投资决策

问题

基于大数据的产业周期逻辑

视频

https://www.bilibili.com/video/BV1xg411B7yp/?spm_id_from=333.999.0.0

课件

\

问题

知识库的策略分析里面有个“标记买卖点”的代码，能不能请老师把这个代码讲解一下，方面以后分析其它策略的时候使用。链接在这里：标记买卖点

\

视频

https://www.bilibili.com/video/BV1554y1f7Rf/

策略源码

[https://bigquant.com/experimentshare/1f66fd8421044f2a9884c9f1d3614ce1](ht

分享主题

基于财务数据构建策略

\

视频回放

https://www.bilibili.com/video/BV1W84y117Nd/?spm_id_from=333.999.0.0&vd_source=ecd29bbd04cbefdfa426167c55241973

\

直播资料

[https://bigquant.com/experim

7月16日Meetup模板案例;

策略案例

https://bigquant.com/experimentshare/aac16e3c971f43c8a02ce5455f3561bf

\

https://bigquant.com/experimentshare/8671700b78014d6cbe44261ba23820f9

\

资产定价模型（Asset Pricing Models）是金融学中用于评估或预测金融资产价值的理论和模型。这些模型基于不同的假设，用于不同类型的资产，包括股票、债券、衍生品等，通过量化资产的预期收益与其所承担的风险之间的关系，帮助投资者评估投资机会并做出明智的投资决策。

以下是一些重要的资产定价模型：

1. **资本资产定价模型（Capital Asset Pricing Model, CAP

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/421fbaa682a04d6bacf4d2f1f47b54c6

\

前言

我们常用量化投资的方式预测未来可以交易的个股，从而获取最大收益。但能不能反其道而行之，通过量化的形式诊断个股：判断是否可以买入？仓位如何设置最合理？

对于资深投资者来说，可以根据历史交易经验，结合该股的特性及大盘环境，判断在这类情况下股票的胜率及收益如何，以此作为买入决策。

但有个更简单、快速的方法，可以借助量化快速找出股票在大盘环境下历史的收益率和胜率情况，作为买入决策。

本次分享将介绍如何用量化的方式诊断个股，并依据量化分析结果作为买入决策和制定交易计划。

正文

[/wiki/static/upload/9d/9d17fabf-6f78-4e80-8da0-5

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

作者：woshisilvo

导语

在以往的分享中，很多朋友们问到如何设置大盘风控？在之前的分享中，我们讲过可以采用指数的涨跌幅以及Macd指标作为大盘风控的思路，通过特征列表 构造指数特征macd表达式，再通过指数特征抽取来进行风控的设置。

bm_0=where(ta_macd_dif(close,2,4,4)-ta_macd_dea(close,2,4,4)<0,1,0)

本次我们对该思路进行改造，从以下三个方面进行优化：

• 构造指数的MAAMT指标作为指数风控的指标
• 用指数的成交量（3.5日ma线死叉）作为风控依据
• LSTM神经网络模型

随着交易数据量越来越大，金融领域的各种应用已经验证了使用人工智能可以更好地进行投资或业务决策，也越来越多人相信人工智能技术在金融领域的应用前景。人工智能提供了一种适用于从个人数据到业务流程的高效数据分析工具。 与此同时，越来越多金融机构开始使用机器学习方法，以期在市场竞争中赢得优势。量化投资机构逐渐抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。 与传统投资方式相比，量化投资方式具有更高效率及准确性。量化投资是一种基于计算机系统而生成的投资策略选择方法，可以对数学模型进行监理，在实现交易理念活动过程中构建更为完善规范的量化投资评价体系。在对模型进行监理的基础上，再对历史数据

随着交易数据量越来越大，金融领域的各种应用已经验证了使用人工智能可以更好地进行投资或业务决策，也越来越多人相信人工智能技术在金融领域的应用前景。人工智能提供了一种适用于从个人数据到业务流程的高效数据分析工具。 与此同时，越来越多金融机构开始使用机器学习方法，以期在市场竞争中赢得优势。量化投资机构逐渐抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。 与传统投资方式相比，量化投资方式具有更高效率及准确性。量化投资是一种基于计算机系统而生成的投资策略选择方法，可以对数学模型进行监理，在实现交易理念活动过程中构建更为完善规范的量化投资评价体系。在对模型进行监理的基础上，再对历史数据

摘要

文献来源：Chen, Mike, and George Mussalli. "An integrated approach to quantitativeESGinvesting." The Journal of Portfolio Management 46.3 (2020): 65-74.

推荐原因：ESG投资是投资界和学术界都非常关注的一个领域，但目前对ESG投资的定义，以及如何构建一个可以结合回报和可持续性两个维度的最佳投资组合尚未达成一致。本文对当前市场中的ESG投资进行了分类，并介绍了ESG投资框架。

![{w:100}{w:100}](https://

https://bigquant.com/experimentshare/a4e89b23c2de4c56b6534136169d13c1

\

1 本着价值投资的观点，通过深度学习模型对企业下季营业收入，净利润等财报进行预测，有利于投资者做出正确决定。同时对于普通投资者来说，可操作性较强。 2：模型为预测60个交易日（即3个月后）的营业收入同比增长率（fs_operating_revenue_yoy处理时数据做了小数和非线性处理） 3：结果：模型训练误差为2.8% ，验证误差为2.8% ，测试误差为9.8% 4:因本人能力有限，又非专业程序猿，加上对金融代码不熟，没办法做成策略（期待与平台和作，提供下季营业收入，净利润等财报预测值服务） 5：最后的图为真实值（做了小数和非线性处理）与预测值关系，从图可以看出预测值波动越

