量化投資七日談王雄博士教授混沌量化投資實驗室主任深圳大學高等研究院

WANGXIONGDirectorofChaosQuantLab2023/2/27（內部討論資料，僅供內部討論，勿公開傳播）課程總目錄七日談量化投資思想與快速上手經典模型與優秀案例分析策略創新之風險控制策略創新之風格輪動策略創新之因子創新策略創新之基本面量化策略創新之人工智能第一談

量化投資思想與快速上手量化到底為什么盈利？量化投資到底賺的什么錢？華爾街就三種人賺錢：Befirst,besmarter,orcheat;Andwedon'tcheat想清楚是賺哪一類的錢，是一切投資的首要問題，量化投資當然也不例外first:速度優勢，工具優勢，量化平臺的信息獲取速度反應速度優勢，執行力優勢smarter:模型本身，數學算法優勢，分析判斷力優勢廣義的各類超額收益阿爾法來源：想清楚賺的什么錢基于投資內在邏輯的收益來源宏觀市場：外因，經濟，貨幣，指數大勢行業與公司基本面：內因，行業發展趨勢，公司財務價值成長事件驅動：突變與擾動，年報高送轉、資產重組、定向增發市場行為：趨勢形成，市場價格自反饋基于相對價值的收益來源狹義阿爾法：基于公司基本面的相對優勢統計套利：基于不同投資標的統計相關性基于博弈格局交易行為的收益來源微觀：誰急著買，誰不在乎價格，高頻割羊毛，散戶處置效應宏觀：散戶倉位，小機構倉位，大機構倉位，國家隊基于速度優勢等的收益來源高頻交易基于信息優勢的收益來源深度調研想清楚是賺哪一類的錢，是一切投資的首要問題，量化投資當然也不例外廣義的各類超額收益阿爾法來源：利用不同的數據源基于投資內在邏輯的收益來源宏觀市場：宏觀經濟數據行業與公司基本面：公司財務，行業相關信息事件驅動：公告、新聞、輿情市場行為：量價低頻數據基于相對價值的收益來源狹義阿爾法：公司財務報表傳統多因子統計套利：不同標的的歷史量價基于博弈格局交易行為的收益來源微觀：量價高頻數據，level2數據宏觀：機構持倉等博弈數據基于速度優勢等的收益來源量價高頻數據，level2數據基于信息優勢的收益來源深度調研所有的基于客觀數據的科學分析的研究方法，都是量化投資，都是金融建模量化選股量化對沖CTA期貨策略2017年來量化投資特別是阿爾法策略遭遇挑戰問題一、國內對沖工具有限

阿爾法策略是通過持有股票多頭組合，同時做空股指期貨，覆蓋風險敞口，達到理論上完全的市場中性。

而現實中，由于國內對沖工具有限，如果想做到配對交易，在構建股票多頭組合時，就必須選擇滬深300、中證500、上證50中的股票。所以，如果全市場選股，在有限的對沖工具下，并不可能做到所謂的“對沖掉系統風險”。而實際情況是，很多對沖基金只要做阿爾法都會選擇小票（非滬深300、中證500、上證50的股票）。阿爾法策略實際操作面臨的問題問題二、傳統小市值因子失效

基于歷史回測的多因子選股模型。基于過去表現良好的量化選股模型，往往會有偏向于小市值因子。基于歷史回測而缺乏對市場風格切換的捕捉和預判，很多對沖基金只要做阿爾法都會選擇小票（非滬深300、中證500、上證50的股票）。這樣一來，一旦出現類似今年上半年的“漂亮50”和“要命3000”行情，產品虧損在所難免。

阿爾法策略實際操作面臨的問題小票選股+滬深300對沖的效果

這是十年百倍的小市值大法，對沖滬深300，我想展示的是對沖與不對沖，純多有8倍收益，回撤40%多；對沖呢，5倍收益，回撤也有30%多，而且還因為對沖多出現了一次大的回撤，就是在14年底那一波指數大漲時。買小票用滬深300對沖這本來邏輯上就不成立而且這還是理想對沖，實際操作還有貼水股指限制換月成本等等麻煩。所以用股指對沖的阿爾法，并不是如教科書所言，是對沖掉了系統風險，我認為只是一個股票多頭和股指空頭兩個并不那么相關的策略組合而已。

阿爾法策略實際操作面臨的問題問題三、當分散投資遇上一九行情

量化投資往往通過較大的股票池，分散持倉以求降低風險。

今年上半年市場呈現出顯著的一九行情。一方面是價值股的“漂亮50”表現靚麗，另一方面是“要你命3000”的市場下跌，使得量化投資的分散投資以降低個股風險的原則受到挑戰。較大的分散持倉會加大選到下跌股票的概率。阿爾法策略實際操作面臨的問題通過多因子去剔除差股票，在一九行情下難度極大一九行情量化分析通過多因子去剔除差股票，在一九行情下難度極大問題四、股指貼水與受限

自2017年4月5日起，滬深300、上證50和中證500股指期貨各合約限價指令每次最大下單數量調整為20手，市價指令每次最大下單數量調整為10手。2017年滬深300指數與滬深300股指期貨掛盤基準價的比較（以數字3,6,9,12結束的合約交易時間約為8個月，其余合約交易時間約為2個月）交易時間為2個月的合約，合約掛盤基準價的貼水比例在0.69%~0.83%之間，這意味著如果不計交易手續費，今年的阿爾法策略因為貼水而導致的年化收益率降低比例應為4.2%~5.1%。還有移倉換月、流動性、交易成本等等阿爾法策略實際操作面臨的問題合約上市日期掛盤基準價上市前一日收盤指數貼水比例IF17091月23日32923354.891.87%IF17042月20日33983421.440.69%IF17053月20日34213449.610.83%IF17124月24日33593466.793.11%IF17075月22日33793403.850.73%IF17086月19日34943518.760.70%IF18037月24日36773728.601.38%快速上手量化平臺一個量化平臺給你提供的無非就是1規整好的數據2完善精細的回測框架3模擬交易服務4未來可能的對接實盤1研究手冊2利用社區

