开源基础行业分类

股票是匹配的，对于incl.otc=T，也包括场外（otc）股票。sec的输入文件。sic（）是：i）NQ\\U美国运通。csv，NQ\\U NYSE。csv，NQ\\U纳斯达克。csv（这些文件可通过wget实用程序（见附录C.1）每天从www.nasdaq.com下载）；NT\\u其他列表。txt，NT\\u nasdaqlisted。txt（这些文件可通过wget实用程序从www.nasdaqtrader.com下载，如附录C.1）；和iii）如果我们希望包括otc，即如果包括otc=T，则也包括otc标签。csv（此文件可以从http://www.otcmarkets.com/reports/symbol_info.csv).  请注意，源代码很容易修改，以适应其他股票行情列表源。函数秒。sic（）通过将SEC数据中的公司名称与股票代码列表中的公司名称进行匹配，将上述文件中的股票代码与sic代码进行匹配。不言而喻，在某些情况下，匹配是无法合理实现的。这里有两大类。首先，SEC数据可能没有分配给给定公司的SIC代码，或者SEC使用的公司名称可能不同于股票列表中的公司名称，因此不匹配（例如ETRADE v.e*TRADE）。其次，可能会有不止一个匹配（在去除公司名称中的各种外部属性后，这些属性会使水域变得浑浊，例如，公司诉公司）。表1给出了事件的统计信息，其中还提供了TotalTicker的数量，以及没有SIC代码的股票代码中有多少对应于基金、信托、ETF等难以分类的车辆，代码试图使用启发式方法检测这些车辆。总的来说，股票匹配（特别是如果我们排除基金等）产生了合理的覆盖率。函数秒。sic（）输出3个文件。

文件标记器。原文如此。txt包含SIC代码匹配的ticker：第一列=ticker；第二列=交易所（A=美国运通，N=纽约证券交易所，Q=纳斯达克，其他与OTC相关）；第三列=SIC代码；第四列=行业名称（如SEC数据所示–见上文）；第五列=市值（仅适用于上述三个www.nasdaq.com文件中提供的上市股票）。文件编号。原文如此。txt包含SIC代码不匹配的ticker：第一列=ticker；第二列=交换（见上文）；第三列=市值（见上文）；第四列=真（假），如果股票代码是（非）基金等。；第五列=如果没有匹配项（多个匹配项），则为TRUE（FALSE）。文件SIC。工业级。txt包含二进制行业分类。可通过使用NT\\U otherlisted中的ETF字段进行改进。txt和NT\\u nasdaqlisted。txt。2.4. 一些stats函数秒。全部的末尾的sic（）调用函数sec。sic（）。在执行此操作之前，soit输出一个日志文件，记录开始和结束时间，以测量下载SEC数据所需的时间。表2中报告了此类测量结果。下载所有SIC代码0100-9999大约需要30分钟，同时下载仅限于SIC的SIC代码。代码。txt文件大约需要5分钟。股票匹配速度很快（在四核3.1 GHzCPU机器上）。最后，让我们提到一些二进制行业分类文件的统计数据。工业级。txt。2017年4月14日，对于4734个带有SIC代码的股票，有392个行业的股票计数如下：最小值=1，第一个四分位数=2，中位数=5，平均值=12.08，第三个四分位数=10，最大值=376。一、 例如，有许多小型（有1个或2个报价器）行业。3.

因此，我们可以下载SEC数据，并根据SIC代码建立行业分类。该行业分类与其他行业分类相比如何？【Hrazdil等人，2014年】对GIC、NAICS和SIC进行了一般比较（粒度等）。【Chan等人，2007年】对行业分类如何解释长期内股票回报的共同运动进行了比较，结果发现GIC——毫不奇怪——优于Fama French【1997】的48个“行业”（FF48）行业分类，后者基于SIC。然而，FF48与SIC不同，它将带有多个SIC代码的股票代码聚合到这48个“行业”中。一、 例如，FF48在各自的最大粒度水平上比GIC、BIC和SIC的粒度小得多。在这里，我们比较了短期内的GIC、BIC、SIC、FF48和FF49（这是FF48的另一个变体–见下文）。然而，在这里，我们将比较带到另一个层面——我们不是着眼于股票回报的协同运动，而是着眼于使用其他相同风险模型计算的短期均值回归交易信号（Alpha）的表现，这些风险模型用于定义行业风险因素的行业分类除外。我们使用的风险模型是【Kakushadze，2015b】的开源异质风险模型。Heteroticrisk模型没有使用任何风格因素，因此我们的赛马会比较了潜在的行业分类，而没有将其与其他无关因素混淆。

