量价组合构建高频因子往往可以带来信息增量量价组合构建因子构建过程相对复杂，和传统量价风格因子和高阶矩因子均有一定相关性，但相关性不高，往往可以带来新的信息增量。本文给出两种量价组合构建因子的案例，其中以价格轨迹变动改进的非流动性因子在剥离了规模因子的线性影响后，全A股范围内超额收益9.70%，信息比

核心观点

上周至本周，市场主要指数回调。因子收益方面，小市值股票依然占据优势。基本面因子收益不显著。动量因子呈现负向收益。技术面因子收益显著。市场呈现风格转换趋势。

在历史收益率方面，各指数近期表现较好的因子均为短期动量因子，全市场表现较好因子还包括成长因子和波动率因子。

行业多因子方面，上周

研究结论

过去几年A股alpha空间较大，一些经验的简单组合构建策略就可以获得稳健组合，组合优化方法在提高策略收益和稳健性上并无明显优势。它的作用更多是提供一个平台，让投资者同时精确控制组合风险暴露、个股数量和权重、换手率、冲击成本等，同时还可以把投资者的主观信息融合同一个模型框架下来，包

国内量化发展已有十余年，各家机构投资者的Alpha因子库已有较大规模，这时面临的问题是，继续花时间和精力进行因子挖掘扩充因子库是否划算，还能带来多少增量收益。我们尝试将近年来兴起的机器学习算法应用到Alpha模型上，进行低频层面的因子挖掘，考察机器因子库相对人工因子库的增量

本文首先利用遗传规划算

研究结论

分析师盈利预测在海外和国内都存在明显乐观偏差，本报告将尝试用线性和非线性方法定量预测乐观偏差，并修正盈利预测以期获得更准确的预测结果

报告采用朝阳永续数据库，经筛选每年都有七、八万个样本数据，数据充足，适合机器学习模型使用；但随着最近几年新股数量的增多，研报对A股的覆盖率在下降，过去三

研究结论

股票的买卖压力不仅对价格在成交量维度上的分布有影响，而且对价格在时间维度的分布也有影响。买入压力比较大的股票在价格相对低位时会有主动买单推高价格，因而在价格相对低位的停留时间较短，卖出压力比较大的股票在价格相对高位时会有主动卖单压低价格，因而在价格相对高位的停留时间较短。

不同

主力合约是否为信号来源和交易的最佳选择

期货曲线中存在多个交易合约，我们普遍交易的是流动性最佳的主力合约。但国内大部分商品期货的主力合约为远月合约，其价格收敛特征可能并不明显，而大部分品种仅到期日意义上的近月合约流动性普遍较弱，价格可靠性不足。本文从流动性和价格敏感性出发重新梳理了各品种的“活跃近

今年收益率-全A模型(收益率为标签，全A选股)超额收益13.32%

今年收益率-全A模型(收益率为标签，全A选股，基准为中证500)超额收益为13.32%。今年以来双周频调仓的“遗传规划+随机森林”模型表现较好，换手率限制为60%的情况下，该模型上周超额收益为0.87%，最近一个月超额收益

投资要点

本篇是系统化资产配置系列报告的第三篇，对如何利用机器学习算法进行短期市场择时进行了系统介绍。

全球金融市场每天产生海量的各类数据，如何筛选并有效利用这些数据来预测股票市场走势一直是一个重要但棘手的问题。

短期择时面临的主要困难包括：

1.短期市场走势受情绪等

概览：朝阳永续盈利预测数据库介绍

从报告内容上来讲，一篇典型的个股深度报告至少应该包含盈利预测、分析师评级、目标价三个方面

尽管近几年来券商分析师及研究员的数量在不断走高，但分析师覆盖的公司从绝对数量和相对占比上都呈现出明显的下降趋势

困境：一致预期因子近年相继回撤

传统来讲

由于市场体制、投资者结构、投资者教育等多方面的原因A股市场投机性较强，既然不能改变A股投机的事实，我们不妨研究如何在投机市场中获利。我们将个股被投机的过程划分为4个周期，投机程度增强的周期一般伴随着股价的上涨，过度投机后投机程度减弱的周期一般伴随着股价的回落，因此，买入投机程度弱的股票卖出过度投机的

Smart Beta 产品近些年在海外市场规模增长迅速，它和主动量化、指数增强等alpha产品一样，收益来源于资产定价因子的风险溢价，不同之处在于获取因子暴露的方式，往往换手率较低。