3克隆改進學習第二談

經典模型與優秀案例分析他山之石先看一個比較經典的多因子選股流程模型建立模型思路模型實證檢驗模型總結建立預備因子庫，檢驗單因子有效性檢驗有效因子之間的相關性基于歷史數據檢驗模型績效指標構建多因子選股模型步驟構建因子庫單因子的顯著性檢驗單因子的穩定性檢驗因子間的相關性檢驗股票池中證800成分股構建因子庫備選因子庫指標定義說明指標名稱因子定義估值指標BP_LF最近財報的凈資產/總市值EP_TTM過去12個月的凈利潤/總市值純技術指標Return1M20日收益Return3M60日收益PPReversal5日均價/60日成交均價Turnoverrate以流通股本計算的20日日均換手率規模因子Totalvalue總市值Floatvalue流通市值成長類因子SalesGrowth_YOY主營業務收入增長率EquityGrowth_YOY凈資產增長率構建因子庫因子預處理采取中位數去極值的方法剔除異常值，將原始因子值調整到3倍絕對偏離中位數的范圍內。構建因子庫原始因子值處理前后與下一個月收益率序列相關性對比處理前處理后構建因子庫因子中性化處理對行業虛擬值進行多元回歸得到殘差值，并將其作為過渡因子值，將剛才得到的殘差值對市值的對數和beta值做多元回歸得到新的殘差值，并將其作為最終的因子值。行業虛擬變量采用申萬一級的行業分類，包含了28個行業。構建因子庫因子回歸檢驗利用每只股票的因子值與對應的下個月收益計算相關績效指標（即IC值），逐月回歸檢驗，選出相關并能預測收益率的有效因子。采用Spearman秩相關檢驗測定單因子數值和對應的下一個月收益率的相關性。Spearman秩相關是利用Spearman等級相關系數測定變量間等級相關程度的一種非參數統計相關分析方法。單因子的顯著性檢驗經過檢驗，我們篩選了以下6個表現因子因子名稱因子定義排序行業中性風格中性Turnoverrate20日換手率升序否是Return1M1個月的收益率升序否是Return3M3個月的收益率升序否是PPReversal5日均價/60日成交均價升序否是Totalvalue總市值升序否否Floatvalue流動市值升序否否單因子的顯著性檢驗因子名稱RankICt(IC)IR正顯著率負顯著率覆蓋率Turnoverrate-6.84%-6.90-0.639.24%41.18%96.61%Return1M-4.07%-4.16-0.3813.45%34.45%97.22%Return3M-4.23%-3.35-0.4215.97%31.93%97.08%PPReversal-3.90%-3.65-0.3316.81%37.82%97.27%Totalvalue-4.13%-2.96-0.2723.53%43.70%98.57%Floatvalue-3.34%-2.44-0.2228.57%35.29%98.57%從右表可以看出，換手率、1個月的收益率、3個月的收益率以及總市值四個因子的表現較為突出。RankIC保持在4%以上，t統計量都大于3，顯著率均大于30%，表現出了非常強的收益預測能力。單因子的顯著性檢驗單因子構建股票組合單個因子構建股票組合時，剔除樣本空間內的停牌股票，然后根據單個因子對應因子回報，按照收益率從大到小分為5組，記為Top、Group2、Group3、Group4、Bottom每組成分股股數為中證800總數的20%。從時間序列的角度觀察各組的年化收益、夏普比率、最大回撤以及勝率等。單因子的顯著性檢驗單因子的穩定性檢驗選取2007年1月31日至2016年12月31日中，中證800指數成分股作為樣本空間基于20日換手率、1個月的收益率、3個月的收益率、5日均價/60日成交均價、總市值以及流通市值六個因子分別得到五個不同股票組合，并依此記錄不同組合的收益率，滾動計算。單因子Totalvalue的選股收益表現單因子的穩定性檢驗單因子Return1M的選股收益表現單因子的穩定性檢驗單因子Return3M的選股收益表現單因子的穩定性檢驗單因子Turnoverrate的選股收益表現單因子的穩定性檢驗單因子PPReversal的選股收益表現單因子的穩定性檢驗單因子Floatvalue的選股收益表現單因子的穩定性檢驗因子選股的年化收益率因子名稱TOPGroup2Group3Group4BOTTOMTotalvalue26.42%16.51%12.00%7.90%5.13%Floatvalue23.54%16.87%14.10%8.77%4.50%Turnoverrate23.26%16.44%17.11%10.39%2.76%Return1M19.56%18.91%17.81%11.44%2.06%Return3M18.02%18.24%16.73%12.67%3.74%PPReversal18.98%21.73%16.58%9.93%2.32%單因子的穩定性檢驗因子的績效指標(多空組合)因子名稱年化收益率年化波動率夏普比率月勝率最大回撤率Totalvalue20.12%15.54%1.1067.23%-31.65%Floatvalue18.34%14.77%1.0465.55%-28.76%Turnoverrate13.90%14.08%0.7763.87%-25.59%Return1M16.04%15.68%0.8059.66%-18.70%Return3M14.58%13.16%0.8858.82%-24.37%PPReversal15.44%15.99%0.7861.34%-25.97%單因子的穩定性檢驗可以看出，這六個因子對5個股票組合收益率的驅動有很好的分層效果，我們可以認為因子對獲取超額收益率是非常有效的。因子間的相關性檢驗我們采用不同因子歷史RankIC的時間序列線性相關系數檢驗因子之間的相互關系。IC相關系數能提供如下的信息：當基于Totalvalue(總市值)的因子能夠獲得正的超額收益時，基于1M收益率或者3M收益率的成長性因子能否也獲得正的超額收益。這是構建多因子模型時我們最為關注的因素。較低的IC相關系數表明，在一類因子表現不佳時，另一類因子仍然能夠獲得正的超額收益，這樣可以大幅提高多因子模型的穩定程度。檢驗不同的因子之間的相互關系因子間的相關性檢驗通過下表可以看出風險類因子之間有很強的正相關性，流動市值因子和總市值因子相關性很高，IC相關系數接近1。技術類因子中，5日均價/60日成交均價分別和1個月收益率、3個月收益率呈現較為明顯的正相關，IC相關系數均在0.5以上。市值因子和其他因子相關性普遍較低，均在0.3以下，20日換手率和市值因子呈現了負相關，說明20日換手率與市值因子的結合可以實現顯著的分散效應，提升多因子模型的穩定性。因子名稱TotalvalueFloatvalueTurnoverrateReturn1MReturn3MPPReversalTotalvalue100.00%97.09%-25.99%19.84%9.60%16.98%Floatvalue97.09%100.00%-34.43%17.29%7.54%14.51%Turnoverrate-25.99%-34.43%100.00%18.73%25.05%20.91%Return1M19.84%17.29%18.73%100.00%54.29%77.88%Return3M9.60%7.54%25.05%54.29%100.00%83.13%PPReversal16.98%14.51%20.91%77.88%83.13%100.00%綜合考慮因子的顯著性水平、穩定性和相關性，我們采用Turnoverrate（20日換手率）、Return3M（3個月的收益率）以及Totalvalue（總市值）三個因子。并根據這個三個有效因子建立多因子選股模型，其中每個因子在模型中的權重相等。因子間的相關性檢驗前面我們已經對因子的有效性進行了檢驗篩選得出了下列三個有效因子/Totalvalue（總市值）Return3M（3個月的收益率）Turnoverrate（20日換手率）檢驗思路股票池：中證800成分股具體思路：樣本期間內，每月末根據模型檢驗，將3個有效因子分別推薦的股票選取前20只股票組合，重新組合成一個新的股票組合，并計算該股票組合的收益率，按月更新，滾動計算收益，交易手續費0.03%，考察多因子模型的收益表現。建立中證800指數基金模擬建立中證800指數基金，觀察選股模型推薦的股票組合在對沖和未對沖條件下的凈值走勢圖。其中模擬建立中證800指數基金完全跟蹤中證800指數。樣本內檢驗樣本內區間：2007.1.1—2012.12.31樣本內檢驗模型表現累計收益率年化收益率年化波動率夏普比率月勝率最大回撤Turnoverrate、Return3M、Totalvalue多因子選股模型組合271.32%24.82%35.42%0.6258.33%-67.44%指數對沖組合221.39%21.81%11.99%1.5766.67%-17.21%中證800指數基金14.58%2.33%32.64%-0.0254.17%-71.76%2007.1.1—2012.12.31樣本內檢驗2007.1.1—2012.12.31樣本內對沖后的組合回撤圖樣本內未對沖的股票組合回撤樣本內中證800指數型基金回撤樣本內凈值走勢圖樣本外檢驗樣本外期間：2012.12.31—2016.12.31樣本外檢驗模型表現累計收益率年化收益率年化波動率夏普比率月勝率最大回撤Turnoverrate、Return3M、Totalvalue多因子選股模型組合191.06%30.62%33.61%0.8265.31%-50.30%指數對沖組合106.14%19.82%13.85%1.2169.39%-24.35%中證800指數基金44.62%9.66%27.11%0.8259.18%-48.98%2012.12.31——2016.12.31樣本外檢驗2012.12.31——2016.12.31樣本外對沖后的組合回撤圖樣本外未對沖的股票組合回撤樣本外中證800指數型基金回撤樣本外凈值走勢圖因子創新之三：

