量化多因子选股简论(下)

合集下载

股票量化投资策略研究:股票多因子策略研究

股票量化投资策略研究:股票多因子策略研究

股票多因子测试入门一、前言做这个研究的目的,一是为了搞清楚股票策略研究中的一些细节问题,熟悉股票研究框架;二是为了大致了解各类因子的作用。

用米筐测,那里数据完善。

现在要做的,主要就是模仿,看别人的。

先学barra。

二、Barra Multiple-Factor Modeling来自Barra Risk Model HandBook。

(一)因子(Descriptor)筛选、单位化处理、搭配然后选择所有备用的因子descriptors(类似因子?以下简称“因子”),要先检验因子的显著性;通常,因子要显著地解释截面收益。

descriptor可来自基本面数据、市场数据(价、量)、或者其他数据。

因子的选择可分为几步:(1)初步筛选;有用的因子,通常要有意义,也就是make sense intuitively;其次,好的因子还必须能够对市场上的所有股票进行很好的分类,也就是完备性,不应当存在某些股票不属于因子中某一类的情况;因子需要有理论基础;(2)同时,增加一个因子如果不能增加解释度,那这个增加没有必要。

然后要将descriptors单位化;很简单,减去均值,然后除以标准差。

然后,要选择不同因子进行搭配,risk index formulation;如何搭配,主观判断起到一定作用;但是诸如cluster analysis之类的统计方法也经常用到。

在单位化以后,我们用收益率对行业和descriptor进行回归,每次测试一个因子,我们要统计回归的显著性;通过上面的测试结果,我们就可以选择出有用的因子;因子搭配,是一个递归的过程,我们首先加入最显著的因子;此后,再加入另一个因子(剩下的因子里面的最显著的?),如果这个因子没有显著增加解释度,则不要这个因子,否则就加入这个新的因子(注:这里依然要考虑行业暴露)。

然后,行业因素也要考虑进行;或者叫,行业暴露。

通常,一个公司只属于一个行业;但是,在美国和日本,会根据该公司营收的比例来决定各个行业暴露的权重。

量化选股的方法和步骤

量化选股的方法和步骤

量化选股的方法和步骤(原创版3篇)篇1 目录一、量化选股的定义和意义二、量化选股的方法1.多因子选股2.风格轮动选股3.营业利润同比增长率选股4.市盈率选股三、量化选股的步骤1.数据来源2.数据处理3.选择选股模型4.执行选股策略5.风险控制四、总结篇1正文量化选股是一种利用数量化的方法选择股票组合的投资策略,其目的是期望该股票组合能够获得超越基准收益率的投资行为。

在量化选股过程中,投资者需要根据不同的选股模型和步骤来进行操作。

首先,多因子选股是最经典的选股方法之一。

该方法采用一系列的因子(比如市盈率 pe)作为选股标准,满足这些因子的股票被买入,不满足的被卖出。

例如,价值投资者会买入低 pe 的股票,在 pe 回归时卖出股票。

其次,风格轮动选股是利用市场风格特征进行投资的方法。

市场在某个时刻偏好某种风格的股票,如小盘股、大盘股、成长股、价值股等。

风格轮动选股策略就是根据市场的偏好,选择相应风格的股票进行投资。

此外,营业利润同比增长率选股也是一种常用的量化选股方法。

对于不同的股票,如果营业利润率上涨了相同的比例,而股价上涨幅度不同,那么就买入上涨幅度较小的。

具体选股策略包括:对沪深 300 所有股票计算当前价格 p 与一年前的价格 p0 的比例,并用这个比例除以(1 营业利润同比增长率)。

筛选出营业利润同比增长率大于 0 的股票。

市盈率选股则是另一种常见的量化选股方法。

该方法根据股票的市盈率(pe)来选择投资标的。

市盈率较低的股票通常被认为具有较高的投资价值。

在实际操作中,量化选股的步骤包括数据来源、数据处理、选择选股模型、执行选股策略和风险控制。

数据来源可以是交易所、数据服务商等机构提供的场内交易数据集。

数据处理包括对原始数据进行清洗、整理和计算等操作,以便于后续的分析和建模。

选择选股模型是量化选股的核心环节,投资者需要根据自己的投资理念和风险偏好选择合适的模型。

执行选股策略是指根据选定的模型,通过程序化的方式实现交易。

多因子量化选股策略sas

多因子量化选股策略sas

多因子量化选股策略sas一、多因子量化选股策略概述多因子量化选股策略是指通过利用多个因子对股票进行评估,从而选择出具有较高综合得分的股票作为投资对象的一种投资策略。

该策略基于大量历史数据和统计分析方法,通过建立数学模型对不同因子进行加权组合,从而实现对市场中个股的评估和选取。

二、多因子量化选股策略的优点1. 有效避免主观判断带来的误差。

多因子量化选股策略依赖于大量历史数据和统计分析方法,减少了人为主观判断带来的误差。

2. 提高投资决策效率。

通过建立数学模型,多因子量化选股策略能够快速准确地对市场中个股进行评估和排名,提高了投资决策效率。

3. 降低风险。

多因子量化选股策略能够根据不同因子对个股进行综合评估,降低了单一指标带来的风险。

三、多因子量化选股策略的核心思想1. 因子选择。

多因子量化选股策略的核心在于选择合适的因子,以评估股票的优劣。

常用的因子包括:市盈率、市净率、PEG、ROE、ROA等。

2. 因子加权。

不同因子对个股的影响程度不同,需要进行加权处理,以反映其在综合评估中的重要性。

3. 因子组合。

选取若干个因子进行组合,得到综合得分,以便对个股进行排名和选取。

四、多因子量化选股策略的实现方法1. 数据获取。

多因子量化选股策略需要大量历史数据作为基础,包括财务数据、市场数据等。

2. 因子构建。

根据选定的因子和权重,构建数学模型,并利用统计分析方法对模型进行优化和验证。

3. 选股策略执行。

根据综合得分对个股进行排名,并选择得分较高的个股作为投资对象。

五、多因子量化选股策略在SAS中的应用SAS是一款专业数据分析软件,在多因子量化选股策略中具有广泛应用。

具体实现方法如下:1. 数据获取。

SAS可以通过连接各大交易所的数据源,获取市场数据和财务数据。

2. 因子构建。

SAS可以利用SAS/STAT、SAS/ETS等模块进行因子构建和模型优化。

3. 选股策略执行。

SAS可以通过SAS/IML、SAS/OR等模块实现选股策略的执行和结果分析。

最新 基于多因子模型的量化选股分析-精品

最新 基于多因子模型的量化选股分析-精品

基于多因子模型的量化选股分析随着中国资本市场复杂程度日渐加深和规模日益庞大,投资品种和数量与日俱增,无论是个人或是机构投资者所拥有的投资渠道与投资方法也在逐渐增多。

