多因子选股模型涉及将多个指标（或“因子”）组合起来，用以评估股票的潜在回报与风险。这些因子通常包括但不限于价值、动量、规模、质量、波动性和股息收益等。接下来，将详细解释一些常见的多因子模型指标公式，并用数据示例来说明它们如何工作。

价值因子

价值因子通常通过比较股票的市场价格与其基本面价值来评估股票是否被低估。常用的指标包括市盈率（P/E）、市净率（P/B）、企业价值对EBITD

多因子选股模型是一个在全球金融领域广泛应用的投资策略，它基于多个因子来评估和选择股票。这种模型试图通过组合不同的投资因子，比如价值、成长、市场情绪、质量、动量等，来提高投资组合的回报率并降低风险。

基本概念

多因子选股模型通过综合考虑多个影响股票表现的因子来构建投资组合。这些因子是基于历史数据和金融理论研究得出的，能够从不同角度反映股票的潜在价值和风险。例如，价值因子可能基于公司的

https://bigquant.com/experimentshare/c2cf252d64b7408a8071f4d78f52a5ea

\

更新

本文为旧版实现，仅供学习参考。

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

本文来自方正证券研究所于2022年4月12日发布的报告《成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005。

摘要

在股票市场中，成交量的边际变化隐含着非常重要的信息，特别是在技术分析领域，成交量被认为是股票市场的原动力。俗语“量在价先”深刻的反

旧版声明

本文为旧版实现，仅供学习参考。

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

预计算因子表[数据平台] https://bigquant.com/data/datasources/cn_stock_prefactors

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

[ht

https://bigquant.com/experimentshare/7f8b8876e5ae4b98aec2130aa2da259b

第一种选了因子自定义模块，报错如上。

[https://bigquant.com/experimentshare/40bcd9dbc30849229b7ee4b6de3136fd](https://bigquant.com/experimentshare/40bcd9dbc30849229b7ee4b6de3

摘要

基本面投资逻辑日益受到量化组合投资者的重视，本篇报告重点关注各类基本面因子对不同风格股票预测能力的差异及其在策略构建中的应用。

研究表明，基于市值域划分、盈利域划分以及波动域划分的状态下，各类基本面因子对不同风格域内的股票收益预测能力存在显著差异，相应的因子权重应有所区分。

阿尔法模型构建过程中，我们分别考虑了最优因子权重、个股因子权重匹配、预期收益整合等细节内容，目的是使得因子组合更有效的适应不同风格的市场环境变化，提高模型预测精度。

基于风格域划分下的基本面多因子策略自 2013 年至 2018 年 6 月，实现年化超额收益 18%，信息比率 2.81。相比于未分域的基

摘要

策略研究背景

2015年第二季度行业投资策略

阿尔法对冲策略收益率不大yu盘风格轮动收益率高度相关。

在2014年12月的市场行情中，普遍遭遇了较大回撤。策略研究目标：

通过风险模型定量的分解股票收益来源，进而实现组合波动率的预测。

构建股票组合，使组合尽量暴露在阿尔法因子下，同时剔除其余丌稳定的风格因素的干扰。

通过优化方法，构建现金中性、行业中性、风格中性的最优投资组合，获取稳健超额收益。

策略研发思路

构建结构化风险模型对股票组合的收益率和波动率进行量化预测。

行业因子：A股30个行业分类

风格因子：9大类因子Beta、Momentum、

摘要

量化投资与多因子选股

量化投资的本质是借用计算机将传统投资的逻辑定量化，并具有纪律性、程序化等优势。量化投资主要分为两个大方向，选股以及择时，分别决定了买卖的标的与时点，而量化选股则又包括了多因子选股、行业轮动、事件驱动等策略。量化策略的前提假设是历史会重复，而多因子选股则提炼出那些能够长期具备择股能力的因素，并加以整合。 多因子模型从历史数据分析，挑选出能够长期有效甄别出未来高收益股票的因子，并构建模型。在多因子选股时，股票的规模、估值、盈利水平、成长能力、过去的市场表现等等都将体现在量化模型中进行综合的判断。在不同的市场环境中，模型中的因子会有不同的表现，但整体提供

本文来自方正证券研究所于2022年5月8日发布的报告《个股成交量的潮汐变化及“潮汐”因子构建——多因子选股系列研究之二》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005。

摘要

在股票市场中，成交量的边际变化隐含着非常重要的信息。特别是在技术分析领域，成交量被认为是股票市场的原动力。俗语“量在价先”深刻的反应了成交量的变化对于股票价格波动的预测具有指示性作用。

对于个股而言，每个交易日的240分钟里，有的时候成交量高，有的时候成交量低。成交量高的时刻宛如大海的高潮，个股交投活跃，股票价格波动也相对较大，成交量低的时刻则犹如大海的低潮，交易较为清淡。股票

本文来自方正证券研究所于2022年5月30日发布的报告《个股波动率的变动及“勇攀高峰”因子构建——多因子选股系列研究之三》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005。

摘要

在股票市场中，波动率是最受关注的市场变量之一，波动率不仅自身对股票收益率有较大影响，而且对于市场其他驱动因子也存在较强的影响。个股波动率的增大，既有可能预示着风险的加剧，也可能是股价飙升的前兆，而分辨波动率提升是喜是忧的关键在于，波动率加剧的同时收益率有没有随之提高。

本文中我们将参考学术界的做法，使用收益波动比这一指标，来对收益率随波动率的变化程度加以衡量。通过考察

本文来自方正证券研究所于2023年2月15日发布的报告《个股成交额的市场跟随性与“水中行舟”因子——多因子选股系列研究之九》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005，联系人：陈宗伟。