不同環境下因子的有效性王雄深大混沌量化投資研究中心54

不同環境下因子的有效性我們將開展多因子選股系列研究，我們共分析了五大類指標：估值類（7個指標）、財務成長類（15個指標）、財務質量類（10個指標）、價量類（6個指標）、分析師預期類（2個指標）。通過多角度和更細致的分析和測算挖掘出最有效和穩健的因子。在這里我們分析了不同股票池和不同市場環境下因子的有效性。為了提高各個因子在個股之間的可比性，我們分別在

HS300

和

ZZ500

成分股中分總體、周期類、非周期類共

6

個股票池中進行因子的有效性分析。并統計分析了不同市場環境下的因子有效性，為指導實際投資提供更全面的信息。王雄深大混沌量化投資研究中心思考：在全市場無效的因子，就一定沒有價值嗎，可否針對大盤股或小盤股有效？可否針對周期類或非周期類有效？55

不同環境下因子的有效性市盈率（PE）總體來看，五檔累計收益圖基本呈現出PE較低的組合收益率較高的特征。值得注意的是，在HS300成份股中，最靠前的是第4檔、而非第5檔的股票，且其收益率大幅領先其他組，也就是說并不是PE最低的表現最好，而是PE較低的表現較好。具體來看：從市值特征看，PE在HS300和ZZ500股票池中表現出的有效性規律相似；從行業屬性看，PE在非周期股票池中的有效性明顯強于周期類；從市場環境看，PE在牛市表現更好。王雄深大混沌量化投資研究中心56不同市場環境下有效性的一些結果（1）HS300中，首選有效因子有：PS，PCF，營業收入增長率（單季、同比），凈利潤增長率（單季、同比），經營現金流增長率（單季、同比），ROE增長率（單季、同比），ROA增長率（單季、同比、TTM）。

ZZ500中，首選有效因子有：PS，PB，EV/EBITDA，凈利潤增長率（單季）。（2）市值大小對因子有效性影響顯著：如ROE、ROA增長率在HS300中有效性明顯，而在ZZ500中幾乎無效；EV/EBITDA則反之。

（3）估值：PS最有效，PE在非周期中有效性高：總體來看，PS有效性在所有因子中最高，在周期股中相對更高；PE只在非周期中表現有效。

（4）PB熊市表現更好，財務增長率指標震蕩市表現最佳。（5）財務指標的短期增長率更有效：營業收入、凈利潤等財務指標的單季和同比增長率的有效性高于TTM增長率。王雄深大混沌量化投資研究中心思考：所以在全市場中表現不好的丟棄因子，拿到具體的特定的環境下可以化腐朽為神奇57PPT模板：PPT素材：PPT背景：PPT圖表：PPT下載：PPT教程：資料下載：范文下載：試卷下載：教案下載：PPT論壇：PPT課件：語文課件：yuwen/數學課件：shuxue/英語課件：yingyu/美術課件：meishu/科學課件：kexue/物理課件：wuli/化學課件：huaxue/生物課件：shengwu/地理課件：dili/歷史課件：lishi/模型建立與特點