量化投资作为一种来自海外资本市场的先进技术,在海外资本市场中受到了广泛追捧,著名的西蒙斯与大奖章基金便是利用了量化投资技术,于1989~2007年间获得了高达38.5%的平均年收益率。

中国的量化投资发展虽仍在起步阶段,、金融学、科学相结合的优势来寻求超额收益。

据统计显示,截至2016年10月,中国公募基金中共有48支基金以“量化”命名,其中长信量化先锋基金(519983),申万菱信量化小盘股票基金(163110)与大摩多因子策略混合基金(233009)等均表现出色,具有较高的年化收益率。

而无论是在个体投资或是基金投资中,多因子选股模型均是较为广泛的量化模型之一。

本文基于多因子模型策略,利用2011~2015年的数据对投资过程中的常用因子进行有效性检验,并使用有效因子构建基本多因子模型,根据假设创造性地使用简单打分法构建投资组合,基于2014~2016年的历史数据进行实证分析,为广大一般投资者提供了一种简单可行且收益率超过市场表现的投资策略。

最后结合行业轮动效应与面板数据的多元回归分析对基本模型进行了深化与修正,创新性地提出了基于多因子模型的更多投资策略,也为较深层次的理论研究者提供了思路与数据参考。

一、文献综述关于量化投资选股策略的研究涉及许多方面,常见的包括多因子模型、风格轮动模型、动量反转模型、趋势追踪模型等。

对于多因子模型,最重要的环节便是有效因子的选取。

大多数论文对于有效因子的选取通常采用因子评分法,此方法最早由Piotroski(2000)提出,常见操作为:将股票池中的股票按N个候选因子的大小依次排序,按照每个排序选取排名靠前的股票等权重构建N个极端的股票组合持有到期末,计算N个组合的平均收益率并与基准的指数收益率进行比较,用此方法能成功获取alpha收益组合所使用的排序因子即为有效因子[1]。

11因子量化选股指标公式

11因子量化选股指标公式

11因子量化选股指标公式在量化选股领域中,11因子量化选股指标公式是一种用于筛选股票投资组合的方法。

这种指标公式是基于一系列因子进行计算和评估,以找出具备良好投资潜力的股票。

这里列举了11个常用的因子,用于构建选股指标公式:1. 市盈率(PE):衡量股票的价格相对于每股盈利的倍数。

2. 市净率(PB):衡量股票的市值相对于每股净资产的倍数。

3. 股息率(Dividend Yield):衡量公司每股股息与股票当前价格的比率。

4. 营收增长率(Revenue Growth):衡量公司营收的年度增长率。

5. 每股盈利增长率(EPS Growth):衡量公司每股盈利的年度增长率。

6. 资产负债率(Debt-to-Equity Ratio):衡量公司财务杠杆比例。

7. 市值(Market Cap):衡量公司的市值规模。

8. 流通股本比例(Float):衡量流通在市场上的股票数量比例。

9. 盈利质量(Earnings Quality):衡量公司盈利的可持续性和质量。

10. 成长性(Growth):衡量公司未来发展潜力和增长能力。

11. 波动率(Volatility):衡量股票价格的波动程度。

将这些因子进行综合考虑,可以构建一个综合的选股指标公式。

不同的因子可以赋予不同的权重,根据投资者的偏好和研究需求来决定。

一般来说,选股指标公式的目标是找到具备良好的财务和市场表现的股票,同时降低投资风险。

通过使用11因子量化选股指标公式,投资者可以更加客观和系统地评估股票的投资潜力。

这种量化方法可以帮助投资者优化投资组合,提高投资决策的准确性和效果。

然而,需要注意的是,选股指标公式并不能保证股票的表现,市场风险始终存在,投资者应该结合自身的风险承受能力和投资目标来进行决策。

多因子量化选股指标公式

多因子量化选股指标公式

多因子量化选股指标公式
多因子量化选股指标公式是一种用于在股票市场中选择优质个股的数学模型。

它通过运用多个因子指标来评估股票的投资价值,并以此为依据进行选股操作。

下面将介绍几种常见的多因子量化选股指标公式。

1. P/E 比率(市盈率):市盈率是衡量股票价格与公司盈利之间关系的一个重
要指标。

公式为市值除以公司的净利润,其值越低,代表该股票的估值相对较低,投资价值较高。

2. P/B 比率(市净率):市净率是衡量股票价格相对于每股账面净资产的指标。

公式为市值除以公司净资产,数值小于1代表股票可能被低估,值得投资。

3. ROE(净资产收益率):ROE是衡量公司盈利能力的指标,公式为净利润除以净资产。

高ROE意味着公司利润增长能力强,可能是一个投资选择的重要因素。

4. 市值因子:市值因子是根据公司的市值来进行评估的指标,通常用于评估公
司的规模和估值。

较小的市值可能代表较高的成长空间和潜在收益。

5. 成长因子:成长因子是用于评估公司的盈利增长能力的指标。

常见的成长因
子包括每股收益增长率、销售增长率等。

6. 财务稳定性指标:财务稳定性指标用于评估公司的财务健康状况,包括债务
比率、流动比率等。

较低的负债比率和较高的流动比率代表着较好的财务稳定性。

需要注意的是,不同的投资者可能会根据自己的投资风格和策略选择不同的多
因子指标,因此,在使用多因子量化选股指标公式时,投资者应综合考虑多个因素,并以自身的风险承受能力和投资目标来制定投资策略。

多因子量化选股策略

多因子量化选股策略

多因子量化选股策略多因子策略的核心理念是市场上股票的回报不仅取决于整体市场的因素,还受到公司基本面、市场情绪、估值和技术指标等多个因素的影响。

通过综合考虑这些因素,可以更加全面地衡量股票的投资价值,提高选股的准确性和整体回报的稳定性。

在构建多因子选股策略时,首先需要确定一系列的因子指标。

常见的因子包括:估值因子(如市盈率、市净率)、成长因子(如营收增长率、净利润增长率)、盈利质量因子(如现金流量比率、资产负债率)、市场情绪因子(如市场波动率、投资者情绪指标)、技术指标(如动量指标、相对强弱指标)等。

