，如何通过python实现股票L2接口呢？

以下有两种情况说明：

（1）你有自己的证券商及客服专员；

在这种情况下，个人直接打电话给交易账户的证券期货供应商客户服务专员，获取CTP数据接口信息。CTP是指根据要求，进入期货公司的交易程序必须经过穿戴认证。简单地说，它是在期货公司提供的模拟环境中完成指定

平时喜欢做研究，分享一个策略，希望和大家多交流！欢迎拍砖！

策略思想：

买入条件

• 市净率尽可能小
• 股价创60日新高
• 3日线上穿5日线，5日线上穿10日线
• 当日成交量是昨日成交量的1.4倍
• macd柱状处于红色区域

卖出条件

• 收盘价下穿7日均线
• 7日均线下穿30日均线

持仓天数

• 持仓天数30天

策略案例

https://bigquant.com/experimentshare/2d9488a9b36342898a1431052bc78d08

\

如题

作者：神乐（shen1，colol）

去量化基金公司面试，和从事量化的朋友，同事之间交流等经常会被问到一个问题，因子重要or模型重要？量化策略中最重要的是什么？有些人会认为因子比较重要，有些会认为策略的猜想比较重要。当然，关于这些问题没有标准答案，给出合理的解释，讲述对量化开发的个人观点是问题的本质。鄙人认为，一个稳健的量化策略的核心是一个合理的工业化量化策略开发体系，这也比较好的解释了某些量化公司部分核心策略工程师的离开，对公司的业绩产生影响不是特别大。工业化的量化策略开发体系包括但不限于以下流程。

5.1提出猜想：猜想的提出往往是在交易市场中对交易策略的深刻理解，从而提出相关想法，并

组合优化器是宽邦科技为满足机构投资者对于股票组合优化、绩效归因、风险控制和指数增强需求而提供的一款优化器。

使用概览

1. 调用接口：T.PORTFOLIO_OPTIMIZERS
2. 每日初始化：T.PORTFOLIO_OPTIMIZERS.get_today_factor_data
3. 权重优化：T.PORTFOLIO_OPTIMIZERS.optimize

\

调用接口

**opt=T.PORTFOLIO_OPTIMIZERS(stock_pool, start_date, end_date, model_type='daily', benchmark='00090

行业分化：主题工具类产品发展契机

回顾2019-2021年，权益市场显著回暖，Wind全A指数累计上涨82.42%。行业层面，除综合金融外，29个中信一级行业指数均实现上涨，涨幅中位数为74.35%，但行业之间呈现鲜明的首尾分化特征。

具体来看，区间涨幅排名前三的行业分别是电力设备及新能源（247.26%）、食品饮料（208.18%）和电子（170.48%），交易活跃度也远高于A股整体水平。而区间涨幅排名后三的行业分别是商贸零售（11.07%）、房地产（3.19%）、综合金融（-6.54%）。

![{w:100}](https://mmbiz.qpic.cn/mmbiz_png/

期货量化交易有什么特点呢？

1.速度快。交易市场如战场，尤其是在开盘的时候，很多品种的盘口特别活跃，成交量很大，这就是拼速度的时候。很多量化交易公司的交易办公室都在交易所附近，他们凭借速度的优势，频繁地买进卖出，拥有速度优势。

2.交易周期小。交易就是低买高卖，高抛低吸，是一个赚差价的游戏。谁都不愿意为他人做嫁衣，谁也不愿意为他人抬轿子。现在很多量化交易公司的员工都是名牌大学的高才生，他们拥有高智商，高技术，使用3秒的交易周期都嫌长。普通散户一开仓，量化交易就平仓了。因为别人在数着你的单子呢！

3.仓位灵活。很多量化交易公司都在做短线，导致许多品种早盘在大幅度的增仓，而收盘时又变成

摘要

股指期货开盘动量效应我们通过对股指期货开盘动量效应的研究发现，股指期货长期存在显著的开盘动量效应。为此我们定义：如果开盘价，最低价以及收盘价随K线依次上升，那么可以判定为上涨（多头）趋势。如果开盘价，最高价以及收盘价随K线依次下降，那么可以判定为下跌（空头）趋势。

风险控制我们在进行策略的开发与设计时，对于风险的考量永远是第一位的。因此本节首先探讨两种止损方法，对于策略的止损我们选择了反向信号止损以及吊灯止损法。其中，反向信号止损为多头趋势下连续5根K线最高价依次下跌，空头趋势下连续3根K线最低价依次上涨。吊灯止损法为多头趋势下最优价格回落2.5倍ATR止损，空头趋势下最优价格

摘要

全文摘要本文养老目标驱动型投资策略从终点投资目标出发，在控制风险的条件下逐期逆向递推，同时采用多期博弈求解纳什均衡的方法，确定生命周期各期权益资产配置比重。报告第一部分对终点目标驱动的多期投资决策思路进行了介绍；第二部分将风险因素纳入考虑后构建了待优化的目标函数；第三部分引入纳什均衡法求解基于目标函数的多期决策均衡配置问题，并对模型在养老定投场景中的实用性进行了分析和说明。第四、五部分通过敏感性分析和随机模拟实验探讨本策略实现的下滑曲线的特征，并展示了一个应用于中国市场的目标日期基金下滑曲线开发实例。

到期日养老目标驱动的权益资产下滑曲线设计思路目标驱动型投资指的是投资者在未

研究结论

策略Alpha收益的定义取决于投资者控制了哪些风险，Alpha因子的ZSCORE可以通过多期横截面回归取平均的方式转化成预测收益率，输入后续的组合优化过程。

在两个变量满足正态分布时，Pearson 和Spearman相关系数的数值很接近，但Spearman秩相关系数在做显著性检验时不依赖于变量的正态分布特性，更稳健，因此因子选股计算IC时多采用后者。

Alpha因子是否需要做风险中性化处理取决于做组合优化时是否做了对应的风险暴露控制，并非风险因素剔除的越多越好。当构建的组合完全控制了风险暴露时，风险调整IC（risk adjusted IC）会比Purifed

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