1、市場行情劃分2、有效因子選取3、與技術面的結合策略流程開始數據準備不同市場行情的劃分因子選取打分排序后選股并做空股指期貨定期調倉1.市場性質劃分HS300>0ZZ500>0HS300>0ZZ500<0HS300<0ZZ500>0HS300<0ZZ500<0【雙熊】【大盤股牛】【小盤股牛】【雙牛】1.1市場行情象限圖R(HS300)R(ZZ500)0大盤股牛雙牛雙熊小盤股牛PPT模板：PPT素材：PPT背景：PPT圖表：PPT下載：PPT教程：資料下載：范文下載：試卷下載：教案下載：PPT論壇：PPT課件：語文課件：yuwen/數學課件：shuxue/英語課件：yingyu/美術課件：meishu/科學課件：kexue/物理課件：wuli/化學課件：huaxue/生物課件：shengwu/地理課件：dili/歷史課件：lishi/2.有效因子選取2.1套利定價理論：套利定價理論是利用多因素模型來描述資產價格的決定因素和均衡價格的形成機理的。成長類因子盈利類因子估值類因子技術類因子12個月凈資產收益變化率資產收益率市盈率一個月平均換手率凈利潤增長率凈資產收益率市凈率100周BETA凈資產增長率企業價值倍數倒數每股現金流量凈額

速動比率

2.2備選因子庫2.3多元線性回歸：對四種市場性質下的數據進行橫截面回歸，分別得到各個性質市場下的有效因子。

行情雙牛大盤股牛小盤股牛雙熊有效因子ROAROA_CHGTURNOVEREBIT_EVPEPBTURNOVERPEPE2.4選出的有效因子3.與技術面的結合3.1技術面指結合流程3.2對技術面指標有效性分析

多因子策略（夏普）多因子+技術面策略（夏普）20074.23.738620081.9211.50920093.11623.209220104.04483.567320110.82561.26920121.48922.436520131.14892.0176total2.58862.5262平均提高夏普比率接近1PPT模板：PPT素材：PPT背景：PPT圖表：PPT下載：PPT教程：資料下載：范文下載：試卷下載：教案下載：PPT論壇：PPT課件：語文課件：yuwen/數學課件：shuxue/英語課件：yingyu/美術課件：meishu/科學課件：kexue/物理課件：wuli/化學課件：huaxue/生物課件：shengwu/地理課件：dili/歷史課件：lishi/模型應用與改進

1、模型測試結果2、對于模型參數優化和選擇3、模型改進方向PPT模板：PPT素材：PPT背景：PPT圖表：PPT下載：PPT教程：資料下載：范文下載：試卷下載：教案下載：PPT論壇：PPT課件：語文課件：yuwen/數學課件：shuxue/英語課件：yingyu/美術課件：meishu/科學課件：kexue/物理課件：wuli/化學課件：huaxue/生物課件：shengwu/地理課件：dili/歷史課件：lishi/累計超額收益率：2.3088持倉股數：40調倉周期：30最大回撤：12.39%夏普比率：2.52121、模型測試結果PPT模板：PPT素材：PPT背景：PPT圖表：PPT下載：PPT教程：資料下載：范文下載：試卷下載：教案下載：PPT論壇：PPT課件：語文課件：yuwen/數學課件：shuxue/英語課件：yingyu/美術課件：meishu/科學課件：kexue/物理課件：wuli/化學課件：huaxue/生物課件：shengwu/地理課件：dili/歷史課件：lishi/只持有5只股票收益分析累計超額收益率：2.1685持倉股數：5調倉周期：30最大回撤：27.63%夏普比率：1.54692.對于模型參數選擇和穩健性檢驗2.1模型主要參數①持倉周期②持股數量一、建模目的與問題分析尋找可獲最大超額收益的個股傳統因子與模型在中國市場表現不良歐美與中國的市場的區別采用EV/EBITDA因子進行回測，對個股篩選出EV/EBITDA最高的20%采用EBITDA/EV因子進行回測，對個股篩選出EBITDA/EV最高的20%采用ROIC因子進行回測，對個股篩選出ROIC最高的20%采用ROIC與EBITDA/EV因子組合進行回測，對個股篩選出該因子組合最高的4%（20%×20%）采用EBITDA_TTM/EV因子進行回測，對個股篩選出EBITDA_TTM/EV最高的20%二、模型建立YYNN開始數據準備市場波動范圍是否較大？

將個股根據EBITDA/EV排序取其中EBITDA/EV最高的15%的個股，記為data將data中的個股根據ROIC進行排序取其中ROIC最高的17%的個股，記為data將資金平均分為40份，每只個股買入一份金額是否達到了最后期限？等待90天將個股根據EBITDA_TTM/EV進行排序取其中EBITDA_TTM/EV最高的18%的個股，記為data取最后一個因子（ROIC或EBITDA_TTM/EV）最高的40只個股結束1、市場狀態判斷（以下月K線圖來源于滬深300）06年12月13年12月07年10月08年4月08年10月若前三個周期價格總變化率大于80%且前三個周期中存在一個周期的變化率大于40%，則我們認為當前市場處于一個大幅波動的狀態；否則，我們則認為當前市場處于一個平穩運行的狀態。3、時間是否達到了最后期限開始數據準備市場波動范圍是否較大？

將個股根據EBITDA/EV排序取其中EBITDA/EV最高的15%的個股，記為data將data中的個股根據ROIC進行排序取其中ROIC最高的17%的個股，記為data將資金平均分為40份，每只個股買入一份金額是否達到了最后期限？等待90天將個股根據EBITDA_TTM/EV進行排序取其中EBITDA_TTM/EV最高的18%的個股，記為data取最后一個因子（ROIC或EBITDA_TTM/EV）最高的40只個股結束2、市場處于特定狀態時應采取的選股策略，其中就有對傳統因子的改進與創新YNYN三、模型應用與結果基于因子擇時的價值與成長選股綜合模型

評價與改進實現與測試

模型簡介模型簡介模型簡介ModelIllustration3、價值選股&成長選股1、模型框架2、擇時4、交易策略模型簡介ModelIllustration因子擇時綜合模型的基本結構模型框架模型簡介模型框架核心觀點：1、市場存在趨勢上漲、趨勢下跌、震蕩上漲、震蕩下降等四種市場狀態