这些因子都各自代表了一方面的股票表现,通过综合考虑这些因子,可以形成一个全面的股票选股模型。

其次,需要对每个因子进行权重分配。

在分配权重时,可以根据因子的相关性、历史表现、理论依据等进行判断。

一种常见的方法是通过回归分析来确定每个因子的权重,使得选股模型能够最大程度地解释股票的回报。

最后,在确定了因子和权重之后,就可以应用量化的方法来进行选股和构建投资组合。

通过计算每只股票的因子得分,并根据得分进行排名,可以挑选出相对较好的个股。

同时,还可以通过将这些个股按照一定的规则组合成投资组合,以实现更好的风险和收益平衡。

需要注意的是,多因子量化选股策略并不是一成不变的,随着市场环境和投资者偏好的变化,策略的因子和权重也需要不断调整优化。

此外,考虑到人为主观因素的干扰,量化选股策略也需要定期进行回测和验证,以确保策略的有效性和稳定性。

总体而言,多因子量化选股策略是一种科学系统的选股方法,能够通过综合考虑多个因素来提高选股的准确性和投资组合的稳定性。

然而,对于普通股民而言,如果没有专业的量化模型和数据分析能力,参与多因子量化选股需要有专业投资顾问的指导和支持,以避免不必要的风险和误判。

量化交易——因子选股、多因子选股策略

量化交易——因子选股、多因子选股策略

量化交易——因⼦选股、多因⼦选股策略⼀、因⼦选股策略1、因⼦ 因⼦:选择股票的某种标准。

因⼦是能够预测股票收益的变量。

(1)基本⾯因⼦ 基本⾯因⼦描述了⼀个公司的财务状况,最常见的基本⾯因⼦是由利润表,资产负债表以及现⾦流量表中的数据直接计算出的⽐率。

通过财务报表可以构建出⽆数的财务⽐率及财务报表变量的组合,并以此来预测股票的收益率。

⼀般将基本⾯因⼦分为6⼩类:估值因⼦、偿债能⼒因⼦、营运效率因⼦、盈利能⼒因⼦、财务风险因⼦以及流动性风险因⼦。

(2)技术⾯因⼦ ⼤多数技术⾯因⼦是由过去的价格、成交量以及其他可获得的⾦融信息所构建的,技术⾯因⼦⼀⼤优势是能够持续更新。

新的基本⾯数据最多只能按季度获取,相反,最新的技术指标每隔⼏秒就可以获得。

(3)经济因⼦ 最初的套利定价模型是基于经济指标来构建的。

⽐较流⾏的经济因⼦包括:GDP增速、失业率以及通货膨胀率等,它们⼏乎会影响到市场的每⼀个⾓落。

(4)其他因⼦ 其他因⼦的类型包括但不限于:分析师预测因⼦、事件驱动因⼦。

2、选股策略(策略模型) 对于某个因⼦,选取表现最好(因⼦最⼤或最⼩)的N⽀股票持仓。

每隔⼀段时间调仓⼀次。

3、⼩市场策略 选取股票池中市值最⼩的N只股票持仓。

⼆、聚宽实现因⼦选股策略——⼩市值策略 沪深300中,根据市值最⼩的20只股票选股:# 初始化函数,设定基准等等def initialize(context):# 设定沪深300作为基准set_benchmark('000300.XSHG')# 开启动态复权模式(真实价格)set_option('use_real_price', True)# 输出内容到⽇志 ()('初始函数开始运⾏且全局只运⾏⼀次')# 股票类每笔交易时的⼿续费是:买⼊时佣⾦万分之三,卖出时佣⾦万分之三加千分之⼀印花税, 每笔交易佣⾦最低扣5块钱set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')# 获取指数成份股g.security = get_index_stocks('000300.XSHG')# valuation:财务数据表,code是对应的股票代码# 这⾥不能使⽤ in 操作, 要使⽤in_()函数,找到沪深300股份对应的财务数据g.q = query(valuation).filter(valuation.code.in_(g.security))g.N = 20 # 20只股票run_monthly(handle, 1) # 第⼀个参数是对应的函数,第⼆个参数指第⼏个交易⽇def handle(context):df = get_fundamentals(g.q)[['code', 'market_cap']] # 花式索引选出股票代码和市值df = df.sort_values("market_cap").iloc[:g.N,:] # pandas排序函数,将数据集依照某个字段中的数据进⾏排序# 期待持有的股票to_hold = df['code'].valuesfor stock in context.portfolio.positions:if stock not in to_hold:# ⽬标股数下单,卖出⾮标的的股票order_target(stock, 0)# 期待持有且还未持仓的股票to_buy = [stock for stock in to_hold if stock not in context.portfolio.positions]if len(to_buy) > 0: # 需要调仓# 每只股票预计投⼊的资⾦cash_per_stock = context.portfolio.available_cash / len(to_buy)for stock in to_buy:# 按价值下单,买⼊需买⼊的股票order_value(stock, cash_per_stock) 执⾏效果: 这个策略在短线情况下表现⼀般,长线情况下效果不错。

数量化选股策略之十二:多因子选股策略

数量化选股策略之十二:多因子选股策略

多因子选股策略研究员:魏刚执业证书编号:S42☎✉——数量化选股策略之十二《数量化选股策略之十一:分析师预测因子分析》2011-08-31《数量化选股策略之十:股东因子分析》2011-08-30《数量化选股策略之九:交投波动因子分析》2011-08-24《数量化选股策略之八:动量反转因子分析》2011-07-27《数量化选股策略之七:盈利因子分析》2011-07-27《数量化选股策略之六:成长因子分析》2011-07-12《数量化选股策略之五:估值因子分析》2011-07-06《数量化选股策略之四:规模因子分析》2011-06-30在前面几篇报告中我们对规模因子、估值因子、成长因子、盈利因子、动量反转因子、交投波动因子、股东因子和分析师预测因子进行了分析,其中规模因子(总市值)、估值因子(市盈率TTM)、动量反转因子(前1个月涨跌幅)、波动因子(前1个月波动率)、分析师预测因子(最近1个月净利润上调幅度)等是较为显著的因子。

