目前平台提供新版的因子分析模块, 请移至bigalpha

7月30日Meetup 模板案例：

策略案例

https://bigquant.com/experimentshare/b83f6a9c950a43a595d41f1d911dcaca

\

因子构建

• 因子构建具体方法

\

选股模型

• 如何构建并使用筹码分布选股模型？

\

股票实盘

• 如何利用大盘数据择时？
• 如何避免股灾？

\

直播间PLUS会员专享优惠

谢豪老师专属邀请码：3a4vy6

使用此邀请码开通plus会员立减150元，赠送10000宽币

添加小Q再领取300元优惠券，二者可叠加使用哦～

打开微信扫描下方二维码添加小Q👇👇

![](/wiki/api/attachments.redirect?id=1186ea1f-8480-470b-

https://bigquant.com/experimentshare/887354a18288489e9bb5d65923da8e9b

\

问题

如何使用calmar比率进行标注？使用calmar比率作为另类标签，可以使ai训练获得提升吗？

视频

https://www.bilibili.com/video/BV1f3411N7v9?spm_id_from=333.999.0.0

策略源码

另类标签(calmar)选股模型

[https://bigquant.com/experimentshare/887354a18288489e9bb5d65923da8e9b

9月24日Meetup 模板案例：

策略案例

https://bigquant.com/experimentshare/51adf36b114f4563b853329db07b3595

\

https://bigquant.com/experimentshare/116fdc30e1944051ba43f73e74837776

\

用卷积网络处理序列数据

我们知道卷积神经网络(convnet)在计算机视觉问题上表现出色，原因在于它能够进行卷积运算，从局部输入图块中提取特征，并能够将表示模块化，同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异，同样也让它对序列处理特别有效。时间可以被看作一个空间维度，就像二维图像的高度或宽度。

对于某些序列处理问题，比如金融时间序列数据，这种一维卷积神经网络的效果可以媲美RNN[循环神经网络]，而且计算代价通常要小很多。最近，一维卷积神经网络[通常与空洞卷积核(dilated kernel)一起使用]已经在音频生成和机器翻译领域取得了巨大成功。除了这

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

摘要

本报告为多因子选股系列研究的第四篇，在对原模拟组合进一步分析的基础上构建了行业中性模拟组合，并提出了一种简单可行的指数增强策略，主要有以下贡献。本文的主要贡献：

1. 进一步分析了原模拟组合的行业偏离情况。行业偏离的大小很大程度上决定了组合的稳健性。因此，分析模拟组合的行业偏离情况是必要的补充。
2. 检测选股模型在各个行业上的效果，着重找出不适用的行业。尽管从模拟组合的总体结果来看，多因子选股模型取得了优异的表现，但这并不能保证模型是适用于所有行业的。找出不适用的行业，在后续研究中可以考虑针对它们构建行业内选股模型。
3. 选出看多组合的同时，对看空组合进行了同样深入

\

摘要

“基底”价格形态下的CANSLIM模型基本逻辑A股实证研究。本报告借鉴美国著名投资学家欧奈尔的“基底”理论和CANSLIM模型理论，结合A股市场现状，推出了适用于当前A股市场的申万A股欧奈尔CANSLIM选股模型。申万A股欧奈尔CANSLIM选股模型的基本思路为：找出“基底”价格形态的股票和买点；依据欧奈尔CANSLIM模型同时考虑基本面因子和技术面因子，实现价格形态，基本面和技术面三者的共振。

“基底”价格形态、基本面因子、技术面因子和市场走势。本报告采用一些规则刻画“基底”价格形态（含“杯柄形态”、“双重底”、“蝶形”等）的共性；基本面因子关注净利润增长、营业收入增长率和投资

摘要

彼得林奇选股模型在A股验证。本报告借鉴美国著名基金经理彼得林奇的选股思路，结合A股市场现状，推出了适用于当前A股市场的彼得林奇选股模型，彼得林奇选股的基本思路为：寻找高彼得林奇成长因子(调节PEG的倒数)的公司，再对六大类型的公司使用相对应的选股条件进行筛选。

彼得林奇公司分类方法介绍。彼得林奇认为六大类型公司可以涵盖投资者的全部需求，这六大类型公司分别为缓慢增长型公司，稳定增长型公司，快速增长型公司，周期型公司，困境反转型公司及资产富余型公司。根据彼得林奇对六大类型公司的定义，并结合A股市场特征，我们设计了彼得林奇六大类型公司的分类标准，并对分类结果进行验证。 申万彼得林奇选

研究结论

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果。

机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用不同的模型。我们测试了LASSO、SVM、增强型决策树、随机森林等几种常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、过拟合概率低，同时还具有非常强的样本外预测能力。机器选股模型省

摘要

本文对周频AlphaNet测试多种组合优化方案，课可匹配多种风险收益目标

近年来，中高频调仓的量价选股模型日益受到投资者关注，针对该类模型的风险模型和组合优化是一个值得研究的主题。本文基于量价数据构建的ALphaNet为收益模型，对其进行业绩归因、风险模型构建和组合优化。

行业对周频AlphaNet模型的业绩归因分析：alpha收益显著

本文总结了不同预测期限下的多因子风险模型构建方法

本文构建的周频多因子风险模型可以实现对组合风险准确稳定的预测

正文

[/wiki/static/upload/7a/7acdc66b-3366-4

摘要

近年来由于PB-ROE选股模型较好的投资效果，引起了A股市场投资者较多关注。但市场对模型的关注大多集中在选股方法上，对PB-ROE模型的理论基础及其适用性的讨论较少。

