发帖
雷达卡
量化选股就是利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率的投资行为。量化选股策略总的来说可以分为两类：第一类是基本面选股，第二类是市场行为选股。
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。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发挥作用。
行业轮动与风格轮动类似，由于经济周期的原因，总有一些行业先启动，有的行业跟随。在经济周期过程中，依次对这些轮动的行业进行配置，则比买入持有策略有更好的效果。
动量反转模型是指股票的的强弱变化情况，过去一段时间强的股票，在未来一段时间继续保持强势，过去一段时间弱的股票，在未来一段时间继续弱势，这叫做动量效应。过去一段时间强的股票在未来一段时间会走弱，过去一段时间弱势的股票在未来一段时间会走强，这叫做反转效应。如果判定动量效应会持续，则应该买入强势股，如果判断会出现反转效应，则应该买入弱势股。
趋势追踪是属于图形交易的一种，就是当股价出现上涨趋势的时候，则追涨买入；如果出现下跌趋势的时候，则杀跌卖出，本质上是一种追涨杀跌策略。判断趋势的指标有很多种，包括MA，EMA，MACD等，其中最简单也是最有效的是均线策略。
有关量化选股业绩评价要从两个方面来考虑，一个是收益率，一个是风险指数，只是收益率高的策略并不能成为最好的策略，应该综合考虑收益率和风险情况才能判断一个选股的策略的好坏。量化选股需要考虑的是在承担多大的风险情况下的收益率情况。
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。
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。
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。
候选因子的选取
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。
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。
一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验，
上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2个月，3个月，甚至更长时间。还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。具体的参数最优的选择，需要用历史数据进行检验。
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。
（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
（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
综合评分模型的建立和选股
举个例子：可以构建一个多因子模型为（PE，PB，ROE），在月初的时候，对这个几个因子进行打分，然后得分最高的50个股票作为投资组合，在下个月按照同样的方法进行轮换替换。持续一段时间后，考场该投资组合的收益率是否跑赢比较基准，这就是综合评分模型的建立和后验过程。
模型的评价及持续改进
另外，计算综合评分的过程中，各因子得分的权重设计、交易成本考虑和风险控制等都存在进一步改进的空间。因此在综合评分选股模型的使用过程中会对选用的因子、模型本身做持续的再评价和不断的改进以适应变化的市场环境。
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）
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）
杠杆因子（负债权益比、资产负债率等）
动量反转因子（前期涨跌幅等）
交易因子（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）
股价因子（股票价格）
红利因子（股息率、股息支付率）
股价波动因子（前期股价振幅、日收益率标准差等）
市场预期因子（预测净利润增长率、预测主营业务增长率、盈利预测调整等）。
量化选股模型—风格轮动
基本概念
由于投资风格的存在，从而产生一种叫做风格动量的效应，即在过去较短时期内收益率较高的股票，未来的中短期收益也较高；相反，在过去较短时期内收益率较低的股票，在未来的中短期也将会持续其不好的表现。
晨星风格箱判别法
(1)规模指标：市值。通过比较基金持有股票的市值中值来划分，市值中值小于10 亿美元为小盘；大于50亿美元为大盘；10亿~50亿美元为中盘。
这也就是我们经常看到的基金的分类，比如：华夏大盘、海富小盘等名称的由来。
宏观经济表现强劲时，小市值公司有一个较好的发展环境，易于成长壮大，甚至还会有高于经济增速的表现，因此，小盘股表现突出的概率高于大盘股。而当经济走弱时，由于信心的匮乏和未来市场的不确定性，投资者可能会倾向于选择大盘股，起到防御作用，即使低通货膨胀、货币走强，也不足以冒险去选择小盘股。
案例大小盘风格轮动策略
1.大小盘风格轮动因子如下：
(2)PPI同比增速：PPI反映生产环节价格水平，是衡量通胀水平的重要指标；且PPI 往往被看成CPI的先行指标。
2.预测模型
D(Rt)=α+β1·MGt-1+β2·PGt-3+β3·σt-3+εt
本案例采用滚动78个月的历史数据对模型进行回归，得到回归系数后对后一期的D(Rt)进行预测，由修正预测值的正负来进行大/小盘股的投资决策。数据预测期为2004年6月至2010年11月。
