《因子选股系列研究之五》:剔除行业、风格因素后的大类因子检验-东方证券-20160216
A股呈现明显的市值效应和行业效应,不少选股因子的alpha也大部分来源于此。如果采用因子的原始数据和股票收益率做相关性检验,选出的股票会明显受到市场风格因素的影响,我们有必要从因子原始数据中剥离这些因素,检验因子是否能贡献行业、风格因素之外的alpha,本报告用新的方法对估值、成长、技术、风险四类因
由Unknown创建,最终由bqadm更新于
A股呈现明显的市值效应和行业效应,不少选股因子的alpha也大部分来源于此。如果采用因子的原始数据和股票收益率做相关性检验,选出的股票会明显受到市场风格因素的影响,我们有必要从因子原始数据中剥离这些因素,检验因子是否能贡献行业、风格因素之外的alpha,本报告用新的方法对估值、成长、技术、风险四类因
由Unknown创建,最终由bqadm更新于
配臵观点
上周国内方面A股继续放量上行,自6月30日起低估值板块补涨导致的价值和成长风格强烈切换后,上周风格趋于均衡;周五在监管趋严信号和减持的影响下,大金融板块带领市场回调,但PPI底部回升、PMI超预期等经济数据反映复苏的确定性增强,加上北向资金加码和公募基金建仓持带来的增量资金持续进
由Unknown创建,最终由bqadm更新于
外资持股偏好与公募基金抱团近年来,随着资本市场的逐步开放,A股市场机构投资者占比不断提升,机构资金的话语权和定价权也越来越高,“价值投资”概念越来越受关注。
从北上资金持股及公募基金重仓股组合的风格因子暴露来看,机构资金更偏向于大市值、高动量、高估值的股票,且其在基本面因子上的暴露程度普遍更高。
由Unknown创建,最终由bqadm更新于
由think创建,最终由bqadm更新于
给友友们推荐下金十开放平台open.jin10.com
海量财经数据可进行回测、也可嵌入你的量化交易系统~~
1、资质
2022年1月,金十数据获得中央网信办首批颁发的金融信息服务备案(首批全国只发了20家),在广州是独一家。[金融信息服务报备系统 (ifcert.cn)]
由bqlgcny1创建,最终由bqadm更新于
去年底至今,得益于南下资金的注入,以及经济复苏的预期,恒生综指涨幅已超过10%,低估值、高股息的优质港股吸引了全球投资者前来配臵,随着沪港通、深港通的相继开放,港股与A股的关系日益紧密,两地投资者可以更加便捷地投资对方的股市,研究因子选股模型在港股的应用能产生直接的投资收益
我们分别在恒生综指和港
由Unknown创建,最终由bqadm更新于
近1年多来,我国被动产品的规模大幅扩张,份额在偏股类产品中的占比已增长至38%。有意思的是,同时期,以指数增强为代表的alpha策略,表现却不尽如人意。那么,两者之间是否存在一定关联呢?本文从被动产品规模已占据半壁江山的美国市场出发,再回到正在成长期的中国被动产品,尝试探讨这一问题。
美国被动产品
由Unknown创建,最终由bqadm更新于
投资要点:
本文主要针对朝阳永续、WIND两家数据供应商的分析师预测数据进行分析,比对数据源、加工一致预期数据的质量以及选股的有效性。
从数据源上来看,朝阳永续收纳的分析师报告篇数多于WIND,但两者之间的差距在逐步缩小,目前这个差异已经很小;从两个数据商覆盖的股票比例来看,朝阳永续覆盖比例始终
由darkparallel创建,最终由darkparallel更新于
上周波动率因子表现出色,其余价量因子整体表现较好
上周波动率因子表现出色,在沪深300成份股票池的RankIC值超过10%,在中证500、中证1000成份股、全A股票池的RankIC值在20%左右。估值、反转、换手率、beta因子表现接近,在沪深300成份股票池表现平淡,在其余股票池表现较好。成长
由Unknown创建,最终由Unknown更新于
因子投资周报旨在根据主观参与程度高低,为投资者提供不同主被动等级的因子投资解决方案及产品建议,以满足投资者对于因子投资的不同需求。周报按照主被动程度从高到低分为以下五个部分:因子择时建议,量化投资组合,Smart Beta量化配置方案,多因子复合指数,单因子指数。
风险模型因子收益统计:本周最为强
由Unknown创建,最终由Unknown更新于
基本面:疫情防控措施对国内经济的冲击已经体现且逐渐减弱
定义上市公司景气度为业绩预告中“预增”、“续盈”、“略增”和“扭亏”的整体占比,反映上市公司中业绩好转的比例;景气向上的公司占比自2017Q4持续下降到2019Q3,2019Q4景气度有所回升。周期定位方面,当前处于库存周期底部反转、
由Unknown创建,最终由Unknown更新于
上周各类型基金指数小幅震荡,推荐成长板块和周期板块基金
截至2020年4月3日,基金市场共有6309只基金产品,其中混合型基金数量最多,货币型基金规模最大。上周(2020.03.30-2020.04.03)QDII基金表现最佳,涨幅0.42%。混合型、目标日期型、目标风险型三类FOF基金上
由Unknown创建,最终由Unknown更新于