Wilcox(1984)将PB-ROE体系视为估值模型，严格论证了两个指标之间的数学关系。本文中我们回顾了Wilcox的主要观点，并对PB-ROE体系的内涵和推导过程做了更为清晰的分析；同时我们也讨论了模型在A股市场上的适用性，并回溯了基于预期差方法的股票组合走势。

根据PB-ROE模型公式，理论上PB与预期ROE是正向变化关系，Ln(PB)与预期ROE是线性关系，预期ROE越高的股票，投资者会给它更高的PB估值

摘要

利用 CART 决策树选股 机器学习在金融领域有着非常广泛的应用，本文将 CART 决策树算法应用于选股模型之中。决策树模型相比于传统的线性模型或者判别分析其优势在于能解释模型中的非线性关系以及变量之间相互依赖的现象。本文以罗素 1000 指数中科技板块的选股为例，作者展示了 CART 决策树模型在于截面选股中的应用，动态 CART 决策树模型相比于简单的指标筛选方式表现出更高的多空收益以及夏普比率。

正文

[/wiki/static/upload/95/952a052e-e01e-4ae1-b7cf-b88620b96095.pdf](/wiki/static/uploa

研究报告

本报告在采用更合理的中泰行业划分和剔除微型股（主要受壳价值驱动）之后，从估值、盈利、成长、技术和一致预期五大类因子构建行业内选股模型，取得了稳健样本内和样本外（16年至18年2月）的回测结果。从行业内选股因子的效果来看，2017年仅部分技术类因子失效，其他类因子效果并没有发生颠覆性变化。

量化行业内选股理论分析

相对全市场的量化选股模型，行业内选股可以避免了行业间固有差异的影响，提升因子的可比性，而各行业可能存在独特的数据源能贡献新的alpha。尽管行业内样本数的不足造成统计意义的下降以及消除行业偏离后造成整体有所下降，但我们可以通过基本面逻辑和行业配置模型来补充。

摘要

线性多因子体系是量化选股的基石，传统的Fama三因素模型，以及后来提出的五因素模型均是在多元线性回归的框架下去探讨因子在选股层面的有效性。当选定的线性模型存在比较严重的多重共线性时，由此构建的选股模型将变得极不稳定。因此，在多元线性框架下进行研究时，多重共线性是我们必须要考量并想办法解决的重要问题！

惩罚性线性回归通过引入对系数的惩罚，进而降低或消除一些自变量对回归方程的影响，从而达到控制模型多重共线性的目的。我们以惩罚线性回归模型Lasso、Adaptive Lsso、ElasticNet为核心对因子进行筛选，并构建复合选股因子。结果显示三种方法均表现出了较强的选股能力，但多

摘要

选股模型的时效性

信息具有时效性。选股因子对股票收益率的预测能力会随着时间的延后而衰减。机器学习股票收益预测模型的目标是将股票因子与股票未来收益率关联起来。股票因子蕴含的信息决定了模型的预测能力，包括预测准确度和预测窗口长度。如果机器学习模型所用的股票因子中包含的是市场短期情绪面的信息，那么训练出来的机器学习模型可能对市场短期走势的预测能力较强；如果机器学习模型所用的因子包含的是市场中长期的价格扭曲信息，那么训练出来的机器学习模型可能对市场中长期的预测能力较强。

模型构建

本报告按照因子在不同预测窗口长度的IC将选股因子分成不同的组别，并针对不同的股票收益预

摘要

本报告为多因子选股系列研究的第四篇，在对原模拟组合进一步分析的基础上构建了行业中性模拟组合，并提出了一种简单可行的指数增强策略，主要有以下贡献。本文的主要贡献：

1. 进一步分析了原模拟组合的行业偏离情况。行业偏离的大小很大程度上决定了组合的稳健性。因此，分析模拟组合的行业偏离情况是必要的补充。
2. 检测选股模型在各个行业上的效果，着重找出不适用的行业。尽管从模拟组合的总体结果来看，多因子选股模型取得了优异的表现，但这并不能保证模型是适用于所有行业的。找出不适用的行业，在后续研究中可以考虑针对它们构建行业内选股模型。
3. 选出看多组合的同时，对看空组合进行了同样深入

摘要

本报告在因子分析与筛选的基础上，选取了有效且稳健的因子并赋予合理权重，构建了多因子综合打分选股模型，结果表明模型取得了出色的效果，并具有较高的稳健性和实用性。

本文的创新之处

1. 分不同股票池选股。我们分别在6个股票池中选取各自有效的因子，并赋予合理权重，建立了多因子综合打分的选股模型。并比较了直接选股与分周期、非周期选股再组合的效果。
2. 按有效性分层赋权。先对五大类因子赋予5个大类权重。然后在每个大类里，按因子有效性的高低分配，设置每个因子的类内权重。分层赋权能使赋权的结果更加客观和合理。
3. 模拟组合等比例配置，以等权指数为比较基准。本报告中的模拟组合都是

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果

机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用不同的模型。我们测试了LASSO、SVM、增强型决策树、随机森林等几种常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、过拟合概率低，同时还具有非常强的样本外预测能力

机器选股模型省去了“因子筛选”、“因子加权

导语

本文将介绍LSTM模型的原理与构建其选股模型的流程

LSTM简介

循环神经网络（RNN）

传统的神经网络是基于所有时刻的输入和输出间相互独立的假设来生成已学习数据的静态模型，并根据新接受的数据进行运算。但在很多情景中，如语音识别中预测当前的单词的含义，需要知道之前的输出结合上文语境做出判断，循环神经网络（Recurrent Neural Networks，简称 RNN）可以用于解决这类问题。 循环神经网络也被称为递归神经网络是受到人类对于近期事件会有所保留的背景而启发，循环神经网络会随着数据的输入生成动态模型。 理论上，RNN可以支持无限长的时间序列，然