。2、下跌震蕩市看成長因子，否則（趨勢市和上漲震蕩市）看價值因子。模型簡介模型框架資產收益率因子擇時綜合模型價值模型成長模型凈利率同比增長率營業收入同比增長率流動資產周轉率變化杠桿變化資產周轉率變化資產收益率變化

市凈率

下跌震蕩市趨勢市&上漲震蕩市

SFScore模型

SVM-GARCH模型

價格軌跡效率

模型簡介ModelIllustration基于SVM-GARCH的市場狀態預測與劃分模型擇時模型簡介擇時1、震蕩市和趨勢市的劃分若效率efficiency=0.25，當效率高于0.25，可以視為價格運動變化效率比較高的狀態，即趨勢市場；反之，當效率低于0.25，可以視為低效的，即震蕩的市場。價格軌跡效率：模型簡介擇時2、上漲市與下跌市的劃分選定支持向量機的輸入參數分析最終結果對輸入參數進行標準化處理支持向量機的構建得到預測結果根據GARCH模型獲得波動率指標，再將其與其他7個對沖標的相關指標一并作為SVM模型輸入數據，基于SVC分類預測對沖標的漲跌情況，以區分上漲市和下跌市。GARCH模型波動率其他七個對沖標的相關指標

上漲VS下跌GARCH模型波動率

其他

上漲VS下跌價格軌跡效率趨勢VS震蕩下跌震蕩市

其他

SVM模型模型簡介擇時2、基于GARCH-SVM的市場狀態預測與劃分模型模型簡介ModelIllustrationSFScore模型與成長選股模型價值選股&成長選股模型簡介價值選股1、比喬斯基低市凈率選股策略比喬斯基價值選股策略是以市凈率分層為基礎，篩選出9個財務指標。經過回測和統計分析，我們發現選股方法在A股市場有如下缺陷：實證收益不佳；指標間高相關性，高干擾性；A股市場相對于美國市場的波動更高；財務報告編制方法、中美財務指標的計算原則不同；A股市場的樣本量偏少，有些月份可能沒有入選股票。模型簡介價值選股

2、SFScore低市凈率價值模型的建立我們將原來的9個指標優選到5個，提出了更適合中國A股市場的SmallFScore（SFScore）低市凈率選股模型。資產收益率變化（△ROA）資產收益率（ROA）杠桿變化（△LEVER）資產周轉率（△TURN）毛利潤率變化（△MARGIN）盈利水平財務杠桿及流動性

運營效率SFScore=ROA+△ROA+△LEVER+△MARGIN+△TURN選取股票池中市凈率最低的20%的股票，計算其SFScore并挑選得分為4或5的股票。模型簡介成長選股3、成長選股模型營業收入增長率（同比）凈利潤增長率（同比）本期歸屬母公司凈利潤/1年前同期歸屬母公司凈利潤-1最近四個季度主營業務收入/前四個季度主營業務收入-1

50%50%對成長因子進行加權打分，選出因子得分前10%的股票。模型簡介價值選股&成長選股選股模型指標匯總市場狀態因子體系指標含義權重

趨勢市&上漲震蕩市價值模型SFScore

資產收益（ROE）收益率為正數時ROE=1，否則為0

20%

資產收益率變化（△ROE）當期最新可得財務報告的ROA同比的變化。變化為正數時△ROA=1，否則為0

20%

杠桿變化（△LEVER）杠桿通過非流動負債合計除以非流動資產合計計算，杠桿變化為當期最新可得財務報告的杠桿同比的變化。變化為負數時△LEVER=1，否則為0

20%

流動資產周轉率變化（△CATURN）流動資產周轉率變化為當期最新可得財務報告的資產周轉率同比的變化。變化為正數時△CATURN=1，否則為020%

資產周轉率變化（△TURN）資產周轉率通過總資產周轉率除以期末資產總值計算，資產周轉率變化為當期最新可得財務報告的資產周轉率同比的變化。資產周轉率變化為正數時△TURN=1，否則為0

20%

下跌震蕩市成長模型凈利潤增長率(同比)本期歸屬母公司凈利潤/1年前同期歸屬母公司凈利潤-1

50%營業收入增長率(同比)

最近四個季度主營業務收入/前四個季度主營業務收入-1

50%模型簡介ModelIllustration交易策略模型的具體操作策略模型簡介交易策略1.數據預處理極值標準化

確定股票池無量綱處理3.綜合模型指標的匯總2.市場狀態的預測與劃分4.

SFScore和成長股票組合的構建5.股票組合的動態調整

判斷市場狀態

動態調整計算價格效率估計波動率預測大盤走勢價值模型SFScore成長模型

構建SFScore待選股票組合構建成長模型待選股票組合

交易策略流程圖模型簡介交易策略時間窗模型實現與測試模型實現與測試Implementation

and

test回測資金曲線超額收益穩中有升模型實現與測試Implementation

and

testalphaSharpalphaRtnalphaDrawdownalphaDdP20070104-200712283.40160.4933-0.09587120080102-200812313.46070.2441-0.05947820090105-200912313.76230.2203-0.02924720100104-20101231-0.0950-0.0085-0.099913020110104-201112303.12760.1810-0.03817120120104-201212313.70450.1895-0.03273220130104-201312310.89490.0609-0.063882TOTAL2.36181.3805-0.0999130回測模型指標模型實現與測試Implementation

and

testalphaSharpalphaRtnalphaDrawdownalphaDdPTOTAL2.36181.3805-0.0999130回測結果分析分析指標數據和回測資金曲線，可以發現：年度alpha夏普率最大值為3.7623，出現在2009年；年度alpha收益最大值為0.4933，出現在2007年；最大回撤的最小值和最大值則分別出現在2009年和2010年，分別為-0.0292和-0.0999。策略的alpha總收益為1.3805，說明策略可獲得較高的超額收益，尋找的因子較為有效且因子擇時確實發揮了作用。策略的最大回撤為-0.0999，說明此策略比較穩健。模型評價與改進模型評價與改進EvaluationandImprovement因子擇時，變廢為寶價值與成長因子，分工合作傳統價值策略數量化和本土化最大回撤較低1、模型評價模型評價與改進EvaluationandImprovement2、模型改進改進方案：因子權重按因子未來收益或因子間相關性確定缺點1：本模型為等權重缺點2：局部的變動非常急速，有稍稍滯后，