摘要

个股的成交额跟随市场的趋势，是否预示着个股未来的收益率会相对较高呢？本文中我们分两种情况进行了讨论。

其一，当个股股价处于相对高位时，其成交额与其他股票成交额之间的关联性越高越好。当个股股价处于相对高位时，如果其成交额更多是由市场趋势带动的，而非个股独立交易影响，则表明此时投资者对该股票价格的看法仍然较为一致，没有出现较大分歧，因此其上涨趋势可能还没

本文来自方正证券研究所于2022年8月4日发布的报告《波动率的波动率与投资者模糊性厌恶——多因子选股系列研究之五》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005。

摘要

波动率是股票市场最常用的风险度量指标之一，同时波动率因子对于其他驱动因子特别是量价类因子存在较为明显的影响。而波动率本身也存在明显波动，Kostopoulos等(2021)提到使用波动率的波动率来刻画波动率的模糊性。研究发现投资者普遍是波动率的模糊性（以下简称模糊性）的厌恶者，当模糊性较大时，投资者会急于卖出股票，减少在风险资产上的配置。

本文我们通过三种方式衡量模糊性较大时

本文来自方正证券研究所于2022年4月12日发布的报告《成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005。

摘要

在股票市场中，成交量的边际变化隐含着非常重要的信息，特别是在技术分析领域，成交量被认为是股票市场的原动力。俗语“量在价先”深刻的反应了成交量的变化对于股票价格波动的预测具有指示性作用。本文中我们将尝试从成交量的边际变动出发，挖掘其对股票收益的潜在影响。

我们以利好信息为例，当一个利好信息公布后，可能会引起相应个股成交量的突然放大。如果在成交量激增的同时，价格却未发生变动，或者未能

摘要

游凛峰先生，21年证券从业经历，多年海外投研经验，2009年加入工银瑞信基金，目前负责公司量化投资。深耕基本面量化投资多年，通过主动选行业+多因子量化选股，探索具有潜力的细分行业中的优质股票，注重自由现金流和盈利质量的匹配程度，实现“盈利稳定+最大化”。目前整体偏均衡成长风格，偏好配置持续高增长的行业，获取行业配置收益；个股盈利质量高，自由现金流等指标表现较优，长期业绩表现优秀。

基金经理：游凛峰先生，21年证券从业经历，2009年加入工银瑞信基金，目前负责公司量化投资，在管基金共7只，总管理规模约33.5亿元。海外投研经验丰富，深耕基本面量化投资多年，历史业绩表现优秀。

!

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

研究结论

多因子选股模型的整个投资流程包括alpha模型的构建，风险模型的构建，交易成本模型的构建，投资组合优化过程以及组合业绩的归因分析。从国内市场上已公开的量化模型看，采取的大多是打分法选股或者行业、市值分层构建组合，这种组合构建方式缺乏对风险和alpha的精确控制，最终组合可能偏离预定的投资目标。

多因子结构化风险模型(如Barra, Axioma)目前仍然是市场上的主流风险模型。股票收益率的样本协方差矩阵面临的主要问题是：在股票数量N超过时间样本区间T时，协方差矩阵不可逆，并且包含着较大的估计误差，这些都会严重影响到投资组合优化，使得优化器给出错误的权重分配。

根

报告摘要

IC系数(InformationCoefficient)在测试单因子有效性方面扮演着举足轻重的作用在传统的多因子选股模型当中，IC系数在测试单因子有效性方面扮演着举足轻重的作用，它用来评判一个因子区别股票优劣的能力以及决定最终该因子在构建alpha组合时分配的权重。有关IC系数及其衍生指标有很多，最常见的有两种，即：PearsonIC和SpearmanrankIC。

传统多因子模型中的IC系数测算结果与组合构建之间的衔接不够紧密传统多因子模型中的IC系数测算结果与组合构建之间的衔接不够紧密。一般的逻辑认为如果因子IC系数越大，那么用因子值排名靠前的股票构成的组合在未来预期超额

报告摘要

基于CSCV框架计算三组量化研究案例的回测过拟合概率

本文基于组合对称交叉验证（CSCV）框架，以三组量化研究为案例展示回测过拟合概率（PBO）的计算流程，发现两组多因子选股模型的PBO较低，择时模型的PBO较高。案例1为7种机器学习模型的多因子选股策略，指数增强组合PBO大多在15%~50%，“XGBoost表现最佳”的结论大概率不是回测过拟合。案例2为6种交叉验证方法的多因子选股策略，多空组合PBO在20%~50%，“分组时序交叉验证表现最佳”的结论大概率不是回测过拟合。案例3为双均线50ETF择时策略，PBO在50%~90%，“参数组合[11,30]和

摘要

基于CSCV框架计算三组量化研究案例的回测过拟合概率

本文基于组合对称交叉验证（CSCV）框架，以三组量化研究为案例展示回测过拟合概率（PBO）的计算流程，发现两组多因子选股模型的PBO较低，择时模型的PBO较高。案例1为7种机器学习模型的多因子选股策略，指数增强组合PBO大多在15%~50%，“XGBoost表现最佳”的结论大概率不是回测过拟合。案例2为6种交叉验证方法的多因子选股策略，多空组合PBO在20%~50%，“分组时序交叉验证表现最佳”的结论大概率不是回测过拟合。案例3为双均线50ETF择时策略，PBO在50%~90%，“参数组合[11,30]和\

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