导语

人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。

理解机器学习算法

以StockRanker为例

机器学习算法太多，本文讨论只针对适用于金融数据

ROE是价值投资者考察上市公司盈利能力的一个重要指标，在美国市场上有效性很强，但在A股基本没有选股效果，造成“A股不看公司盈利”的印象。但如果ROE的分子换成一年后的未来盈利，ROE的选股能力将显著提高，说明历史ROE选股无效的原因主要在于其对公司未来盈利的预测作用太弱，准确的盈利预测可以为投资者带

风险模型主要实现三个功能：估算协方差矩阵、控制风险暴露和组合绩效归因分析。后两者需要用到结构化的因子风险模型（例如BARRA、Axioma）；估算协方差矩阵可以用结构化因子模型，也可以采用纯统计方法

结构化因子模型的最大好处在于降维，既可以降低参数估计误差，也可以降低协方差相关计算的复杂度，大幅提

内容提要

系列前期报告《高频数据应用系列研究（一）——使用高频数据跟踪核心资产的公募基金持仓变化》讨论了使用高频数据对于基金披露的持仓进行持续修正，并得到个股上公募基金持仓占比预期的方法。本文在前期研究的基础之上，探讨了公募基金持仓占比预期（后文简称公募持仓预期）在选股以及行业轮动策略中的应用

上周成长、盈利因子延续强势表现，多数风格因子表现不佳

上周成长、盈利因子在各类股票池表现较好，延续2020年初至今的强势表现。其余风格因子整体表现不佳。估值、财务质量、反转、波动率、beta因子在各类股票池出现回撤。小市值、换手率因子在沪深300成份股票池表现较好，在其余股票池出现回撤。技术因子在

本文回顾了组合优化的一般框架，讨论了组合优化中相关参数的意义和选择，包括交易成本惩罚与换手约束、风险惩罚系数与跟踪误差约束、权重上下限、风格因子暴露约束、股票数量约束，以及各约束之间的冲突等问

不同的风险水平对应着不同的预期收益，可以通过风险厌恶系数或者跟踪误差的调整实现不同的风险或收益水平，但是

本篇报告主要研究了研发营收比因子在各个行业内的效果，从单因子测试角度来看，研发营收比在高科技行业(医药、电子、通讯、计算机)都有一定的效果，但是在构建行业内增强组合后，发现因子在医药和计算机行业有比较明显的新alpha贡献，在另外两个行业内新增强组合与原组合表现基本不变

我们构建了中证500内和创

由于投资者对信息的反应具有滞后性，业绩公告超预期的股票后期有正向的异常收益，低于预期的股票后期有负向的异常收益，学界先后在全球不同市场均发现了盈利公告的价格漂移现象（PEAD）。

我们基于季节性随机游走模型预测的净利润和营业收入计算标准化的预期外净利润（SUE）和营业收入（SUR），用来度量业绩超

上篇报告我们提出的协方差矩阵谱分解近似方法可以兼顾统计模型的高效便捷和因子模型的组合优化提速，不过其中K值（保留的最大特征值数量）的设定比较偏经验，本报告通过数学推导给出了此方法近似误差上限的简洁表达式，并基于此动态调整K值，保证理论一致性，同时可以在不显著影响策略表现的条件下，实现组合优化过程的大

2016年，周期股崛起，市场风格发生明显切换，各类alpha因子的相对强弱态势也发生剧烈变化。我们认为周期股是否会持续强势有待讨论，但随着IPO增速、市场监管加强以及量化产品规模的扩张，传统偏小盘、偏技术的低资金容量alpha因子的效用会减弱，估值、盈利等基本面因子的作用会相对增强，市场日趋成熟。因

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

这篇报告主要从多个维度切入来研究业绩预告在传统的多因子框架下的应用。业绩预告比业绩快报和定期财务报告的公布时间更早，对推测上市公司业绩还是很重要的。从2012年开始，A股上市公司业绩预告的数量大幅的提升，且发布的预告的上市公司数量也达到了1500家左右，今年截至到6月底，已经有2600多家上市公司发

