StockRanker多因子选股策略

https://bigquant.com/experimentshare/1b8882bded4c4127a6c6edc792af662d

\

使用dai进行数据导入的版本:

https://bigquant.com/wiki/doc/%5Fnew-h9g0emXqk3

导语

本文介绍了如何计算因子风险暴露的内容。

判断风险暴露的建模是否合理

通常，此分析是基于历史数据，而对历史风险暴露的估计可能会影响未来的风险暴露。 因此，计算因子风险暴露是不够的。 你必须对风险暴露保持信心，并明白对风险暴露的建模是否合理。

##运用多因子模型计算因子风险暴露 我们可以运用多因子模型分析一个组合中风险和收益的来源，多因子

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

导语

在 反转因子的精细结构-研报复现 中，我们实现了反转因子，并结合StockRanker实现了一个简单的策略。本文展示如何再结合更多因子，一起训练和构建策略。

模块解释

• m11：输入我们要引入的其他因子
• m5：抽取基础因子
• m11：抽取衍生因子
• m12：合并反转因子数据和其他因子数据

查看模型特征权重

帮助我们更好的理解特征贡献度。数值越大的，表示因子

导语

本文对华泰证券2016年九月发表的研报《 华泰多因子模型初探》进行了整理与简单的复现，使用的是BigQuant平台上的可视化模板，可供初学者借鉴、熟悉平台的使用以及对因子的理解。 华泰证券－多因子系列之一：华泰多因子模型体系初探.pdf

文章主要有以下内容：

1. 多因子模型、定量管理、风险、投资组合等偏经济学方面的定义
2. 多因子模型的构建流程：准备工作，收益模型，风险模型，优化模型
3. 介绍各种因子，并介绍如何识别因子有效性
4. 介绍如何回测，检验收益

本文将使用平台的可视化模块复现研报中几类典型因子的截面分布、行业市值中性化后的截面分布以及rank分布

学习量化也有一段时间了，BigQuant平台与知乎可以说是我的主要学习战场了，一直在跟着BigQuant学院那个《AI量化训练营》学习，再从从知乎中寻找优秀文章进行补充，最终在平台进行实践，我觉的这样效率很高，我整理了知乎量化交易话题，及程序化交易、宽客、多因子模型等子话题中的精华帖，筛选了高赞的文章及回复，分享给大家，希望大家可以多多交流。

https://bigquant.com/experimentshare/f4d638aad6ce4c50b9851f1b7681d086

\

策略案例

https://bigquant.com/experimentshare/44df09d365584c4b9874df99f5f69c4f

\

9月24日Meetup 模板案例：

策略案例

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

\

\

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

\

股票预测

• 使用AI算法进行股票或线性模型的预测

\

量化应用

• 北上资金跟踪是否有超额收益？

\

数据因子

• 如何使用bigchart画图中文坐标字体？
• 如何将老版本的多因子列表，编程新版本的多因子模型？
• 通过sql获得预期的股票数据具体操作

徐啸寅老师专属邀请码：zvthi4

使用此邀请码开通plus会员立减100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=

问题

请教一下除了特征贡献度之外，如何判断一个因子失效 或者这个因子对于模型的贡献度为零可以替换的？

视频

https://www.bilibili.com/video/BV1i44y1q7As

解决方案

见多因子模型体系的PPT

问题

能否stockranker选期货的模板，十几个随机品种，周期一小时1bar。

视频

https://www.bilibili.com/video/BV1SY411x7m4?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/8c98cb179bd54386867bd6dad86aebf3](https://bigquant.com/experime

问题

使用stockranker等排序算法开发策略并进行实盘，发现有时排在第一的股票反而不如排在二三位的股票收益好，如何对策略和算法进行优化，以实现更好的效果呢？

思路

https://bigquant.com/wiki/doc/xinhao-fangfa-oxACTyy7MT

• 数据质量
• 算法质量
• 算法参数调优
• 模型融合

视频

[https://www.bilibili.com/video/BV1nT411A7f5?share_source=copy_web&vd_source=2e7dc1240ea373ea6eba1134af8dd086]

基本面量化策略是一种结合了基本面分析和量化分析方法的投资策略。通过对公司的财务报表、行业数据、宏观经济指标等基本面信息的量化分析，来识别被低估或高估的股票。这种策略通常涉及以下几个方面：

