A股

ROE是价值投资者考察上市公司盈利能力的一个重要指标，在美国市场上有效性很强，但在A股基本没有选股效果，造成“A股不看公司盈利”的印象。但如果ROE的分子换成一年后的未来盈利，ROE的选股能力将显著提高，说明历史ROE选股无效的原因主要在于其对公司未来盈利的预测作用太弱，准确的盈利预测可以为投资者带来超额收

预测公司盈利的常用方法有三种：时间序列法，横截面法和分析师一致预期。前两者是基于客观历史数据的统计模型，后者是分析师综合多种信息源研究后得到的汇总主观数据。从预测精度来看，采用历史TTM数据的时间序列方法预测准确性高于一致预期和横截面回归方法。分析师一致预期数据存在明显高估现象。

分析

反转和市值因子的失效触发了国内对因子择时的研究需求。海外市场和A股类似，因子择时研究的兴起也是由2007.08的“量化危机”和2008年金融危机触发。危机后估值、动量和质量因子的效果明显下降。报告汇总讨论了AQR、BlackRock、GSAM等几家大机构有关因子择时的研究成果。有乐观者、有悲观者。但Corbett(2016)实证发现风格切换频繁的基金经理的风格择时能力并不比一般基金经理强，而且业绩往往更差，这一定程度上展示了现实投资中因子择时的难度。

传统OLS方法不能用于金融时间序列的预测，因为金融数据中常见的变量内生性和持续性问题，会导致OLS估计有篇，且统计检验失效。报告采用了Kost

价值投资不等于低估值投资，低估值股票可能是由于公司质地真的很烂，只考虑股票估值因素容易调入所谓的“估值陷阱”。所以价值投资一个必要过程是判断上市公司质地是否优良，再看公司质地是否配得上它的估值。我们这篇报告要解决的问题是如何用定量指标来衡量A股上市公司的质量优劣，验证一下A股是否真如一些市场偏见所言“只听故事，不看基本面”，“优质+合理估值”的价值投资方式能否在A股挣钱

公司质量的定义维度有很多，我们从盈利能力、成长性、财务稳健、公司治理角度定量测试了一些选股因子的有效性，具体结果可以参考报告正文，整体来说，基于市场历史公开数据，投资者是可以发现质地优良股票并获得显著超额收益的。

我们用I

研究结论

从2016年12月沪港通开通以来，北上资金大量流入A股，截至2020年2月3日，北上资金累计流入A股1.05万亿，对A股带来了各方面的影响，因此无论是北上资金对市场风格影响还是北上持仓和流入流出本身的信息都是值得重点研究的。

本文基于公开的北上资金持仓数据构建了12个持仓特征和流入流出交易行为的因子，并在2016.12-2019.12区间对北上因子进行了批量测试。测试发现大多数北上因子在北上持仓股票（目前为2150支）、中证800和沪深300中均具有显著的选股效果。此外，部分表现较好的北上因子也具有一定的行业选择效果。

北上因子与传统的大类因子相关性很低，但其中北

配臵观点

上周国内方面A股继续放量上行，自6月30日起低估值板块补涨导致的价值和成长风格强烈切换后，上周风格趋于均衡；周五在监管趋严信号和减持的影响下，大金融板块带领市场回调，但PPI底部回升、PMI超预期等经济数据反映复苏的确定性增强，加上北向资金加码和公募基金建仓持带来的增量资金持续进场，市场情绪短期快速降温的可能性较低。债市方面，央行宽松预期落空及供给压力导致债市回调，股债跷跷板效应更加导致债市持续承压；外盘方面经济复苏确定性弱于国内，加之疫情反复、贸易摩擦等不确定因素或将反复对风险偏好进行压制；黄金方面受益于通胀预期和避险配臵中长期确定性仍高。