反转和市值因子的失效触发了国内对因子择时的研究需求。海外市场和A股类似，因子择时研究的兴起也是由2007.08的“量化危机”和2008年金融危机触发。危机后估值、动量和质量因子的效果明显下降。报告汇总讨论了AQR、BlackRock、GSAM等几家大机构有关因子择时的研究成果。有乐观者、有悲观者。但

价值投资不等于低估值投资，低估值股票可能是由于公司质地真的很烂，只考虑股票估值因素容易调入所谓的“估值陷阱”。所以价值投资一个必要过程是判断上市公司质地是否优良，再看公司质地是否配得上它的估值。我们这篇报告要解决的问题是如何用定量指标来衡量A股上市公司的质量优劣，验证一下A股是否真如一些市场偏见所言

投资要点

不可或缺的风险模型：协方差矩阵应用领域介绍组合的波动是度量组合风险的重要指标，而组合成分股收益率的协方差矩阵便是估计组合波动的重要工具。

股票收益率的协方差矩阵在组合绝对风险估计、组合相对风险控制、组合优化和因子组合构建以及多因子合成四个部分都有着十分广泛的应用。

协

研究结论

从2016年12月沪港通开通以来，北上资金大量流入A股，截至2020年2月3日，北上资金累计流入A股1.05万亿，对A股带来了各方面的影响，因此无论是北上资金对市场风格影响还是北上持仓和流入流出本身的信息都是值得重点研究的。

本文基于公开的北上资金持仓数据构建了12个持仓

摘要

Level2类选股因子存在进一步挖掘空间。随着业界对于选股因子研究的深入，许多类别的选股因子都得到了较好的挖掘。但在众多研究中对于基于Level 2行情数据的选股因子的相关研究却少之又少，很多前期研究都将注意力集中到了Level 2类指标的短期选股效果上而并未对于该类指标在中长期上

传统多因子模型采用月频调仓，但实盘中提高调仓频率会带来两个好处：一是减小技术类alpha因子的IC衰减、二是提高风控频率降低风险。随着2016年底开始的技术类因子失效，前者的作用减弱，但后者的作用仍在

固定月频的调仓模式忽略了月中组合的风险敞口变化，所以有必要在月中实施风险监控，提升组合的调仓频率

随着传统因子研究的深入，通过使用日级别数据已经很难发现能够在传统技术选股因子之外提供额外选股能力的因子了。考虑到传统因子多使用日级别数据刻画股票日间的形态特征，通过引入日内高频数据刻画股票日内的特征也许能够为模型带来新的信息以及Alpha。

这一观点也在本系列前一篇研究（《选股因子系列研究十八——

基金重仓超配个股特征。公募基金倾向于超配大市值、高估值的股票。从行业分布来看，基金倾向于超配医药、计算机、电子、食品饮料、国防军工等行业的个股，而低配机械、基础化工、交通运输等行业的个股。大部分重仓超配股票，在基金持有期均跑赢了市场大部分股票

基金重仓超配个股的收益具有一定延续性。即便获取基金持仓

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。

不同股票的价

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。

不同股票的价格不具有可比

本文主要研究了影响反转因子的表现的因素，包括市场状态和宏观因素，从结果上来看，MKTILLIQ（市场资金敏感性）、MKTTO（市场换手率）、MKTVOL（市场波动率）和BAS（Bid-Ask Spread）这4个市场状态指标能够显著的预测下个月反转因子多空组合的表现。综合来看，这4个指标越低的时候，

在系列前期报告中（《选股因子系列研究（十九）——高频因子之股票收益分布特征》），我们基于股票高频收益分布特征对于相关因子的选股效果进行了回测。

研究发现，股票高频偏度具有较好的选股效果，但是高频方差以及高频峰度并无显著的选股能力。考虑到股票日收益的波动率同样选股效果不佳，但将其拆分为系统波动以及特