在78个月的预测期中，准确预测的月数为42个月，准确率约为53.85%，并不十分理想。但值得一提的是，2009年10月至2010年12月，模型的预测效果非常好，
轮动策略在2007年的大牛市中能够很好地跟随大盘股的节奏，而在2009年以来的结构性行情中又能较好地捕捉小盘股的投资机会。
量化选股模型—行业轮动
附读：
或许现在应该从股市周期（经济周期）角度来关心行业轮动问题。由于各个行业对于经济增速和通胀率（利率）的敏感程度不同，这必然意味着在经济周期的不同阶段（对应着不同的经济增速和通胀水平），股市当中的强势行业也会发生变化。
（1）工业类行业（包括了制造业、资本品和运输）对GDP 增速更为敏感，这类行业具有较高的固定成本和较为缓慢的产能调节过程，当经济开始提速时工业类行业产能利用率提高可以直接转化为利润，所以，这类行业会在预期经济提速时（或者是牛市的早期阶段）就开始表现较好；
（3）.能源类行业则对商品价格的变化最为敏感，所以，在价格上涨阶段（也是经济和股市的顶峰期）表现较好；
我计算了美国股市最近几轮牛熊转化过程中的行业轮动规律，发现股市周期与行业轮动之间具有较强的规律性（尽管也不完全符合教科书式的理想状态）。但这些行业轮动规律对中国是否有意义呢？经过计算，我发现上述行业轮动规律在中国股市要稍微“模糊”一些。
另一个原因是中国股市的各个行业结构不太稳定（由于过去3、4 年大量新股上市所致）；
量化选股模型—资金流模型
（4）撮合规则：高频数据撮合，与交易所类似。
A股市场存在显著的动量及反转效应，按照形成期为6个月持有期为9个月的动量策略以及形成期为2个月持有期为1个月的反转策略构建的投资组合表现最佳。从不同的市场阶段看，动量策略在熊市阶段表现优异，而反转策略则在牛市阶段可以取得出色的业绩。
动量效应测试结果：从超额收益来看，形成期为4－9个月，持有期为6－10个月的动量组合可以取得较高的超额收益；从战胜基准的频率来看，形成期为6－8个月间，持有期为9－10个月的动量组合战胜基准的频率较高。综合来看，形成期为6个月，持有期为9个月的动量组合在整个样本内表现最佳。
动量策略表现：买入前6个月累计收益率最高的一组股票，并持有9个月的动量策略构建的投资组合在考虑单边0.25%的交易成本以后，在长达7年多的测试期中取得了226％的累计收益，远高于同期 沪深300指数取得的117％的累计收益。在整个测试阶段，动量策略战胜基准的频率为58.43％。这一策略在熊市中表现尤为出色，相对于沪深300平均每个月可以取得1.2％左右的超额收益，信息比率为0.82，熊市阶段战胜基准的频率在65％以上。
结论：A股市场存在显著的动量及反转效应。长期来看动量和反转策略相对于沪深300都可以取得超额收益，但是动量反转策略在不同的市场阶段表现不同，动量策略在熊市阶段表现优异，而反转策略则在牛市阶段可以取得出色的表现。因此在A股市场应用动量或者反转效应选择股票时，应根据市场环境在动量和反转策略间进行选择，牛市选择反转，熊市则选择动量。
超一致预期能够带来超额收益。如果年报披露净利润大幅超预期,则可以年报公布之后买入持有获得超额收益。当然,如果在年报公布之前可以提前通过预测得知大幅超预期,则也可获得事件日前的正超额收益。但是少数年度的超预期带来的超额收益并不明显,可能对某些利用此原理进行事件驱动选股策略的收益有一定影响。
预期基本面因子主要分为预期估值因子和预期成长因子。
通过对复合增长率和预期净利润同比两类预期成长类因子的研究,预期增长的组别的选股表现明显好于预期减速的组别。而且对预期增长的组别进一步分类,可以得到预期增速处于中等水平的股票在年报后表现更好更稳定的结论。
最常见的预期情绪面因子如一致预期净利润变化率,净利润一致预期值的环比变动幅度,也就是指最近一期预期净利润被调高/调低的幅度。另外,我们还结合最近一期的涨跌幅构建预期净利润变化率衍生指标(最近一期预期净利润变化率除以最近一期涨幅)-预期净利润回报。构建的预期净利润回报因子的刻画作用明显优于预期净利润变化率因子。
综合预期基本面因子和预期情绪面因子构建量化选股模型。 策略组合绩效总结:综合预期基本面因子和预期情绪面因子构建的策略组合,组合绩效中的各项指标明显好于各单因子选股策略组合。降低了回撤幅度,模拟组合的组合收益还有所提高。平均年化超额收益为15.41%,月度胜率为70.31%,年度胜率100%,超额收益最大回撤5.99%。
衡量股票趋势的指标最重要的就是均线系统，因为它是应用最为广泛的趋势追踪指标，所以均线是不可或缺的，把它作为捕捉大盘主趋势的基石。但是纯粹的均线由于噪音等原因，使得经常会出现误操作，需要进行更多的处理机制，包括极点、过滤微小波动、高低点比较策略、高低点突破策略、长波的保护机制、长均线的保护机制等概念和技术细节。
股票价格的波动会让人感觉价格变化飘忽不定，很难把握。为了便于捕捉趋势，所以需要对价格走势曲线进行简化处理，这样可以借助于均线方法。将a个（a为模型参数）连续的交易日的收盘价取一个均值，形成MA(a)，比如a为10，即10个交易日数据取一均值，那么就可以得到股价的10日均线U，完成对价格曲线的第一步简化。
极点就是局部的高点或者低点，在极点处股价出现了转折，所以它们是记录股价变化的关键点，包含了比较多的信息。如果股价上涨至此，接下来又出现了下跌，那么就形成一个局部的高点；如果股价下跌至此，接下来又出现上涨，那么就形成一个低点。这些叫做极点，往往是股价变化的关键信息点，将它们记录下来，以备进一步制定策略。
均线策略最大的优势跟踪趋势效果比较好，在形成趋势时能紧跟趋势，但是最大的问题在于碰到盘整行情，均线就摇摆不定，容易频繁地发出交易信号，所以必须对其进行进一步处理。
可以结合记录的极点形成过滤微小波动的方法。当股价形成一个极点M后，接下来股价波动在M点股价的上下B个（B为模型参数）指数点内，就认为股价和M点相比没有变化，这样可以得到过滤了微小波动的均线趋势线W。
京公网安备 11010802022788号