市场方面

上周权益

去年底至今，得益于南下资金的注入，以及经济复苏的预期，恒生综指涨幅已超过10%，低估值、高股息的优质港股吸引了全球投资者前来配臵，随着沪港通、深港通的相继开放，港股与A股的关系日益紧密，两地投资者可以更加便捷地投资对方的股市，研究因子选股模型在港股的应用能产生直接的投资收益

我们分别在恒生综指和港股通成分股内进行了7大类23个Alpha因子的有效性检验，和美股类似，估值、盈利、成长因子在港股中都比较显著，IC在3%左右，流动类因子中的Am ountAvg_1 M_3M（过去一个月日均成交额/过去三个月日均成交额）表现优异，特别是在港股通成分股当中，夏普比率最高0.99，十分稳健

在港股中我

市场分析与判断：短期波动加剧，中期上涨延续全周回顾：风险偏好进一步攀升，A股市场日均成交额创今年新高。

1）A股放量大涨：中证全指、上证综指、深证综指分别对应涨幅约8.88%、7.31%、10.24%；日均成交金额逾1.5万亿元，环比接近翻倍。

2）全行业收涨，周内行业轮动明显：本周全行业普涨，周内行业轮动明显。具体而言，周初大金融板块延续上周强势表现，下半周国防军工、商贸零售等行业发力，最终领涨全周。

3）多数风格收涨，波动风格表现突出：本周多数风格收涨，波动风格表现突出，异质波动率及CAPM Beta等因子表现靠前，偏博弈类动量风格亦收获不俗收益。基本面因子方面，今年以来强势的成长风

由于时间和精力的有限性，投资者更倾向于交易自己关注的股票，涨跌幅排行榜上的股票更容易进入投资者视野，由于做空约束，这类股票更倾向于被买入，导致股价高估，未来收益率较低。

以搜狗指数作为代理变量，我们发现股票单日涨跌幅和关注度存在明显的U型关系，只有涨幅或者跌幅特别靠前的股票才会有明显的关注度提升，而且涨幅榜的股票相对于跌幅榜更容易引起投资者关注。

构建榜单组合，我们发现上个月进入单日涨幅榜的股票在下个月明显跑输其他股票，而进入跌停榜的股票虽然也跑输但幅度更小

我们通过指数加权方法构建了涨幅榜单因子DWF和跌幅榜单因子DLF，具有十分显著的选股效果，其中中证全指内DWF的RankIC月均值

本篇报告测试不同行业内大类因子的表现（2009.7-2018.11），并尝试对因子在不同行业表现差异的原因进行分析。比如市值因子在龙头变换率较高，小市值股票占比较高且规模集中度较低的行业中有更强的负向选股作用，也就是说在这些行业里小市值溢价更明显。比如BP因子在（无形资产+开发支出+商誉）比净资产较高的行业表现较差，这是因为这类资产未来具有较大的不确定性，不能被账面价值很好的解释

综合来看，估值、超预期、分析师、非流动性和投机性因子在绝大多数行业基本都有一定的选股效果，而盈利、高管薪酬、成长和反转适用的行业相对较少些。

我们基于较低的筛选标准（rankIC大于等于0.02，ICIR大于等于

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

https://bigquant.com/codesharev2/39a8c639-92e8-48d4-a432-8cec3e21c047

\

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

{{use_style:custom-style-default}}

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

• 预计算因子
• 数据API
• 数据可视化分析
• [策略源码模版与Demos](https://bigq

{{use_style}}

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](https://bigquant.com/wiki/doc/demos-ecd

问题

mggis0or1+如何实现一个做T的策略，降低已有仓位的成本

解答

• 做T就是在日内对个股进行买入和卖出的变相T+0交易。但A股是T+1制度，如何能做到T+0呢，那就得预留好资金，不能全仓持股，才能做到滚动操作。
• 半仓滚动做T：每次半仓低位买入相同仓位，然后高点T出，或高点T出后再低位买回相同仓位(最常用和最简单操作方式)
• 日内网格策略（最经典也是市场上最主流的做T策略）