在某些擾動區域會出現震蕩市的“碎片”。改進方案：使用一個新的指標來區分市場狀態。市場在震蕩且趨勢不明顯時，利用中長線的EMA比較容易識別。因子創新之六：

組合新因子，主成分因子王雄深大混沌量化投資研究中心108主成分因子思考：

1這么多因子之間并不獨立

2這么多因子之間哪些更重要

3能否用一些少數幾個更重要的、更獨立的因子代替一堆不獨立的有冗余的因子庫主成分分析法就是這樣一種用較少的綜合分析指標來代替原來較多的指標,綜合提取信息的有效方法。它主要是利用降維的思想從較多的指標中找出較少的幾個綜合的指標,而這些指標也能較好的反映原來的信息,只是把重復的信息去掉、簡化了數據結構。王雄深大混沌量化投資研究中心109主成分的提取1由于前兩個主成分就貢獻了99.77%方差，因此我們就可以只提取前兩個主成分。王雄深大混沌量化投資研究中心110主成分構成（續）不僅可以大大降維，而且得到了兩個非常獨立的綜合因子，足以代表99%的信息王雄深大混沌量化投資研究中心111基于因子降維思想的分行業多因子選股策略目錄/Contents0102030405建模目的與問題分析模型思路模型建立

交易策略模型實現與測試01建模目的與問題分析問題一如何有效的篩選因子？第一步先采用傳統的排序法進行因子篩選；第二步需要用到主成分分析法。即用低維的數據反映高維數據的絕大部分信息。如果采用排序法選出的因子是具有有效性的，那么采用主成分分析法能在此基礎之上降低因子維度，提取最具特征信息的幾個維度，構建多因子模型，就可以反映絕大部分股票收益率的變動，因此可以認為降維以后的具有代表性的“主成分因子”蘊含著絕大部分有效的信息。問題二如何利用降維以后的因子在降維的同時，利用主成分分析法求出這些因子的各自的方差貢獻度，作為多因子模型的因子權重，構建分行業的多因子模型，同時每次調倉周期因子的方差貢獻率會進行調整，實際上實現了多因子模型的動態化。用戶價值產和社會價值0202模型思路首先，數據預處理后，通過傳統的排序法篩選出有效的因子。再者，篩選出的因子雖然有效，但是效果是具有時效性的，過一段時間以后有效性可能就會減退。加之因子之間存在不同程度的相關性，會大大降低多因子模型的效果。因此需要對這些因子進行降維。最后，利用降維以后的因子，結合各自的方差貢獻率，在不同行業內構建多因子模型，以30日為調倉周期，建立選股策略，再根據均線策略，適當加大買入股票的倉位。1.因子的有效性檢驗多維度+海選

盈利因子

成長性因子

規模因子

估值因子

流動性因子

波動因子

技術因子03模型建立在7類Alpha因子中，我們共中選取了59個我們認為較有代表性的備選Alpha因子，以下為部分因子：

盈利銷售凈利率(%)ROE(凈資產收益率)ROA(資產收益率)毛利率營業費用比例(%)凈利潤現金含量財務費用比例(%)銷售凈利率(同比)ROE凈資產收益率(同比)ROA資產利潤率(同比)毛利率(同比)營業費用比例(同比)成長每股凈資產增長率(%)ROE增長率主營業務收入增長率(%)EPS增長率(%)凈利潤增長率(%)總資產增長率(%)股東權益增長率(%)每股收益增長率(同比)總資產增長率(同比)每股凈資產增長率(同比)2數據選擇以及預處理標的股票：全A股市場進行選股

樣本期間：2007年-2013年全A股市場財務數據：本文所采用的財務數據均來自競賽平臺收錄的數據。數據預處理：數據的預處理主要包含三部分，即去極值化、標準化以及剔除ST股去極值化：把極大值變成1.79769313e+308，把極小值變成-1.79769313e+308，同時把NAN值=0用于平衡標準化：標準化后向量=(原向量-均值)/標準差對每個行業去剔除各種st股，漲停股，跌停股。3不同行業內選股因子有效性檢驗

有效性檢驗歷史累計收益、信息比率、最大回撤以及勝率等

單調性檢驗單調性檢驗：通過分析各檔股票組合的表現是否具備顯著的單調性步驟如下：（1）在某一行業內，對于任意一個候選因子在模型形成期的第1個周期初開始計算該行業內各股票該因子的大小，按從小到大的順序對樣本股票進行排序，并平均分為n個組合，一直持有到周期末。（2）在下個周期再按同樣的方法重新構建n個組合并持有到周期末，每個周期如此，一直重復到模型形成期末。（3）組合構建完畢后，計算這n個組合的有效性指標和單調性指標（4）對每個行業重復步驟（1）到（3）檢驗與篩選，不同行業內表現最好的因子，其有效性部分結果如下： 行業因子名稱因子IC平均收益率因子勝率因子IR化工成交金額-5.69%-18.89%33.33%-1.004流通市值-5.09%-16.82%36.11%-1.390鋼鐵（黑色金屬）流動負債率：流動負債/負債合計10.52%16.34%58.33%1.012有色金屬流通股本-6.07%-14.22%44.44%-0.532流通股本/總股本5.79%25.53%75.00%1.028流通市值/總市值5.76%25.53%75.00%1.028建筑銷售毛利率5.43%32.24%61.11%1.167EP4.40%24.35%61.11%0.864機械設備BP5.48%23.73%61.11%1.071每股派息/股價5.26%20.08%61.11%1.432交運設備三個月股價反轉因子-10.68%-41.19%41.67%-1.378長期負債比率

4.52%14.56%63.89%0.753*基于平臺容量問題，不能支持所有行業已以及過多的因子，因此我們只能選取某些行業來進行有效性的檢驗，并每個行業挑選出不多于三個的、最顯著有效的因子。主成分分析法降維處理1因子的降維規則：過濾的規則有兩條：·需要降維的一系列因子為不同維度的因子，相同維度的因子選擇顯著性最強的即可。考慮到競賽平臺的容量不足的問題，我們每個行業選取的維度不超過三個。·因為涉及到的維度較少，因此在主成分分析以后選擇方差貢獻率為99%或以上的因子組合2.因子降維規則的完整表達：1.構建樣本矩陣：假設有n支股票，p個指標因子的原始樣本矩陣X，如下：其中，Xij表示第i支股票數據中的第j個因子的值。再對樣本陣X進行變換得Y=[yij]n×p，其中