由总市值、市盈率TTM、营业利润同比增长率、净资产收益率、前1个月涨跌幅、前1个月日均换手率、前1个月波动率、户均持股比例变化、机构持股变化、最近1个月净利润上调幅度等10个因子构造的等权重多因子策略表现较好。

由综合得分最高的20只中证800指数成份股构成的等权重组合大幅跑赢沪深300指数,2005年1月至2011年5月间的累计收益率为1517.29%,年化收益率达54.34%;由综合得分最高的50只中证800指数成份股构成的等权重组合同期的累计收益率为1059.72%,年化收益率达46.54%;同期沪深300指数的累计收益率为200.16%,年化收益率为18.69%。

由总市值、市盈率TTM、营业利润同比增长率、净资产收益率、前1个月涨跌幅、前1个月日均换手率、前1个月波动率、户均持股比例变化、机构持股变化、最近1个月净利润上调幅度等10个因子影响股价走势的主要因子包括市场整体走势(市场因子,系统性风险)、估值因子(市盈率、市净率、市销率、市现率、企业价值倍数、PEG等)、成长因子(营业收入增长率、营业利润增长率、净利润增长率、每股收益增长率、净资产增长率、股东权益增长率、经营活动产生的现金流量金额增长率等)、盈利能力因子(销售净利率、毛利率、净资产收益率、资产收益率、营业费用比例、财务费用比例、息税前利润与营业总收入比等)、动量反转因子(前期涨跌幅等)、交投因子(前期换手率、量比等)、规模因子(流通市值、总市值、自由流通市值、流通股本、总股本等)、股价波动因子(前期股价振幅、日收益率标准差等)、分析师预测因子(预测净利润增长率、预测主营业务增长率、盈利预测调整等)。

多因子选股策略经典梳理

多因子选股策略经典梳理

多因子选股策略经典梳理股市之道无非三点:1择时,2选股,3 仓控。

精通这三点中的任何一点,都足以在股市中所向披靡。

但是精通二字何其艰难。

在量化选股策略中。

多因子策略作为一个主要武器,被各种公募基金和私募基金长期使用(小编注:国内策略同质化相当严重,本文仅作为交流探讨推荐)。

在此我们为不熟悉多因子的各位朋友梳理一下不同风格的因子,以及他们的有效性。

股价是由资金推动的(上涨为正向推动,下跌为反向推动)。

但是影响资金进入和推出的因子确实千千万万,有基本面的,有消息面的,有人看国家政策,有人看分析师预测,有人听朋友介绍,有人跟风大V等等不一二足。

下面我将从9大类33个因子来给各位逐一分析。

首先给出在长时间来看表现优秀的因子。

1、规模因子,小市值效应。

(推荐指数5颗星)。

在国内外不管是成熟市场还是我国的不成熟市场,小市值效应一直存在。

并且小市值的逻辑也很清晰,市值越小被操纵的可能性就越来大,推动的估价上涨的资金需求就越小。

试用注意事项(震荡市或牛市表现优秀,下跌市跌幅大幅快于大盘---牛市买小股,熊市进蓝筹)2、动量反转因子。

(推荐指数5颗星)前一个月的涨跌幅度的反转效应明显。

长得多了当然要跌,跌得多了当然要涨,均值回归远离。

这个其实和我们所说的补跌补涨类似,从长期来看如果牛市来了,大家都会涨,只不过有的先涨,有的后涨;熊市来了大家一块跌(贪婪与恐惧的典型表现)3 、交投因子,即换手率因子。

(推荐指数4颗星)(我们选取一个月日均换手率)。

换手率高的后面表现的貌似都不佳(但经过测算新股和次新股貌似并不适用)。

逻辑依然很清晰,长期换手率高,总让人觉得有点出货的嫌疑,不是么?4、预测因子。

(推荐指数5颗星)预测当年主营业务收入增长率(平均值)。

预测收入增长但是是利好了,预测收入增长越高,利好越高。

不是么,逻辑依然清晰。

这个因子在万德等软件上有统计,各位可能不太容易获得。

因子包括9类,规模因子,估值因子,成长因子,盈利因子,动量反转因子,交投因子,波动率因子,分析师预测因子。

基于多因子模型的量化选股分析

基于多因子模型的量化选股分析

基于多因子模型的量化选股分析基于多因子模型的量化选股分析导言:随着金融市场不断发展,越来越多的投资者开始关注量化投资策略,在股票市场中利用大数据和数学模型进行选股,以获得更好的收益。