我们把A股常用的指数增强策略用到了标普500指数上。用到的alpha因子中只有估值因子在标普500成分股内总体效果

未来盈利能力越强的企业，内在价值越高，但预期内的盈利能力已经反应在价格中，不能带来超额收益，相反，预期外的盈利能力才是盈利能力alpha的真实来源。

**Nissim和Penman(2001)从ROE出发，将净利润和股东权益完全拆分成经营活动部分和金融活动部分，提出了RNOA（净经营资产收益率）的

如果没有额外的信息或者大资金的强行介入、股票的日内交易特征应该处于较稳定状态，反之如果股票的日内价量特征很不稳定，那么该股票大概率有信息溢出或者被幕后大资金操控，而此时应该是考虑离场的时候了。

我们基于日内5分钟线计算了日内收益率的波动率、偏度、峰度和日内成交量的波动率、偏度、峰度和HHI指数共7

风险模型有三个功能：控制风险暴露、估计收益率协方差矩阵、绩效归因。不是所有功能都要用到风险因子，估计协方差矩阵可以采用纯统计方法，报告把这个领域最新学术成果和业界常用的因子模型在A股进行了实证对比

由于股票数量多，收益率样本数量少，样本协方差矩阵的估计误差比较大，导致其矩阵条件数（最大特征值除以最

量化策略回溯测试得到的“纸面收益”与实际交易“账面收益”最大差别在于交易成本控制，特别是对资金量大、换手率高的产品。在成交价格上加减一个固定比例的冲击成本的传统做法并不可行，它无法反应不同时点、不同股票、不同资金量造成冲击的差异。本报告基于A股主动买卖单数据，提供了一个可行的股票冲击成本模型，辅助投

这篇报告我们主要检验了Harvey(2016)文章中统计的从2002年以后显著且独立的技术类因子共16个。检验发现16个中的大多数因子在A股市场表现不佳，但其中分别是DOWNILLIQ，UPILLIQ，NCSKEW，DUVOL和IVmonthly这5个因子表现较好，rankIC的绝对值均大于0.05

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

分析师研报数据是相对独立的信息源，本报告基于朝阳永续的盈利预测、评级和目标价等研报明细数据，研究分析师预期相关的属性，一致预期加总方法以及相应的alpha因子，供投资者参考

由于分析师选择性发布报告等原因，分析师覆盖多的股票未来表现更好，但因子使用时需要做风险中性处理。分析师预期分歧比较大的公司更

对于大规模资金产品，30-50bp的冲击成本估算在某些市场环境下远远不够，我们上篇报告引入了Almgren(2005)的模型来估算冲击成本大小，并加入组合优化目标中，定量权衡组合alpha与冲击成本的利害关系

lmgren（2005）冲击模型采用的是幂函数非线性形式，导致数值求解组合优化问题耗时长

银行的金融资产占比较大，运营模式独特，股票价格和其他行业指数相关性低，通过全市场测试选出的alpha因子可能在银行股内并不适用，有必要单独建模。而且银行股在沪深300和上证50指数里权重极高，做好银行行业内选股对指数增强效果的提升十分明显

长期来看，EP2TTM、BPTTM、NPL 、NPC、CC

如果用因子打分分组后的多空组合收益衡量一个月收益反转因子的表现，我们发现反转因子在经历了2015年强势后，从2016.04开始衰弱，但多空组合收益整体保持为正，还未到失效阶段。不过如果把多空组合拆开，分别看多头组合和空头组合相对市场的超额收益，会发现空头组合一直持续跑输市场，而多头组合已经有一年时间

抽象出了动态情景Alpha模型（DCAM）的一般框架，DCAM是传统的静态模型的层次化叠加，当只有一个情景且该情景只有一个情景区间时DCAM退化为静态模型

衡量一个情景因子好坏的主要标准就是这个情景下不同区间的alpha模型的差异化程度，即该情景下不同区间股票预期收益的影响因素及其重要性是否差异明

风险模型的作用主要有三个：识别风险、估计股票收益率协方差矩阵和组合绩效分析。

如果只是估算协方差矩阵做组合优化，可以考虑用压缩估计量这样的统计方法。本报告提供的结构化因子模型，能在一套体系下实现三个功能，效果在理论上和实务上都比纯统计模型更佳

DFQ-2018风险模型包括29个行业风险因子（中信

尾部相关系数是指二维分布中尾部数据的相关系数。反映了两个资产在极端情况下同涨或同跌的可能性。尾部相关系数分为两种，上尾相关系数和下尾相关系数

我们基于copula方法来度量股票和市场之间的上下尾部相关系数，从结果看，上下尾部相关系数原始值和行业市值中性化后因子值在中证全指范围内均有着很强的选股效果