调整加仓是当下主旋律。本周市场出现大幅调整,上证综指、上证50、沪深300及创业板的调整也都基本接近300点。当下我们认为,市场未来调整的幅度已经非常有限,但时间上略显不充分。我们上周曾经指出,有两种调整形式供投资者参考:一种是快调,调整时间一般在一周左右,这意味着市场未来是以空间换时间,市场接下来
由Unknown创建,最终由Unknown更新于
抱团消费触发防御性反弹,持续时间有限。4月季报公布压力测试下,市场抱团医药、消费进行防御性配置,低估值个股短期有反弹行情,但下行趋势未变,时间不会超过2周,空间对应上证综指不会超过100点。
交易源于流动性需求,配置型资金持续流入。信息交易程度指标近两周持续下行,主力资金也处于观望状态,市场目前交
由Unknown创建,最终由Unknown更新于
斥资21亿元收购科技金融服务公司。
由Unknown创建,最终由Unknown更新于
投资要点
西学东渐,是指从明朝末年到近代,西方学术思想向中国传播的历史过程。西学东渐不仅推动了中国在科学技术和思想文化方面的发展,也有力地促进了社会与政治的大变革。在今天,西学东渐仍有其重要的现实意义。作为A股市场上以量化投资为研究方向的卖方金融工程团队,在平日的工作中,常常
由bigquant创建,最终由bigquant更新于
xgboost模型模仿人类思考进行“补充式”学习模式
xgboost模型是一种强学习模型,其是由众多弱学习模型集成,其采用弱学习模型为CART,即分类与回归树。该模型重在拟合特征和标签间的非线性关系。组成该模型的众多弱学习器之间的关系是补充弥补的关系,弱学习器的训练有先后,每个新的弱学习器
由Unknown创建,最终由Unknown更新于
今年双周频调仓的GP_RF(“遗传规划+随机森林”模型)超额收益4.42%
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0.44%,最近一个月超额收益为2.82%,今年以来超额收益为4.42%。对于月频调仓的“遗传规划+随机森林”
由Unknown创建,最终由Unknown更新于
本周市场小幅震荡,上证指数在回补缺口后出现震荡冲高,以小盘风格代表的中小板指表现相对强势。上周领跌的中小板指在本周呈现相对较大反弹,上周领涨的上证50在本周延续相对强势。行业主题,农林牧渔板块成为本周热点,此外上周强势的食品饮料本周延续强势。本周跌幅较大的为通信,而上周跌幅最大的电子等在本周呈现反弹
由Unknown创建,最终由Unknown更新于
在系列前期报告中,我们从不同角度探寻了分钟成交数据、TICK盘口委托数据以及逐笔数据中所包含的选股能力。研究结果表明,高频数据中包含着较为显著的选股能力。即使在剔除了常规低频因子的影响后,高频因子依旧具有显著的选股能力。考虑到系列前期报告在研究构建高频因子时,大多仅使用某一类高频数据进行因子构建,并
由Unknown创建,最终由Unknown更新于
投资要点
近1年多来,我国被动产品的规模大幅扩张,份额在偏股类产品中的占比已增长至38%。有意思的是,同时期,以指数增强为代表的alpha策略,表现却不尽如人意。那么,两者之间是否存在一定关联呢?本文从被动产品规模已占据半壁江山的美国市场出发,再回到正在成长期的中国被动产品,尝试探讨这一问题
美
由chen_keke创建,最终由chen_keke更新于
大小盘轮动效应明显,把握轮动节奏能有效提升策略收益
2010年6月以来,以沪深300为代理变量的大盘指数和以创业板指为代理变量的小盘指数的相对强弱关系发生了多次切换,在过去十年时间,大盘占优、小盘占优、大小盘均衡三种状态之间发生了多次来回切换。假如能够完美捕捉每月大小盘相对强弱变化,在完美
由auak创建,最终由auak更新于
报告要点不同频率级别信息含量不同一般而言,频率越高数据信息含量越高,主要体现在两方面:切片数据细化带来量价波动的信息含量提升;逐步分解的盘面数据对于交易行为辨识度的提高。
区分积极买入与保守买入,构建买入情绪因子积极买入,投资者所下订单主动与盘口卖盘挂单成交;保守买入,投资者所下限价订单挂单等待
由Unknown创建,最终由Unknown更新于
核心观点
目的
多因子模型体系包括alpha模型、风险模型、成本控制模型、组合优化模型。组合优化模型是最终将前三个模型整合为一体,得到最优结果。本期报告的主要目的是对组合优化模型进行详细的探讨,对不同的限制条件影响组合表现的规律性进行一定程度的揭示
lamda系数
lamda系数对组合表现的
由kyrie_fu创建,最终由kyrie_fu更新于
报告摘要:
机器学习是订单簿动态建模的前沿方法订单簿的动态建模,主要有两种方法,一种是经典的计量经济学方法,另一种是前沿的机器学习方法。机器学习通过对己知数据的学习,找到数据内在的相互依赖关系,从而对未知数据进行预测和判断,最终使得机器具有良好的推广能力。支持向量机(SVM,Support Vec
由hongyan290101创建,最终由hongyan290101更新于