因子模型

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/57ue5zci5lyy5yyw5qac6lw-LvaK2l8nla

[https://bigquant.com/experimentshare/a65ee754dc984929afffd7614437348c](https://bigquant.com/experimentshare/a65ee754dc9

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

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

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

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

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

\

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

导语

本文介绍了因子模型、对冲以及Beta的相关内容，并针对如何进行市场风险对冲给出了具体的案例。

因子模型

因子模型是通过其他若干项资产回报的线性组合来解释一项资产回报的一种方式，因子模型的一般形式是：

这看起来很熟悉，因为它正是多元线性回归模型。

什么是beta?

一项资产的beta是该资产收益率与其他资产收益率通过上述模型回归拟合的beta。比如，我们用回归模型

摘要

两年前，因子动物园推送第一篇推文，正式同您认识。两年来，我们也一直在思考，因子与因子模型可以做些什么，以为我们提供更多的洞见。本文将结合近年的新研究，和我们的理解，对此进行探讨。

传统上，因子和因子模型都是以预测股票未来收益（和风险）为目的。无论从学术研究（资产定价）还是投资实践来看，这都是非常自然的事情。由此自然地构建起了一套以各种公司特征为基础的因子（定价因子和异象），以及包含不同因子的因子定价模型（往往只包含较少数量的因子，以保证模型的简约性）。关于这些经典问题，可以参考任意一本关于实证资产定价的书，以及我们 BetaPlus 小组的拙作——《因子投资：方法与实践》。

https://bigquant.com/experimentshare/d10e7682969747bbb8c297180a844c7b

\

视频讲解

https://www.bilibili.com/video/BV1ZG41187mJ?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086

知识库链接

专利因子在量化选股中的运用

策略源

\

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

策略案例

https://bigquant.com/experimentshare/0b04060b41be4c89b38adc02d2bd73a4

\

Q1-@james:有什么另类的标注可以推荐下？

https://bigquant.com/wiki/doc/-0kcMgSnQXw

https://bigquant.com/wiki/doc/rengongzhineng-xilie-ershijiu-shouyi-linglei-biaoqian-zhengquan-fuben-xRMNFmmg00

这是旧版的例子, 只能在2.0.0的Aistudio中运行

策略案例

https://bigquant.com/experimentshare/54fe864132a7447894540d70cd2e36e5

\

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

众所周知，Barra因子分析是目前行业内外最常用的因子分析体系。

然而在做Barra体系分析的时候常用的一个方式就是行业或市值中性化，今天主要用最易懂的语言介绍一下什么是barra因子分析体系，以及什么是因子中性化。在这里我会避开繁琐的数学公式，尽量深入浅出的让

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

策略案例

https://bigquant.com/experimentshare/72d5601550164505aad979f7265f8fec

\

https://bigquant.com/experimentshare/3e9b0e7623284f01b7e206d1a3df4b92

\

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\

策略案例

https://bigquant.com/experimentshare/8c890f23a63b46999191a95967575b5c

\

报告摘要

主要观点

本篇是“学海拾珠”系列第七十六篇，本期推荐的海外文献开发了一种运用主成分分析法（PCA）从股票收益中提取公共定价因子的方法，使用该方法，作者得到了三个定价因子，它们相比当前使用的主流因子模型在横截面收益解释程度方面表现更好。回到A股市场，基于主成分分析法的因子模型有助于更深入了解股票特征因子在横截面中定价中的联动效应，将具有超额收益的因子分离出来。

• 构建一种在股票收益中分离公共定价因子的方法

模型分为两步构建：第一步，对多个可以预测未来股票收益的特征变量（如公司规模，账面市值比，动量等）进行Fama MacB

报告摘要

主要观点

本篇是“学海拾珠”系列第七十篇，本期推荐的海外文献研究了双重调整法下的基金业绩评价，传统基金业绩评价往往使用因子模型来计算风险调整后的alpha，或使用基于持仓特征的方法来计算基准组合收益后进行风险调整，但最新的资产定价文献发现，两种方法可能都不完整，虽然基金的因子载荷和持仓特征是相关的，但相关性并不高，表明因子载荷和持仓特征并没有传达完全相同的信息。在控制风险因子暴露后，持仓特征依然可以解释共同基金的横截面alpha，因此，作者提出了基于双重调整法的基金业绩评价。回到国内基金市场，我们可以运用类似的方法计算双重调整

摘要

本周各因子波动较小，总体呈现小量回撤趋势。其中流动性因子、动量因子表现相对较好，收益分别为-1.00%和0.17%；量价因子以及成长因子收益表现较差，分别为-1.24%和-3.15%。

量化模型统计显示，本周动动量因子优选股票主要集中行业为电子信息、房地产以及化工行业；盈利因子优选股票主要集中行业为金融行业和能源行业；量价因子优选股票主要集中行业为电子器件、电子信息；成长因子优选股票主要集中行业为酿酒行业；流动性因子优选股票主要集中行业为金融以及电力行业。

统计数据显示，流动性因子采用风险中性权重搭配生成的投资组合Beta值最高；量价因子采用风险中性权重搭配生成的投资组合Be