3.對Y做標準化變換得標準化陣：其中分別為Y陣中第j列的均值和標準差4.計算標準化陣Z的樣本相關系數陣5.求特征值：解得p個特征值λ

1

≥λ

2

≥…≥λ

p

≥0。6.確定m值，使信息的利用率達到80%以上。確定方法為：對每個λj，j=1，2，…，m。解方程組Rb=λjb，得單位向量：7.求出的m個主成分分量：得決策矩陣：其中，ui為第i個變量的主成分向量。04交易策略基本的交易策略1策略設計想法：多因子模型的開倉策略實質上就是選股策略，我們對此有以下的想法：（1）先用排序法將七大維度顯著有效的因子篩選出來，在每個行業內再用主成分分析法進行降維（2）各自主成分因子的方差貢獻率作為相應因子的權重，并使累計組合因子的方差貢獻率達到99%以上（3）在不同的行業分別構建本文的多因子模型（4）以30天為周期進行開倉，此時會重新計算因子新的方差貢獻率，重新調整優化多因子模型。（二）平倉策略的制定基于以下的想法：本文的選股策略以30日作為調倉周期，每次調倉周期會進行平倉并重新選股。本文的選股策略是基于多因子模型，因此30日平倉符合我們選股策略的邏輯與要求。

開倉：Y=a1F1+a2F2+......+amFm其中，F1…，Fm為主成分因子，是每個主成分因子的貢獻率，Y為各股評估指數.）其中，Pm是第m百分位數；L是Pm所在組的組下限；f是Pm所在組的次數；Fb是小于L的累計次數；

則W[i]=1.25，IfY[i]>P其中，Y[i]為第i支股的評估指數，P為Y中第99百分位數(m=99)，W[i]為第i支股的買入權重2策略制定：加倉：MA（N）=(C1+C2+C3+...+CN)/N其中，Cn：前n日收盤價N：移動平均周期

D1=MA(14)-MA(21)D2=MA(28)-MA(35)

若D2[di=-2]<0,D2[di=-1]>0,且w1=D1[di=-1]/D1[di=-2]>2，此時為買入信號

則該股票i的買入權重重新賦權為：wi=1.25+w1其中，di=-1為股票i前1天的數據，如此類推平倉：（1）當n=30，調倉一次。其中，n為持倉天數

（2）若D2[di=-2]>0,D2[di=-1]<0,此時為賣出信號則wi

=0，即對股票i進行平倉。

若D2[di=-2]<0,D2[di=-1]>0,D2[di=-2]>0,D2[di=-1]<0，此時為假突破信號則wi

=0，即對股票i進行平倉。05模型實現與測試回測的模型指標：最終盈利：累計超額收益率390.4%交易次數：58

最大回撤：20.94%收益風險比：2.09圖3回測收益率曲線總結建立多個自變量與因變量關系的三種思維1半定性半定量，打分法

傳統打分問題在于a剔除了太多因子可能丟失了很多有用信息b剔除相關性最強的因子，剩下的仍然有相關性c最后留下的因子很少了，權重等權不太合理d是交是并還是如何太多主觀自由度2統計回歸，關系蘊含在統計學方程里

如果不做降維和獨立化，回歸可能很難做且不顯著3神經網絡深度學習沒有方程關系蘊含在神經網絡里

如果不做信息預處理，丟給機器囫圇吞棗，可能吃壞肚子王雄深大混沌量化投資研究中心136王雄深大混沌量化投資研究中心137王雄深大混沌量化投資研究中心138王雄深大混沌量化投資研究中心139王雄深大混沌量化投資研究中心140王雄深大混沌量化投資研究中心141王雄深大混沌量化投資研究中心142王雄深大混沌量化投資研究中心143王雄深大混沌量化投資研究中心144王雄深大混沌量化投資研究中心145王雄深大混沌量化投資研究中心146人工智能自適應集成算法詳細資金曲線、調倉記錄和持倉記錄：鏈接：密碼：q013人工智能自適應集成算法詳細資金曲線、調倉記錄和持倉記錄：鏈接：密碼：q013

再接再厲

鼓勵創新

鼓勵策略創新，拓展策略思路，避免策略同質化王雄深大混沌量化投資研究中心149特等冠名獎宗旨金融建模與量化投資有著極為豐富的內容，策略品種豐富多彩，金融市場是一個復雜的生態系統，不同的投資理念有不同的策略類型，都可以用量化模型的方法加以檢驗和實現。為鼓勵策略創新，拓展策略思路，避免策略同質化，深圳大學混沌量化投資中心主任王雄教授特增設以下特別冠名獎以額外獎勵在市場研究與策略開發上有特別創新的參賽隊伍。幾個特別創新獎的邏輯關系在微觀層面，利用CTA擇時策略里的擇時模型，進出場加減倉、止盈止損、倉位管理、風險控制和分散組合優化，進行微觀層面對個股的風險再控制。宏觀模型順應大勢在行業層面，在順應大勢的前提下，我們認為主要阿爾法來源于風格的捕捉和把握，所以我們不做所謂的機械的行業中性。我們的市場結構風格輪動模型，利用機器學習對市場進行重新劃分，把握市場風格切換脈動，做到先選準風格板塊，再選股。宏觀層面，量化投資目前在對宏觀市場的研究還處于初步，但廣義的量化投資必須對宏觀市場基本面進行深入建模。既然用股指對沖系統風險并不能完全對沖，不如直面宏觀市場建模。我們的人工智能大盤指數模型對大盤的每日和近期漲跌預測，可以回避絕大多數大盤的系統風險，這是第一層宏觀風控。輪動模型把握風格在個股層面，在把握大勢和板塊后，再多因子精選個股，此時針對不同板塊內的特征來選因子，使得全市場失效的因子，在局部因地制宜地發揮奇效，價值與成長因子，分工合作，變廢為寶。同時我們開發基于人工智能集成自適應算法的多因子選股模型，除了財務基礎因子，還構建創新因子如基于行為金融的處置效應因子、相對市盈率因子、籌碼因子等等，以獲持續穩定收益。財務模型選對公司擇時模型精選時機第三談

