报告摘要

构建基于宏观变量的资产配置分析体系基于收益和风险成正相关的基本假设，我们搭建了完整大类资产配置的体系。配置模型重视资产价格之间的相对强弱，核心目的不再是预测资产价格的方向，而是把握不同经济状况下，资产价格的相对强弱关系，战略配置相对强势的资产，该策略关注3-6个月的中期配置，核心目标是控制组合波动率与最大回撤；择时模型相对灵活，从战术层面调整组合内各类资产的相对权重，决定基础资产的超配与低配。最后战略性配置与战术性择时模型通过模型进行融合。其中配置模型层面，我们开发了兼顾经济逻辑和数量逻辑的模型，覆盖了投资时钟、美元时钟和库存周期等，从配置策略的角度，进行资产配置。

定量划分

20220623-StockRanker多因子选股策

https://bigquant.com/experimentshare/5f74d02dff0e45d595f7494edb417019

\

作为量化，如何轻松甩锅？市场大跌了、游资爆仓了、成交缩量了、主观扑街了、公募回撤了、人菜瘾大了、对冲成本涨上去了？

如何回应尽调？策略理念：价值+成长，自上而下+自下而上，时间的人质/敌人/朋友？团队：发际线坚挺，没有核心人员流失，走的都不是核心？

一招解决，做好Quant社牛？

方法1：直接把回复做成模板：保存图片——微信——我——设置——通用——聊天背景

方法2：https://bigquant.com/activity点击报名

![{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=14fb0f9

https://bigquant.com/live/shared/strategy?id=60243

需要的留下联系方式

https://bigquant.com/experimentshare/fb090a47d5a14348828be56e969cd9ce

\

在默认的AI策略里，交易股数并不是整百，这和实际交易确实有一些不同。之所以这样做，是因为回测主要是验证思想，不想让资金管理、风险控制影响最初的策略思想。

但是，用户是可以手动修改代码，达到整百下单的目的的。

具体方法是修改handle_data函数里交易接口API，同时修改回测类型为：真实价格回测。相关文档可以参考：回测与交易引擎。具体要修改的位置为回测模块trade中的主函数，截图如下： ![image|572x355](/community/upload

策略案例

https://bigquant.com/experimentshare/0062e380d1b5400ca5fe4522ac948649

\

摘要

指数增强方法汇总及实例

量化多因子指数增强策略实证

指数增强型公募基金以量化方式为主，通过多因子模型能够有效控制风险

指数增强型基金是主动投资和被动投资的有机结合，其目标是在控制跟踪误差的前提下追求稳定、持续超越基准指数的表现。我们整理了目前所有跟踪上证50、沪深300、中证500、中证1000指数的公募指数增强产品，共有36只，其中有32均采用量化方式增强。在量化指数增强策略中，又以多因子模型为主流。多因子模型本质是将对𝑁只股票的收益-风险预测转变成对𝐾个因子的收益-风险预测，通过控制投资组合在风险因子上的暴露达到科学控制跟踪误差的目的。本报告

研究结论

策略Alpha收益的定义取决于投资者控制了哪些风险，Alpha因子的ZSCORE可以通过多期横截面回归取平均的方式转化成预测收益率，输入后续的组合优化过程

在两个变量满足正态分布时，Pearson 和Spearman相关系数的数值很接近，但Spearman秩相关系数在做显著性检验时不依赖于变量的正态分布特性，更稳健，因此因子选股计算IC时多采用后者。

Alpha因子是否需要做风险中性化处理取决于做组合优化时是否做了对应的风险暴露控制，并非风险因素剔除的越多越好。当构建的组合完全控制了风险暴露时，风险调整IC（risk adjusted IC）会比Purifed alph

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。

根据Ledoit and Wo

https://bigquant.com/experimentshare/90893ae479534a35b18333465ba620b2

\

/wiki/static/upload/3d/3d8e35a0-80b4-43e6-8974-99aefe971cee.pdf

\

策略案例

https://bigquant.com/experimentshare/5c5e31cf67c94de099b00aeab9676e48

\