据我们所知，这是出版文献中首次出现的行业分类比较。本节其余部分紧随【Kakushadze，2015b】第6节的大部分内容。简言之，股票的异质风险模型结合在一起：i）行业分类的粒度；ii）任何股票子宇宙的主成分因子协方差矩阵的对角性；以及iii）俄罗斯玩偶风险模型构建中因子协方差矩阵大小的大幅减少【Kakushadze，2015c】。因此在异质风险模型中，我们在这里“重复”它不是为了重复，而是为了使我们在这里的陈述是独立的。构造，使用（为了明确）BICS命名法根据BICS子行业将股票领域划分为多个子集，计算这些子集的回报样本相关矩阵的第一主成分，并使用这些第一主成分作为权重计算相应的因子回报。通常，对于短回望，因子返回样本协方差矩阵是奇异的。然后，根据BICS行业将这些因素进一步分解为子集，计算这些子集的回报样本相关性矩阵的第一主成分，并使用这些第一主成分作为权重来计算相应的因素回报。重复这种嵌套嵌入（俄罗斯玩偶结构）（例如，通过从BICSindustries到BICS部门再到“广阔市场”，根据需要定义越来越少的风险因素），直到合成因子回报的数量足够小，从而相应的因子协方差矩阵是非奇异且足够稳定的。这证明了构建样本外稳定的短期回溯股票风险模型的有效方法。3.1.

注释SLET是股票价格的时间序列，其中  标记库存，以及标记交易日期，带有 对应于时间序列中的最近日期。上标 和 （未调整的开盘价和收盘价）以及 和 （对分割和股息进行充分调整的开盘价和收盘价）将区分相应的价格，例如。，是未调整的收盘价。是未调整的日交易量（以股份为单位）。此外，对于每个日期 我们将隔夜回报定义为之前的收盘至开盘回报：该回报将用于平均反向PHA中预期回报的定义。我们还需要近距离回归这些收益的样本外（见下文）时间序列将用于构建风险模型。请注意，退货定义中的所有价格和完全调整。我们假设：i）投资组合是在开放时建立的，以开放价格填充;ii）在当天收盘时进行清算，因此这是一个纯粹的日内alpha，在收盘价时进行填充; iii）没有交易成本或延误-我们的目标不是这是所谓的“延迟0”α：相同的价格，（或调整), 用于计算预期回报（通过) 并作为确定填充价格。建立一个现实的交易策略，但要测试各种行业分类的相对绩效。每种股票的损益在这里是美元持有量。每天每支股票的买入加卖出股份（建立加清算等级）通过以下方式计算：.3.2.

宇宙选择为了简单起见，我们根据通过（注意每个日期都不在样本范围内):我们采取 （即一个月），然后通过ADDV将我们的宇宙列为前2000名。为了确保我们不会无意中引入宇宙选择偏差，werebalance每月（准确地说，每21个交易日一次）。一、 例如，我们将5年的回溯测试周期（见下文）划分为21天的间隔，我们使用ADDV计算宇宙（反过来，ADDV是根据该间隔之前的21天计算的），并在整个间隔期间使用该宇宙。我们确实存在生存偏差，因为我们获取了截至2014年9月6日的所有股票报价人的数据，这些股票都有历史定价数据来源fromhttp://finance.yahoo.com（2014年9月6日访问）2008年8月1日至2014年9月5日。我们限制该范围仅包括截至2014年9月8日具有GIC、BIC和SIC行业转让的美国上市普通股和类别股（无OTC、优先股等）。然而，正如【Kakushadze，2015a】第7节中详细讨论的那样，生存偏差并不是此类回溯测试的主要影响因素。3.3. BacktestingWe在5年的时间内运行我们的模拟（更准确地说，从2014年9月5日算起的1260个交易日）。