视频

[https://www.bilibili.com/video/BV1RN4y1w7gE/?spm_id_from=333.999.0.0&vd_source=ecd29b

问题

在很多文章中提到因子暴露，这里的“暴露”怎么理解？

参考

一般来说提到某种资产在某个因子的暴露，指的是资产收益相对于因子收益的敏感度

构造股票池：获得计算日当天全部A股的名单，并从中剔除掉ST股、停牌股票和上市不足1月的新股。 获取股票池中股票的最新市盈率：获取上一步构造的股票池中的全部股票的市盈率。假设有3000支股票，则此处应有3000个市盈率数据。 对全部股票按照市盈率从小到大排序。 构造多空组合：事先设定一个比例(例如10%)，选取300只低市盈率股票做多，并选取同样比例300只高市盈率股票做空，据此构造一个多空组合。 该多空组合的收益率，即代表低市盈率因子的

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

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

https://bigquant.com/experimentshare/116fdc30e1944051ba43f73e74837776

\

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

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

摘要

机构调研事件。通过上市公司的投资者调研公告，可以获知机构投资者的调研信息。统计发现，A 股的机构调研事件以特定对象调研为主；参与调研的机构投资者集中在 5 家以内；多数调研公告会在调研事件发生后的一周内公告。 机构调研的股票特征。研究发现，机构投资者倾向于调研大市值，前期具有高涨幅、高换手、高波动的活跃股票。这些因素都会对股票未来收益产生显著影响，因此在分析机构调研事件对股票收益影响时，需要加以控制。

机构调研股票的超额收益。通过截面回归模型，我们发现，在控制了常见选股因素的影响后，机构调研股票仍然具有不能被解释的超额收益。截面溢价的月胜率为 65%，月均值为 0.30%，信息

摘要

2018年2月6日，受夜间美股大跌的影响，A股早盘低开后一路下挫。截止收盘，沪深300、中证500和创业板指分别下跌2.93%、4.90%和5.34%。面对这样突如其来的风险，除了提前预判、降低仓位之外，是否还有其他可供对冲的手段，以规避股票组合的大幅回撤。 为此，本文介绍了两类非常简单的低成本策略——时间序列动量和质量因子，它们在股票市场出现大幅回撤时，表现十分突出，能够帮助投资者免受大幅的亏损。而且，这两个策略即使是在正常的市场环境中，也有着稳健的收益表现。

时间序列动量策略。时间序列动量策略主要应用于期货市场，其思想非常简单。 观察每个品种过去R个交易日的涨跌幅，若上涨则

本文主要研究了量化选股场景中的数据标准化方法，分别对比了时序标准化和截面标准化方法的在量化选股模型上的效果。

主要的工作有：

一是构建DeepAlpha数据集，包含A股2011年到2022年98个量价因子的日线数据，label为股票未来5日的收益率；

二是采用基于时序的K折交叉验证方法，严格3年训练1年预测的数据划分，使研究更贴近于实际应用；

三是对比了LightGBM模型和DNN模型在不同标准化方法下的效果，发现截面标准化在DeepAlpha数据集上的表现更好；

四是将DNN模型的预测结果从2017年1月1日到2021年12月31日进行了模拟回测，基于截面标准化的方法年化收益35%

国内量化交易起步较晚，大约15年开始，20年开始爆发，21年量化私募规模飙升。由于容量过大，出现了一个头部量化私募中性策略导致大幅回调的问题。对于a股来说，量化交易仍然是一种相对较新的投资方式。自20年以来，监管已经关闭了证券公司的外部接口。因此，如果你想进行定量交易，你必须使用证券公司的level2行情接口和交易接口。今天，我将与大家分享如何一站式解决不同的定量交易需求。https://gitee.com/l2gogogo

自编程AI量化交易

解决方案：AI量化交易策略终端

简介：

极速交易策略终端是一款基于python语言的策略交易平台 ， 是活跃交易者策略研究 、 自动化交易