其中,多因子模型是一种常用的量化选股方法,利用多个因子对股票进行评估和排序,从而选出具有较高收益潜力的股票。

本文将详细介绍基于多因子模型的量化选股分析方法。

一、多因子模型概述多因子模型是一种通过选取多个因子,并将这些因子进行综合分析,从而对股票进行评估和选择的模型。

多因子模型的核心思想是通过对多个不同来源的因子进行综合评估,降低单一因子的风险,提高选股的准确性和稳定性。

常用的因子包括基本面因子、技术指标因子、估值因子等。

二、多因子选股模型的构建1. 因子筛选在构建多因子模型之前,需要根据投资策略的具体要求筛选合适的因子。

常用的筛选方法包括统计分析、相关性分析和经验验证等。

这些方法可以帮助我们确定适用于选股的有效因子。

2. 因子打分对于筛选出的因子,我们可以通过对每个因子进行打分来衡量股票在该因子上的表现。

打分过程可以采用等权重法、市场中性法等。

在打分过程中,可以根据历史数据对每个因子进行调整,以提高因子的预测准确性。

3. 因子综合通过对打分后的因子进行综合,可以得到最终的选股得分。

在综合过程中,可以给予每个因子不同的权重,以反映其在选股中的重要程度。

综合得分高的股票即为选股模型中的优选股票。

三、多因子模型的应用多因子模型可以应用于不同的投资策略中,以下举例几种常见的应用情况。

1. alpha策略通过选取多个自变量(因子)与市场收益率的相关性,构建多因子模型,并通过回归计算得到股票的预期收益率。

根据预期收益率与实际收益率之间的差异,选择预期收益率较高的股票作为投资对象。

2. 套利策略通过选取多个自变量与股票的估值因子相关性,构建多因子模型,并从中发现市场上被错误估值的股票。

通过买入被低估的股票,并同时卖出被高估的股票,获得套利利润。

基于多因子模型的量化选股

基于多因子模型的量化选股

基于多因子模型的量化选股摘要:本文基于多因子模型,探讨了量化选股的原理和方法。

通过分析公司财务指标、市场因子、行业因子等多个因素,构建了一个量化选股模型,并结合历史数据进行回测分析。

实证结果表明,能够在一定程度上提高选股的准确度和盈利能力。

1. 引言近年来,量化投资逐渐受到投资者的关注和青睐。

与传统的基本面分析相比,量化投资更重视系统性和规模化,通过运用数学模型和计算机算法,以数据为基础进行选股和来往。

其中,因其准确性和稳定性备受瞩目。

本文将结合实证探究,探讨在实际投资中的应用和效果。

2. 多因子模型的构建多因子模型通过思量多个因素,综合评估股票的价值和风险。

常用的因子包括公司财务指标、市场因子、行业因子等。

在构建多因子模型时,需要选择适合的因子,并通过回归分析确定各个因子的权重。

2.1 公司财务指标因子公司财务指标是评估一家公司财务状况和经营能力的重要指标。

常用的财务指标包括市盈率、市净率、净利润增长率等。

通过回归分析,可以确定每个指标对股票收益的影响程度。

2.2 市场因子市场因子反映了整个股市的波动和风险。

常用的市场因子包括股票市值、市盈率、市净率等。

通过回归分析,可以确定市场因子对股票收益的贡献度。

2.3 行业因子行业因子反映了不同行业间的差异和特点。

常用的行业因子包括行业市盈率、行业盈利能力等。

通过回归分析,可以确定行业因子对股票收益的影响程度。

3. 量化选股模型的应用通过综合思量各个因子的权重,得出一个评分体系,用于评估和筛选股票。

一般而言,选取评分高于一定阈值的股票作为投资标的。

3.1 数据得到与处理量化选股的基础是数据的得到和处理。

投资者可以通过公开的财务报表、市场来往数据和行业数据,得到股票和相关因子的数据。

同时,还需要对数据进行清洗和处理,以保证数据的准确性和一致性。

3.2 回测分析回测分析是评估量化选股模型有效性的重要手段。

通过历史数据进行回测,可以观察模型的表现,并进行风险和盈利的评估。

多因子量化选股 实例

多因子量化选股 实例

多因子量化选股实例
多因子量化选股是一种基于股票市场数据的投资方法,通过筛选和组合多个因子来选择最具投资价值的股票。

在这种选股方法中,投资者将不再依赖主观判断,而是依托数据分析和统计模型来做出决策。

下面以一个实例来说明多因子量化选股的具体步骤。

假设我们要构建一个多因子模型来选出适合投资的股票。

首先,我们需要选择一些常用的因子作为投资决策的指标,例如市盈率、市净率、ROE等。

然后,我们需要分析这些因子与股票
收益之间的关系,以确定哪些因子对股票表现有较强的预测能力。

接下来,我们需要设置一个选股策略。

例如,我们可以设定市盈率低于行业平均值、市净率小于1以及ROE高于行业平均值的股票为投资候选对象。

然后,我们可以根据这些条件对股票
进行筛选,并给予它们不同的权重,以便最终确定投资组合。

然后,我们可以借助统计模型来进行股票的评估和排序。

我们可以使用回归分析、因子载荷分析等方法来计算每个因子的权重以及组合的综合得分。

这样做可以帮助我们更加客观地评估股票的投资价值,并优化投资组合的配置。

最后,我们需要进行模型的回测和验证。

我们可以使用历史数据来模拟过去的投资表现,并比较模型的绩效指标,如年化收益率、夏普比率等。

通过这一步骤,我们可以评估模型的有效性,并根据需要进行调整和优化。

综上所述,多因子量化选股是一种基于数据分析和统计模型的投资方法,可以帮助投资者更加客观地选择投资组合。

通过选择合适的因子、设置选股策略、应用统计模型以及回测验证,我们可以提升投资决策的准确性和收益水平。

当然,多因子量化选股也需要不断的学习和优化,以适应股市的变化。

【干货】七种量化选股模型(含案例)

【干货】七种量化选股模型(含案例)

【干货】七种量化选股模型(含案例)1.多因子模型多因子模型是应用最广泛的一种选股模型,基本原理是采用一系列的因子作为选股标准,满足这些因子的股票则被买入,不满足的则卖出。

基本概念举一个简单的例子:如果有一批人参加马拉松,想要知道哪些人会跑到平均成绩之上,那只需在跑前做一个身体测试即可。

那些健康指标靠前的运动员,获得超越平均成绩的可能性较大。

多因子模型的原理与此类似,我们只要找到那些对企业的收益率最相关的因子即可。

各种多因子模型核心的区别第一是在因子的选取上,第二是在如何用多因子综合得到一个最终的判断。

一般而言,多因子选股模型有两种判断方法,一是打分法,二是回归法打分法就是根据各个因子的大小对股票进行打分,然后按照一定的权重加权得到一个总分,根据总分再对股票进行筛选。

回归法就是用过去的股票的收益率对多因子进行回归,得到一个回归方程,然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判,然后再以此为依据进行选股。

多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。

候选因子的选取候选因子的选择主要依赖于经济逻辑和市场经验,但选择更多和更有效的因子无疑是增强模型信息捕获能力,提高收益的关键因素之一。

例如:在2011年1月1日,选取流通市值最大的50支股票,构建投资组合,持有到2011年底,则该组合可以获得10%的超额收益率。

这就说明了在2011年这段时间,流通市值与最终的收益率之间存在正相关关系。

从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。

同样的,可以选择其他的因子,例如可能是一些基本面指标,如 PB、PE、EPS 增长率等,也可能是一些技术面指标,如动量、换手率、波动等,或者是其它指标,如预期收益增长、分析师一致预期变化、宏观经济变量等。

同样的持有时间段,也是一个重要的参数指标,到底是持有一个月,还是两个月,或者一年,对最终的收益率影响很大。

“量化多因子”到底是个什么鬼?

“量化多因子”到底是个什么鬼?

