文献来源：Demiguel V, Gil-Bazo J, Nogales F J, et al. Can Machine Learning Help to Select Portfolios of Mutual Funds?[J]. Social Science Electronic Publishing, 2021.
推荐原因：众所周知，事先确定未来表现优异的共同基金是一项困难的任务。本文基于大量投资者容易获得的基金特征数据，利用机器学习方法训练提升其预测能力。研究发现，利用1980年至2018年期间美国股票型基金的数据，基于机器学习方法构建的基金组合，经风险调整
更新时间：2022-08-31 09:22
更新时间：2022-08-31 08:06
2018 年 5 月多因子指数增强模型沪深 300 组合跑赢基准 0.65%，月中超额收益最大回撤 0.49%。中证 500 组合跑赢基准 1.57%，月中超额收益最大回撤 0.23%。
2018 年 5 月短周期价量模型跑赢中证 500 基准指数 2.69%，月中超额收益最大回撤 0.26%。
2018 年 5 月 AI 人工智能选股模型绝对收益 2.38%，跑输沪深 300 指 数-1.51%。
2018 年 5 月 Smart Beta 选股模型组合绝对收益 4.61%，跑赢万德全 A指数 1.45%。
2018 年 5 月事件驱动选股模型组合绝对收益 5.54%，
更新时间：2022-08-31 07:46
\
更新时间：2022-08-31 01:47
机器学习波动率预测
大多数量化策略的盈利与波动率高度相关。预知波动率对于分配每个策略的仓位至关重要。使用机器学习进行波动率预测较传统方法的预测效果有所提升。
机器学习策略判断失效的方法
判断机器学习策略失效有独特的方法，可以在击穿最大回撤前提前下线策略。
机器学习在量化投资中应用的杂谈
我们在这一章节中致力于打通实盘的各个环节，以及展开对机器学习对冲基金运营方式的探讨。
[/wiki/static/upload/3a/3af7bff5-f4fe-4eef-96df-74530303b737.pdf](/wiki/static/up
更新时间：2022-08-30 09:00
更新时间：2022-08-29 04:43
\
更新时间：2022-08-25 02:16
\
更新时间：2022-08-25 02:16
更新时间：2022-08-17 05:22
涉及国内主要品种的不同的频率的回测与交易
\
更新时间：2022-07-31 01:58
本文汇集了海通量化团队在大类资产配置、指数增强、因子择时以及CTA这四方面的核心研究成果，着重展现了策略在2107年的业绩和风险收益特征。
大类资产配置策略。2017年，包含权益和债券两类资产的积极的风险均衡（ARP） 组合累计收益率为6.94%，最大回撤仅有3%，夏普比率高达1.164。
沪深300指数增强策略。2017年，沪深300增强组合累计收益为35.58%，同期沪深300指数的累计收益为21.77%，超额收益为13.81%。指数增强策略的年化跟踪误差为2.82%，信息比率为4.9。
中证500指数增强策略。2017年，中证500增强组合累计收益为12.60%，
更新时间：2022-07-30 01:06
战略性＋战术性的资产配置框架下的思考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，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和最大回撤；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。择时模型相对灵活，从战术层面调整组合内各类资产的权重，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。我们深知组合优化模块中资产配置方法的更新很难真正提升策略的收益风险比。
低相关性因子体
更新时间：2022-07-29 02:59
以因子等权配置的多空组合作为基准，该基准2018年2月多空收益差为1.16%，自2016年以来的多空累计收益为19.12%，月最大回撤为-0.23%。
最近3个月基本面因子表现最为稳定，反转类因子中的细分因子表现不一，估值因子在12月和1月表现不佳。综合来看，ROE、毛利率、净利率、每股收益、ROA增长率、ROE增长率、净利率增长率、每股收益增长率、主营业务收入增长率、销售费用比率、每股净资产、一个月换手率、一个月股价反转、DIF、MACD的表现最为突出。 当月因子IC系数表现盈利因子和成长因子与下一期股价在
更新时间：2022-07-27 10:19
本月就市场近期比较流行的“高ROE，低PB”的行业配置策略进行了分析。发现该策略实际效果长期来看并不是很稳定。 用可获得的ROE数据去回测：年化超额收益0.7%，胜率只有，最大回撤达到25.37%。另外，即便假设市场完美预期到所有行业下个季度ROE的大小排序，年化超额收益3.76%，最大回撤29.91%，胜率51.02%，效果并没有得到很大改善。 历史上出现过这个策略表现很好的时间段（，2011Q1~2013Q1），但是之后都出现了长达1.5年~2年的回撤。过去两年策略表现较好，有可能仅仅是历史的重演，市场不断自我强化的结果。 我们当前观点是：根据历史数据统计规律，ROE&
更新时间：2022-07-25 08:37
更新时间：2022-06-15 05:58
更新时间：2022-05-22 01:17
\
更新时间：2022-04-18 02:07
更新时间：2022-04-11 11:00
更新时间：2022-03-04 06:58
\
更新时间：2022-03-02 07:02
在基金产品实际运行管理的过程中，基金绩效评价具有较 强的现实意义。基金公司管理者对基金经理的业绩考核、 基金经理对历史业绩的原因分析，都需要以科学的绩效归因和 评价模型为依据。
早期的基金评价主要评价基金的收益、超额收益、夏普 率、最大回撤等较为直观的指标。对基金的风格类型、收益来 源、选股能力、风险控制等方面还没有较为客观的评价。在实 践过程中发现，这种方式对于不同主题、不同风格类型的基金 经理的评价缺乏客观性。例如 ：一只策略为单纯买入小市值股 票的基金，在 2014 年到 2015 年间，能够取得非常可观的业绩，在许多指标上的表现也可能较为优秀。但是这样的基 金其实存在非
更新时间：2021-11-26 07:56
更新时间：2021-07-30 08:12
本代码完整版一共包括三部分：数据、算法、回测交易。 由于该策略与机构有一些合作，我们只放出了数据和算法。希望大家能够理解！
https://bigquant.com/experimentshare/5a93201876eb401e998867e0b5106175
\
更新时间：2021-07-30 08:09
更新时间：2021-07-30 07:26
更新时间：2021-07-30 07:26