基本概念

1. **数据驱动的基本面深度分析：**基本面量化策略巧妙地结合统计方法与计算机算法，对公司盈利能力、财务稳健性、增长潜力等传统基本面指标进行精准分析，为投资者提供全面深入的企业价值洞察。
2. **

基本概念

量化选股模型是在量化投资领域中广泛使用的工具，旨在系统地识别和选择具有超额收益潜力的股票。这些模型通常基于历史数据和统计分析，结合了各种财务指标、市场数据、经济指标和其他相关信息。

\

常见6大选股模型

以下是一些主要和常用的量化选股模型：

1. 基于因子的模型

   1. 多因子模型：结合多个因子（如价值、成长、动量、质量、规模等）来评估股票。

摘要

资产定价理论保证了多因子模型和随机折现因子的等价性。实证研究应该在理论指引下展开。

1900 年，法国小伙 Louis Bachelier 在他的博士论文《投机理论》（Théorie de la spéculation）中首次使用布朗运动分析股票和期权的价格（Bachelier 1900）。然而由于他的观点在当时太前卫，并没有受到足够的重视。最终，Bachelier 没有获得优秀论文，而金融学的发端也没能提前半个世纪。这不禁让人感慨，Bachelier 的小失落，金融学的大遗憾。直到半个世纪之后，Bachelier 的成果才被 Paul Samuelson 发现。

时间终

https://bigquant.com/experimentshare/c2cf252d64b7408a8071f4d78f52a5ea

\

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

导语

本文挑选了著名的风险结构模型进行介绍，具体的细节并没有深入展开，旨在抛砖引玉，了解Barra对于风险结构模型的思维方式和理念。

多因子模型

相似的资产会有相似的回报，这是多因子模型的基本假设。由于某些特定的原因（因子），资产会表现的十分类似，例如价量变化、行业、规模或者利率变化。多因子模型就是为了发掘这些因子，并且确定收益率随因子变化的敏感程度。通常来说，多因子模型包括了宏观因子模型、基本面因子模型和统计因子模型。这几种模型在分析不同的大类资产风险收益的时候也有不同的效果。

实现原理

单个资产的多因子模型可以表示成：

![{w:100}

报告摘要

高频因子的优势：与低频因子相比，高频数据在量化选股中的优势主要体现在：因子拥挤度相对较低、因子多样性好、检验因子的独立样本多。

研究内容：本报告从四类不同的角度构建因子：日内价格相关因子、日内价量相关因子、盘前信息因子、特定时段采样因子。考察了 46 个因子周频选股的表现。

其中，日内价格相关的因子是由日内收益率的高阶统计量和日内价格形态衍生的因子；日内价量相关因子包括成交量分布以及用价量关系构建的因子；盘前信息因子主要是从开盘集合竞价信息中提炼的因子；特定时段采样因子主要是指根据一定规则筛选出重要时段，在该时段采样提取的因子，主要包括尾盘数据构建

报告目的

系列报告主要专注于对多因子框架进行研究，本报告完成模型的第一步：因子组合的确定。

报告特点

基于对冲的思想，将基准的因子暴露度加入组合筛选的条件之一，从而减少因子搜索的复杂度。

报告结论

组合的评判标准分为三点：因子暴露度、因子相关强度和因子选个股能力，相关结论如下：

1）三大股指的市值和股本因子的偏离度均是最高的。中等偏离度的因子包括，换手率、ROE、PE、EPS因子。偏离度最小的是净利润增长率因子。

2）相关强度最低的组合为净利润增长率和成交量，换手率和EPS，ROE和换手率，股本和换手率。

3）除了换手率因子较强，净利润增长率较弱之外，其他因子的选股

模型板块包含了AI算法模型，多因子模型等一些研究内容。

挖掘因子是构建策略的第一步，有效的因子组合可以获取超额收益，而沉余琐碎因子则会让策略失效，所以搭建具有显著收益正相关性的多因子模型，是策略研究前期工作的重中之重。基本面因子以财务数据和股东数据为基础构建，如下：

1.#盈利能力因子。相较于其他盈利能力因子，CFOA在不同选股域中的有效性均较为显著，体现其对收益率较强的预测能力。同时，CFOA因子的多头组合在全市场普遍具有较高的年化收益和较低的最大回撤。

2.#成长能力因子。在全市场中，多数成长能力因子的IC检验有效性较为显著，其中业绩趋势因子（QPT）和标准化预期外净利润因子（NP_SUE1）在不同选股域中具有较强的收益预测能力。

3