“量化多因⼦”到底是个什么⿁? 今年能跑赢沪深300指数的量化基⾦不多,只有南⽅新兴消费增长、景顺长城量化新动⼒、泰达宏利量化、长盛量化红利策略、景顺长城量化精选、嘉实研究阿尔法等少数⼏只基⾦。

但是⾄少让我对量化基⾦产⽣了进⼀步深⼊了解的兴趣。

量化基⾦到底是怎么运作的?经常听到的量化基⾦名字中的“多因⼦”⼜是个什么⿁?今天,我就和⼤家⼀起来巴拉巴拉。

⽬前市场上叫“量化基⾦”的有很多,但是名字中带有“多因⼦”的股票基⾦有4只($建信多因⼦量化股票(002952.OF)$ 、$汇添富成长多量化策略(001050.OF)$ 、$创⾦合信量化多因⼦股票A(002210.OF)$ 、$创⾦合信量化多因⼦股票C(003865.OF)$ ),混合基⾦也有4只($⼴发多因⼦灵活配置混合(002943.OF)$ 、$⼤摩多因⼦策略混合(233009.OF)$ 、$中融量化多因⼦混合(004065.OF)$ 、$上投摩根动态多因⼦混合(001219.OF)$ )。

从下表数据(来源:好买基⾦⽹,截⽌2017年3⽉30⽇)来看,今年以来的业绩表现,都不算好,三只正收益,五只负收益。

表现最好的是⼴发多因⼦混合基⾦,今年以来有6.54%的收益;表现最差的是上投摩根动态多因⼦混合基⾦,今年以来收益为-4.13%(同期$上证指数(1A0001.SH)$ 涨幅为3.4%)。

那所谓的“量化多因⼦”到底是个什么⿁?“机器智能分析选股”、“量化模型选股”,听上去很⾼端,到底有没有⽤呢?我们先来了解下“量化选股”的简单原理。

⽐如股票代码中要有两个“6”或者“8”且不能带“4”,⽐如股票名称要3个字且笔画数不能⼤于24……是这样选股吗?NO NO NO,当然不是! 正⼉⼋经影响股价的“因⼦”包括像:宏观经济状况、GDP增速、CPI、PPI、基准利率、逆回购量、⾏业景⽓指数、失业率、⾏业前景、⾏业集中度、公司经营状况、净利润率、主营业务收⼊增长率,甚⾄还有天⽓、季节的因素,⽐如降⾬量、⽇照指数、温度变化……这些都可以成为“量化因⼦”指标。

什么是多因子选股模型

什么是多因子选股模型

什么是多因子选股模型量化投资中经常听到的“多因子模型”是个什么鬼?因子是影响因素的简称,或简单理解成指标。

我们都知道股票收益受到多重因素的影响,比如宏观、行业、流动性、公司基本面、交易情绪等等。

所谓“多因子模型”,说白了就是寻找那些对股票收益率最相关的影响因素,使用这些因素(因子或指标)来刻画股票收益并进行选股。

多因子模型是量化投资领域应用最广泛也是最成熟的量化选股模型之一,建立在投资组合、资本资产定价(CAPM)、套利定价理论(APT)等现代金融投资理论基础上。

多因子模型假设市场是无效或弱有效的,通过主动投资组合管理来获取超额收益。

多因子选股的核心思想在于,市场影响因素是多重的并且是动态的,但是总会有一些因子在一定的时期内能发挥稳定的作用。

在量化实践中,由于不同市场参与者或分析师对于市场的动态、因子的理解存在较大差异,因此构建出各种不同的多因子模型。

作为多因子模型入门篇,本文主要介绍多因子模型产生的理论背景、基本原理和实现步骤等,为大家学习和研究多因子量化选股模型提供一个背景知识和理论框架。

多因子模型的理论背景现代金融投资理论主要由投资组合理论、资本资产定价模型、套利定价理论、有效市场假说、期权定价理论以及行为金融理论等组成。

这些理论的发展极大地改变了过去主要依赖基本分析的传统投资管理实践,使现代投资管理日益朝着系统化、科学化、组合化的方向发展。

1952年马柯维茨(Markowitz)在The Journal of Finance(金融学最顶级的学术期刊)上发表了《证券组合选择》论文,开启了现代证券组合管理理论的先河。

马柯维茨开创性地引入了均值和方差来定量刻画股票投资的收益和风险(被认为是量化交易策略的鼻祖),建立了确定最佳资产组合的基本模型。

其后,越来越多的经济金融学者通过数量化的模型以及周边市场和投资交易问题。

夏普(William Sharpe)、林特尔(JohnLintner)、特里诺(Jack Treynor)和莫辛(Jan Mossin)分别于1964、1965和1966年在马柯维茨投资组合理论基础上,发展出了资本资产定价模型(CAPM)。

多因子选股 步骤

多因子选股 步骤

多因子选股步骤摘要:一、多因子选股策略的概念与意义二、多因子选股策略的步骤1.确定几大类因子2.将大类因子细分3.对因子进行打分与排名4.结合打分与排名,选取股票三、多因子选股策略的优势与局限性正文:一、多因子选股策略的概念与意义多因子选股策略是一种基于多种因子对股票进行打分与排名,从而选取具有投资价值的股票的方法。

相较于单一因子选股策略,多因子选股策略能够更全面地评估股票的投资价值,提高选股的准确性。

二、多因子选股策略的步骤1.确定几大类因子多因子选股策略首先需要确定几大类因子,通常包括财务类因子、行情类因子、预期类因子和其他类因子。

财务类因子包括估值因子、规模因子、成长因子、盈利因子、营运能力因子和杠杆因子等;行情类因子包括股价因子、动量因子、技术因子、波动因子、流动性因子等;预期类因子包括盈利预期因子等;其他类因子包括股东相关因子和beta 因子。