策略創新之風險控制控制好了風險，盈利是隨之而來的最佳風險控制獎倉位管理與風險控制是量化投資獲取穩健收益的根本，同時程序化的執行力也是量化投資的優勢，參賽者需完成由淺入深以下模型：1.全倉策略1.對于股票類純多型單股票標的，開發一個日線級全倉買入賣出擇時策略，畫出收益曲線和回撤圖這里只考慮做多傳統的出多空信號，是屬于+1，-1式的信號，出多信號則全倉買入，并沒有倉位控制1.全倉策略這個時候有傳統的所謂的勝率和盈虧比的統計因為每次都是全倉買入賣出，可以考慮“每次”交易的盈虧經典技術分析類信號2.倉位管理對于股票類純多型單股票標的，開發一個日線級有倉位管理的分批買入賣出擇時策略，目標是較1有更平滑的曲線通過更加精細化的操作，控制風險可統計在全股票池里這種回撤的改進回撤的度量如何建模度量凈值曲線是否更加光滑？最大回撤降低或夏普升高固然是一個簡單方法，還有接近最大回撤的次數，回撤修復的時間等等建議使用回撤曲線的積分來度量整體的回撤情況3分鐘級別精細化操作3.對于股票類純多型單股票標的，開發分鐘級日內分散建倉策略，每日擇高分批賣出昨日倉位，擇低買入今日倉位，以進一步減小成本和控制回撤，特別是日內短時期暴跌的風險控制，對比2的收益回撤改進目標是a日內風控

b減小買入成本c所謂做T+0日內3.a分鐘級別風控的必要性3.a分鐘級別風控的必要性3.b減少建倉成本對由其他模型已經確定要買入的股票池，對需要買入的股票池和買入時間，進行精細優化，如原計劃每月調倉，買入數十只股票，現在對這買入股票池進行逐步建倉，在數天內，在日內的分鐘級上去尋找合適建倉點，降低建倉成本基于原始的定期調倉量化選股模型，對比改進的效果3.c日內t+0對于任一只股票，如方大炭素，每日擇高賣出昨日的倉位，擇低買入今日的倉位，長期下去，對比和簡單持有該股票的差別關鍵點是對高點和地點的建模預測對全市場不同股票應用該策略，思考什么樣的行情的股票更適合此類操作如果在日線級別上簡單持有，并無什么行情，如果抓住日內的波動，可以擴大一些收益4針對不同行情，采取不同日內策略

4.以上3步都以“方大炭素”為例以對比改進情況如何，并推廣到更大股票池，為了統一對比這里以滬深300為例，統計在大樣本池里每只股票改進情況，每只股票每一版本的收益回撤夏普等，以檢驗風控模型的普適性此模型就以滬深300只股票，過去五年，A簡單持有每一只股票，B日線級別買賣該股票C分鐘級買賣該股票，對比每一只股票的改進效果，當然需要考慮滑點和手續費5選定股票池做日內交易將上述方法應用到自行選定的一攬子股票中，通過組合繼續減少回撤，注意這里是純多頭的回撤，不是對沖后的回撤，對比平均資金簡單持有此一攬子股票與做倉位擇時風控的效果差別改進與4的不同是，自行選擇合適的底倉股票池6再加上大盤擇時通過大盤擇時等其他風控繼續優化組合回撤，對比改進效果，最終建立任給一組股票池，可以盡可能比平均資金簡單持有此一攬子股票更多的附加收益和更小的回撤請先在滬深300每只股票池里測試，看整體改進的情況然后可以疊加在你的量化選股策略里，對你原始選股策略的改進舉例說明大盤風控的效果

宏觀風控模型順應大勢宏觀層面，量化投資目前在對宏觀市場的研究還處于初步，但廣義的量化投資必須對宏觀市場基本面進行深入建模。既然用股指對沖系統風險并不能完全對沖，不如直面宏觀市場建模。我們的人工智能大盤指數模型對大盤的每日漲跌預測達到了非常高的準確率，可以回避絕大多數大盤的系統風險，這是第一層宏觀風控。簡單大盤風控之后詳細資金曲線、調倉記錄和持倉記錄：鏈接：密碼：hxrk綜合大盤個股風控策略夏普5.3阿爾法66.7%7期貨策略多品種多周期對于期貨類多空型單品種標的，建立多品種多周期多策略組合，控制回撤獎項申請要求近五年歷史回測，通過基本模型附加上此倉位管理風控模塊，期貨多空類模型組合回撤不超過15%，股票類策略純多頭回撤不超過10%，回撤修復時間不超過3個月，同時夏普不低于2這里由于過去有一個股災，影響評判，所以上述回撤是平均意義下，即回撤曲線的累積面積對時間求平均，簡單看即每三個月內的最大回撤，即一年4個五年20個回撤數據，再做平均，不超過10%主要是看對原模型的改進PS當然主要還是看改進的程度，收益和風險是由市場決定而不是風控模塊決定的，但風控可以提原模型的表現，所以只要你在某個方面大幅度改進了，即可申請此獎項評判要點此獎項評判要點：最終考察的是模型中倉位管理風控模塊的效力，建立模型使得任給一組股票池，可以盡可能比平均資金簡單持有此一攬子股票有更多的附加收益和更小的回撤；期貨類模型也是追求多周期多品種組合控制風險。為了方便對比倉位管理與風控效果，請先以“方大炭素”為例演示倉位管理模塊的一步步改進，再將最終改進完善的個股風控模型，應用到滬深300所有個股，統計整體表現并分析改進效果；最后以上證50股票池為例，對股票池做倉位管理和風控，超越指數第四談

策略創新之風格輪動根據風格變化適時切換策略因子創新之九：

風格輪動、行業輪動

風格大小盤周期非周期成長價值本質上還是可以當做因子風格偏宏觀，行業偏微觀，還有概念板塊等等所謂輪動，本質上還是因子的動態調整王雄深大混沌量化投資研究中心176行業輪動的經濟學原理規律王雄深大混沌量化投資研究中心有技巧地“剔除”國內股市的特