年化资本回报率（ROC）是根据实际情况计算的，交易范围是根据市值、流动性（ADDV）、价格和其他标准选择的。ZK感谢Jim Liew于2014年9月8日分享GICS数据。回溯测试窗口的选择基于哪些数据是现成可用的。此外，这里我们关注的是相对的跑赢大市，可以合理地假设，对于领先顺序，个人表现受到生存偏差的影响大致相同，因为所有Alpha和风险模型（见下文）的构建都是“统计”的，并且不受交易范围的影响。日均损益除以日内投资水平 （无杠杆）并乘以252。年化夏普比率（SR）计算为每日夏普比率乘以.  每股美分（CPS）的计算方法是以美分（非美元）为单位的总损益除以总交易股份。3.4. 优化的Alpha优化的Alpha基于预期回报根据我们正在测试的行业分类，即GIC、BIC、SIC、FF48（参见[French，2017a]了解其定义）和FF49（参见[French，2017b]了解其定义），使用异质风险模型优化viaSharpe比率最大化（Kakushadze，2015b）中定义。FF48和FF49的构造只有一个级别。GIC、BIC和SIC有多个级别。我们在各自最细粒度的层面上对这些行业进行分类（GIC和BIC称为子行业，SIC称为行业–见上文）。然后运行R函数qrm。[Kakushadze，2015b]附录B中的het（），输入如下：ret是回报矩阵定义见等式。

(2); ind是二进制 行业分类矩阵（如果相应的股票代码属于相应的行业，则每个元素等于1，否则为0–对于SIC，该矩阵位于我们上面讨论的文件SIC.IND.CLASS.txt中）；市场。fac=T（这增加了“市场”因素，因此我们实际上有一个两级行业分类，风险因素方差矩阵是可逆的——详情参见【Kakushadze，2015b】）；和rm。唱tkr=F（默认值）。正如【Kakushadze，2015b】中所述，我们计算了杂种优势风险模型协方差矩阵每21个交易日（与宇宙相同）。对于每个日期（我们省略索引)我们根据美元中性约束和头寸界限最大化夏普比率：在这种情况下，这与交易边界相同，因为该策略纯粹是盘中策略。在这里是式（4）中定义的ADDV。等式（6）是美元中性约束。等式（7）规定了上述交易界限。等式（8）确保投资组合具有投资水平. 在边界计算存在的情况下需要一个迭代过程，我们使用[Kakushadze，2015b]附录C中的代码（其中还包含详细文档）。3.5. 仿真结果表3（也见图1）总结了仿真结果。GICS子行业的表现略优于BICS子行业，而BICS子行业的表现优于SIC行业。FF48和FF49表现不佳的行业——仅仅是因为粒度较小。

为了便于比较，表3中还包括BICS的模拟结果，其中我们将BICS子行业替换为BICS行业和BICS部门。通常，降低粒度会导致此类回溯测试的性能不佳。4、结论据我们所知，我们在这里介绍的短期行业分类比较——尤其是使用实际交易信号（相对于收益的共同运动）——是出版文献中的第一种。GICS仍然是一个安全的选择。不幸的是，BICSis不再得到彭博社的支持。此外，SIC并不是一场“灾难”，现在我们已经为其提供了开源代码，可以广泛应用于初步研究等领域。最后，让我们评论一下（构建良好的）行业分类本质上是稳定的（w.r.t.时间变化）。这主要是因为公司很少跳转行业（更不用说部门等粒度较小的结构）。毕竟，基本行业分类通常基于相关的基本/经济数据，如公司的产品和服务、收入来源、供应商、竞争对手、合作伙伴等。这简化了事情，包括与样本外回溯测试相关的情况。因此，如果今天获得一个股票领域的行业分类，并使用该行业分类对过去一年的同一个股票领域进行回溯测试（即，考虑到在此期间可能发生的任何股票变化等），回溯测试仍然可以被视为有效，因为在此期间股票跳跃行业的可能性很小。这并不是说行业分类提供者可能没有追溯性地改变，比如说，对一些股票报价器的子行业设计。

然而，这种“同一性”可以出现在虚拟的第三方数据中，除非最终用户在每个历史日收集到它。致谢我们要感谢匿名评论者提出的宝贵建议，这些建议改进了手稿。BICS子行业的结果不同于【Kakushadze，2015b】，因为宇宙是不同的。在【Kakushadze，2015b】中，宇宙仅基于BIC。