2.将大类因子细分在确定几大类因子之后,需要将大类因子进一步细分。

例如,财务类因子中的估值因子可以细分为市盈率、市净率等;成长因子可以细分为营收增长率、净利润增长率等。

3.对因子进行打分与排名在将因子细分后,需要对每个因子进行打分,然后根据打分结果对股票进行排名。

打分方法可以采用量化指标,如市盈率、市净率等,也可以采用主观判断,如对公司盈利预期等。

4.结合打分与排名,选取股票根据打分与排名结果,选取具有投资价值的股票。

可以选取排名靠前的股票,也可以根据投资者的风险偏好与投资目标,选取符合要求的股票。

三、多因子选股策略的优势与局限性多因子选股策略的优势在于能够全面评估股票的投资价值,提高选股的准确性。

同时,多因子选股策略适用于不同市场环境,具有较强的稳定性。

然而,多因子选股策略也存在局限性。

首先,多因子选股策略需要对大量数据进行分析,计算量较大,对计算机硬件与软件要求较高。

量化投资策略的因子选股

量化投资策略的因子选股

30组合 相对收益率(右) 市场 累积收益率(左)
30组合 累积收益率(左)
数据来源:ቤተ መጻሕፍቲ ባይዱ大证券、Wind
图 2:EPE 各分位数组合的年化收益率
40% 35% 30% 25% 20% 15% 10%
5% 0%
等级1
等级2
等级3
等级4
等级5
图 4:EPE30 组合的信息系数
0.25 0.2
0.15 0.1
– 收益率分析:累计/相对/绝对收益率,累计分布、信息系数 – 交易分析:交易成本影响,组合换手率
表 1:2007 年 1 月-2010 年 10 月 EPE 各分位数组合的业绩
2007 年 1 月-2010 年 10 月
组合 等级 1 等级 2 等级 3
平均收益率 年化收益率
2.3%
18.5%
2.5%
盈利惊喜
总收益率稳定性
盈利稳定性 可预测性模块
一致预期准确度
非经常性项目频率
含义 总市值/净利润 总市值/未来12个月的预测净利润 过去5年的平均市盈率 按照三阶段股利折现模型计算的股价的隐含收益率 总市值/净资产 股息/总市值 过去5年的净利润复合增长率 过去5年的营业收入复合增长率 过去5年的股息复合增长率 股价隐含收益率的变化 净利润/净资产 未来12个月的预测净利润/净资产 过去5年的平均净资产收益率 净利润增长率的年度变化 营业收入增长率的年度变化 总收益增长率的月度变化 预测净利润的月度变化率 预测净利润增长率 总收益率过去2年的标准差 净利润过去2年的标准差 预测净利润最大值/最小值-1 非经常项目/净资产
0.24%
0.18%
0.12%
0.06%
图 2:EPE30 组合的绝对收益率分布

同花顺量化多因子

同花顺量化多因子

同花顺量化多因子
同花顺量化多因子是同花顺金融信息公司推出的一款基于量化模型的多因子选股策略的理财产品。

该产品通过构建一套完整的、多角度的财务指标体系,运用先进的数量化方法,对影响股票价格的因素进行深入分析,以挑选出具有超额收益的股票。

具体来说,量化多因子策略主要通过以下方式来获取收益:
1. 基本面因素:如盈利能力、成长性、资产质量等;
2. 政策面因素:例如国家政策的支持程度和变化趋势可能会影响某些行业的表现;
3. 技术面因素:包括市场走势、量价关系等因素;
4. 其他外部因素:比如行业景气度、市场竞争格局等。

在投资过程中,量化模型会持续跟踪这些因子的变化并调整组合,以期实现长期稳定的收益。

同时,该产品的风险控制也非常重要,主要包括止损设置和仓位管理等方面,以确保投资者资金的安全。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

太极量化多因子选股模型简论B
第二:因子的选取
候选因子的选取
(一)大数据因子搜索数据因子,搜索频率因子,搜索关键词因子,关注度因子,大众情绪因子等。

其中搜索数据因子影响较为显著。

(二)规模因子通过对给定时间内(时间为为6年)市场的分析,不管是从总市值、还是流通市值和自由流通市值看,A股市场存在较为显著的小盘股效应。

市值较小股票构造的组合整体上大幅超越沪深300指数,也**优于总市值较大股票构造的组合。

规模因子(总市值、流通市值、自由流通市值)是影响股票收益的重要因子,其中总市值因子最为显著。

(三)估值因子通过6年内市场的分析,整体上来说,从市盈率、市净率、市销率、市现率、企业价值倍数等估值指标看,估值较低的股票组合表现较好。

估值较低股票构造的组合整体上超越沪深300指数,也优于估值较高股票构造的组合。

估值因子(市盈率、市净率、市销率、市现率、企业价值倍数)是影响股票收益的重要因子,其中市盈率(PE,TTM)因子最为显著,其次是市现率(PCF,TTM)。

(四)成长类因子,营业收入同比增长率、营业利润同比增长率,归属于母公司的近利润同比增长率、经营活动产生的现金流金额
同比增长率。

(五)盈利因子通过对时间内市场的分析,整体上来说,从净资产收益率、总资产报酬率和销售毛利率等盈利性指标看,盈利能力较强的股票组合表现较好。

盈利能力较强股票构造的组合整体上超越沪深300指数,也优于盈利能力较弱股票构造的组合。

但销售净利率较高股票构造的组合表现反而较差,落后于沪深300指数,也落后于销售净利率较低股票构造的组合。

盈利因子(净资产收益率、总资产报酬率、销售毛利率)对股票收益的影响不是特别显著,其中净资产收益率指标较为显著。

(六)股东因子户均持股比例、、户均持股比例变化、机构持股比例变化。

其中机构持仓比例变化影响较为显著。

(七)分析师预测因子分析师预测因子(预测当年净利润增长率、预测当年主营业务收入增长率、最近1个月预测净利润上调幅度、最近1个月预测主营营业收入上调幅度、最近1个月盈利预测调高占比、最近1个月上调评级占比)是影响股票收益的重要因子,其中最近1个月净利润上调幅度是最为显著的正向因子。

(八)动量反转因子通过对时间内市场的分析,整体上来说,A 股市场上存在较为显著的反转效应,从前1个月涨跌幅、前两个月涨跌幅、前3个月涨跌幅、前6个月涨跌幅看,前期涨幅较小的股票组合表现较好,而前期涨幅较大的股票组合表现较差。