策略案例

https://bigquant.com/experimentshare/5f6ffc8016fd47deb6ef696ca7286b35

\

报告摘要

主要观点

本篇是“学海拾珠”系列第七十一篇，本期推荐的海外文献研究了员工流动和股票回报之间的关系。普通员工正日益成为许多公司关键的生产要素，这些变化表明企业劳动力的动态变化对企业绩效具有重要影响。然而，我们关于员工的进入和退出对公司股价的影响知之甚少。如果投资者认为劳动力流动所传达的信息已被其他数据源充分涵盖，则他们在对证券进行估值时可能会忽略这些动态。回到A股市场，关于员工流动信息和股票收益之间关系的研究非常罕见，作为较为另类的数据，无论是作为因子还是事件加入选股模型中都能提供一定的增量。

• **劳动力流动可以预测未来的股票回报

研究结论

绩效归因分析主要是将投资组合的业绩与基准业绩相比较，并将超越基准部分的收益分解成若干影响投资决策的因素。投资组合的绩效归因分析主要有两大类：基于收益率的绩效归因和基于组合持仓的绩效归因。

基于收益率的绩效归因主要有T-M 模型、H-M 模型、C-L模型、TM-FF3 、HM-FF3和CL-FF3模型。基于组合持仓的绩效归因主要依据Brinson模型和多因子模型。基于持仓的归因相比于基于收益率的归因能够从更多角度刻画组合管理人的投资能力。

风险也是组合管理人关心的重要部分，对投资组合进行风险归因有助于组合管理人了解组合的风险来源。风险归因分为事前(ex-ante)风

摘要

数据挖掘对于投资决策的支持作用越发明显。随着国内资本市场的发展，证券市场中的可交易标的类型和数量都飞速增长，与市场有关的数据也快速增加。同时，随着市场监管越来越严，机构投资者的比重不断上升，市场有效性也逐步提升。如何快速准确地处理海量数据，并从中得到有价值的信息，是在这样的环境中继续获取超额收益的重要方法。

数据挖掘涵盖从数据采集到分析结果评价共7个步骤。

即，数据采集、数据清洗、数据特征提取、数据结构化、数据存储、数据分析、分析结果评价。

每一个步骤都需要大量的技术进行支撑，由此构成了完整的数据挖掘技术框架。

网络爬虫数据的使用需要审慎。

前瞻行业景气度的重要性和必要性

行业基本面景气度研究是行业配置的第一步。但由于定期财报公布的滞后性，行业指数表现在大多数时段领先于基本面业绩变化。若我们根据公布的业绩再判断行业景气方向并以此作为投资指引，那效果可能很难乐观。 但若能实现对行业景气度的前瞻，提前把握行业变动方向，那将成为我们投资决策的一大重要依据。

以关键财务指标作为景气度代理变量

我们前瞻的行业景气度主要来自财务数据层面，包括盈利、成长、营运等多个维度，涉及的原始财务指标包括营业收入、净利润、ROE、毛利率、净利率、应收账款周转率、存货周转率等，具体到单个行业的景气度代理变量选取则可结合行业属性进一步确定

摘要

文献来源：LaBella, Michael J., Josh Russell, and Dmitry Novikov. "THE DEVIL IS IN THE DETAILS: THE DIVERGENCE IN ESG DATA AND IMPLICATIONS FOR RESPONSIBLE INVESTING." (2019).

推荐原因：如今，预计有30万亿美元的资产将环境，社会或公司治理（ESG）方面的数据纳入考虑，然而问题仍在于责任投资是否只是传递认知价值，还是能够真正提高整体风险/回报。这个问题之所以难以回答主要是因为缺乏标准化的ESG定义和衡量方法。在

摘要

文献来源：Piotroski, J. D. , & So, E. C. . (2012). Identifying expectation errors in value/glamour strategies: a fundamental analysis approach. Review of Financial Studies, 25(9), 2841-2875.

推荐原因：本文通过对比价值/成长公司在基本面改善/恶化的不同状态下收益的表现，证明了预期偏差导致了价值/成长的收益差。我们发现价值溢价效应在财务指标与隐含业绩预期冲突的公司中表现尤为显著。分析师对未来的预

摘要

文献来源：Dimitrios Kostopoulos, Steffen Meyer and Charline Uhr, Google search volume and individual investor trading, Journal of Financial Markets, 2020, vol. 49, issue C.

推荐原因：舆情数据的使用一直是受人关注的话题，本文基于谷歌搜索数据在德国市场构建了投资者情绪指数FEARS，作者发现FEARS情绪指数对投资者的交易行为具有显著影响。FEARS指数越高、市场情绪越低落时，个人投资者的买入交易将更少，投资者更

摘要

文献来源：Kan S., Gong S. (2017) Does High Stock return synchronicity Indicate High or Low Price Informativeness? Evidence from a regulatory experiment, International Review of Finance

推荐原因：传统观点大都认为股票收益相对市场收益的同步性（synchronicity）与股票价格信息含量（price informativeness）间呈现负向相关性，当股价更多地反应企业特有信息时，股票收益与市场收益

摘要

文献来源：COHEN, L., MALLOY, C. and NGUYEN, Q. (2020),Lazy Prices. The Journal of Finance. doi:10.1111/jofi.12885

推荐原因：投资者对财务报告中的文本信息与数字信息表现出不同的“惰性”。在财务报表中，当期数据会与历史可比数据列示，便于投资者进行比较；相比之下，投资者并不会将本期的财报文本与过去的文本进行比较。我们发现当公司主动地改变其财务报告的措辞、结构时，这种变化传递了关于公司未来经营情况的重要信息，也会影响公司未来的股票表现。通过卖出发生“变化”的股票，买入“无变化