前期涨幅较小的股票构造的组合整体上超越沪深300指数,也优于盈前期涨幅较大的股票构造的组合。

动量反转因子(前1个月
涨跌幅、前两个月涨跌幅、前3个月涨跌幅、前6个月涨跌幅)是影响股票收益的重要因子,其中前1个月涨跌幅的反转效应较为显著。

(九)交投因子通过对时间内市场的分析,整体上来说,,从前1个月日均换手率看,前期交投较为清淡的股票组合表现较好,而前期交投活跃的股票组合表现较差。

前期交投清淡的股票构造的组合整体上超越沪深300指数,也优于前期交投活跃的股票构造的组合。

前1个月日均换手率由高到低排序处于各区间的组合表现。

(十)波动因子通过对时间内市场的分析,整体上来说,从前1个月波动率和前1个月振幅看,前期波动较小的股票表现较好,而前期波动剧烈的股票组合表现较差。

前期波动较小的股票构造的组合整体上超越沪深300指数,也优于前期波动剧烈的股票构造的组合。

波动因子(前1个月波动率、前1个月振幅)是影响股票收益的重要因子,其中前1个月波动率最为显著。

候选因子有效性检验
有效性检测主要是因子与未来收益之间的线性关系的检验,具体的检验准则按照下面的步骤进行:
(1)排序分组。

先对备选因子逐个按照因子的大小进行排序并分组。

进行的所有测试将备选股票池的股票分为5组。

每组160只股票。

(2)因子的有效性检验。

在历史回测中观察第五组收益率比第一组投资组合收益高或者低的频率,并观察第一组和第二组的合并组与第四组和第五组的合并组之间的检验差值。

如果这两个度量指标显示的数值的符号相同,并且合并组具有较高的收益差值,就可以初步认定该因子具有有效的可能。

用这个方法筛选出所有满足条件的备选因子。

(3)考察因子的分组与因子收益率之间的关系。

需要说明的是:这一步只是对因子进行粗筛选,并不需要因子与收益率之间满足严格的递增或者是递减关系,只要保证满足一定的相关关系即可。

经过有效性的检验的因子可以纳入到备选因子库。

有效但冗余因子的剔除
不同的选股因子可能由于内在的驱动因素大致相同等原因,所选出的组合在个股构成和收益等方面具有较高的一致性,因此其中的一些因子需要作为冗余因子剔除,而只保留同类因子中收益最好、区分度最高的一个因子。

例如成交量指标和流通量指标之间具有比较明显的相关性。

流通盘越大的,成交量一般也会比较大,因此在选股模型中,这两个因子只选择其中一个。

冗余因子剔除的方法:假设需要选出k 个有效因子,样本期共m 月,那么具体的冗余因子剔除步骤为:
(1)先对不同因子下的n个组合进行打分,分值与该组合在整个模型形成期的收益相关,收益越大,分值越高;
(2)按月计算个股的不同因子得分间的相关性矩阵;
(3)在计算完每月因子得分相关性矩阵后,计算整个样本期内相关性矩阵的平均值;
(4)设定一个得分相关性阀值MinScoreCorr,将得分相关性平均值矩阵中大于该阀值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子,而其他因子则作为冗余因子剔除。

第三:选股策略
基于因子打分
首先选择影响股票收益的选股指标,并将每个选股指标转换为评分后,通过不同加权方法获得多因素综合评分,并以此为选股依据对股票进行筛选和构建投资组合。

运用多因素综合评分对股票进行排序分为上等、下等和其他三个等级,并将上等和下等中的股票按照市值加权构建最优和最劣两个投资组合。

基于因子排序
多个因子的大小分别排序,选择出排名靠前的股票构建投资组合。

该模型认为因子的大小与股票的未来收益之间存在着一定的相关关系。

不论这个相关关系是正向的还是反向的,只要这个相关关系得到确认,就可以为我们所用,作为选股的依据。

基于因子排序的多因子模型在排序前需要明确因子的重要程度。

重要的因子放在前面,次要的因子放在后面。

也就是说先按照重要的因子排序选出一个股票集合。

然后再按照次要的因子排序,选出
一个股票集合。

最终选出符合要求的投资组合。

基于因子排序因子的选择需要考虑单因子的表现以及各因子之间的相互关系。

同时该模型的构建也可以参考现有的选股逻辑。

之所以采用一些现有的选股逻辑主要是为了避免基于单因子排序选股的盲目性,可以更有效地利用选股过程中的一些先验信息。

对于提高选股成功率具有一定的指导意义。

该模型的具体操作步骤如下:
(1)明确需要因子的个数,以及因子的类型,构建合理的选股逻辑。

(2)从各大类因子中选择合适的具体因子。

这个过程可以通过计算机进行遍历操作,寻找最优秀的因子组合对因子组合进行排序,确定主要选股因子和次要选股因子。

(3)依次按照主要选股因子和次要选股进行排序。

例如我们想选出的股票作为第一档组合,可以按照主要选股因子排序先选出前的股票,然后再按照次要因子选出前的股票,这样股票数目就可以与单因子的结果相一致。

(4)对因子组合的超额收益和因子组别进行相关性分析。

因子排名最高的一档的超额收益率与组别排名最低的一档的超额收益率的取值是异号的,并且因子的大小与各档投资组合的收益率大致上是呈现正相关或者负相关关系,我们就可以认为该因子组合通过了因子的有效性检验。

然后,从时间序列维度对因子组合的历史表现的稳定性做进一步的检验。

如果不能通过稳定性检验
就认为该因子组合是无效的。

这时需要重复第二步到第四步的操作。

(5)跟踪从上一步筛序出来的因子组合的表现,对于能够在实盘中能够获得稳定收益的因子组合我们予以保留;对于在实盘中表现较差的策略,直接删除。

基于因子回归
基于因子回归的多因子模型,通过多元线性回归,对因子和未来收益之间的线性关系进行评估。

基于回归的多因子模型具有基于数据挖掘量化投资模型的特性。

可以更高效的在历史数据中发现一些有效的因子组合,指导我们的投资工作。

回归方程的系数可以看成是我们选股因子的权重。

假定这个回归关系是可以在下一期继续得到保留,将最新一期的因子值代入到回归方程中,得到回归方程的预测值,然后根据预测值的大小对股票进行排序,选择出取值较高的那一组股票作为我们的投资组合。

这样在m 个样本考察期中,我们就可以这样得到m组投资组合。

根据多因子选出的股票直接代入系统进行历史回测,得到回测报告。

直接根据回测报告中投资的收益的稳定性和盈利性,通过观察投资组合在历史行情中的表现检测稳定性。

通过对投资组合的平均收益率分析来验证其收益性。

全文此致
太极量化萧寓仁
20171217。

相关文档
最新文档