基于成长、营运、估值因子的基本面选股研究

在套利定价理论中,套利行为是影响当前有效市场的一个重要原因。当市场没有达到平衡时,就可能出现无风险的套利机会。由于近几年科技的进步以及金融数据的不断创新,市场有效性不断增强,多因子量化选股模型也因此应运而生。本文将通过利用Ricequant软件中的向导策略,来证实优化多因子量化选股模型的可行性,并对实验所得出的结果进行系统性的阐述。具体来说,本研究选择了成长能力、营运能力、估值类因子为研究对象,基于2020年至2022年的数据进行了分析。基于分析结果,我们可以看到回测结果与理论研究不一定相同,但同样证实了优化多因子量化选股模型的可行性。本文的研究结论对于量化选股有着重要的借鉴意义。

基于LSTM-文本分析的量化选股模型

随着国民生活水平的提高,越来越多的人投身于股票市场.为了科学有效地量化选股,通过将量化投资、深度学习及文本分析进行有机结合,来建立量化选股模型.首先,通过文本分析筛选出基本面利好的股票;然后,通过长短期记忆(long-short term memory,LSTM)选出预测准确度良好的股票;最后,预测所选出的股票在未来几天的股价趋势.在实证分析方面,通过本模型对部分股票进行运算,选取预测效果较好的股票:赢合科技.

基于决策树的多因子选股模型研究

量化投资是基于计算机技术和金融理论有效融合的产物,机器学习算法可描述股票市场价格等方面非线性问题,将它与多因子选股策略有效融合呈现较好发展愿景。文章基于沪深300指数成分股相关数据选取显著有效的因子构建不同分类决策树模型,实证发现机器学习算法可有效预测股票收益,选取2018—2019年股票收益数据回测并与上证综指相比发现基于决策树的多因子选股模型可以实现超额收益的目标。最后机器学习算法可提高投资者交易策略的科学性,也能够帮助投资者理解市场运行相关的经济规律。

基于两大资金行业选择的SVR模型多因子选股策略

随着科技的进步,量化工具在投资领域的应用前景越来越广阔。本文通过构建基于北向资金、主动资金的资金指标筛选行业,Alphalens筛选有效因子,构建因子池,使用SVR模型对训练集进行学习,通过参数调整提高预测胜率,对股票排序,构建股票池,并运用RSRS择时模型选择买卖时机。研究发现,以2020年1月1日—2021年7月28日的沪市300与深市300股票池的数据进行回测,回测结果策略收益明显跑赢了大盘,表明本策略对投资者具有一定的参考价值。

基于机器学习的选股模型及投资组合研究

股票是金融市场重要的组成部分,其变化存在着一定的内在规律,但是也受到多种因素的制约与影响。因此,如何能够选取好的股票进行操作也成为了很多从业者的研究方向。传统的选股策略有两种,一种为多元回归法,其缺点是对于极端值较为敏感,极端值的存在会影响回归结果,另一种是多因子打分法,其缺点是需要人为给定各个因子的权重,主观性对选股结果有很大影响。本文使用基于决策树的Adaboost模型进行选股,并且构建了投资组合的优化模型,有效提升了投资的收益率。本文的主要工作包括:(1) 建立股票特征指标库,选取更能解释模型的特征指标并对其进行有效性分析和相关性分析;(2) 构建基于决策树的Adaboost选股模型,对模型参数进行优化并且对模型的泛化能力进行评估;(3) 对马科维兹的投资组合模型进行改进,提出一种新的投资组合模型,使得能在降低总体风险的同时将投资收益维持在一个相对高的水平。

揭秘短线小庄的选股拉板手法

庄家对个股中短线价格波动的影响非常明显,跟庄者了解庄家的选股思路和操盘逻辑非常重要。市场上有相当多的成熟庄家,他们的选股操作都具有很强逻辑性,长期积累形成一套或者多套成熟的交易模式。另外好的方法策略大家会相互模仿,这是股市阶段中个股表现有章可循的关键原因。

“精准出击”的专业化选股

在股市里,广大投资者的选股操作其实也与捕鱼方式相像:投资类机构涉及面广,与拖网式捕捞接近;普通股民选股操作比较杂乱,没有具体目标,与到处撒网没什么区别。专业机构或专业投资者精准选择某些票,与专业捕捞队到特定海域捕捉特定目标一样。

实现年收益翻倍的目标该如何选股?

每个进入证券市场的人目标都很明确,都是期待通过证券市场令自己资本实现增值。而每个人对市场赋予的收益期望值各有不同,譬如已累积有丰厚财富家底者,他们携带资金入市只求获得比银行定期存款利率高一些的收益,实现保值和适当增值就已达成目标。又譬如一些体量较大的公司机构资金,如投资实体生意,因资金量庞大每年获得的回报未必达到10%,所以进入证券市场如年均达到20%收益就相当满意了。当然也有人揣着不多的几万、十几万本金入市,希望通过自身努力在证券市场实现年翻倍甚至年翻数倍的收益。

基于随机森林算法的多因子选股模型研究

尽管近几十年来量化投资得到了发展,策略也趋于多样化,但随之而来的还有各种问题和瓶颈,如数据选择,模型在金融市场的有效期过短.本文建立了一个基于随机森林算法的多因素股票选择模型.在该模型中,从6个不同维度中选择12个因子来构建因子库,并对因子数据进行预处理.在确定模型参数后,基于处理后的数据,对单个股票的预测和操作策略指导获得了可观的回报率,这为下面的投资组合构建奠定了基础.在投资组合的构建中,本文选择的股票池由更能代表中国股市的沪深300成分股组成.选取2013-01-01至2015-01-01两年的数据,包括12个入选因素和股票的上涨情况.为了在策略写作过程中尽可能地模拟真实情况,设置了滑动和手续费等影响因素.在模型的回测实验结果中,获得了25.5%的年化回报率.此外,根据特征在随机森林算法中的重要性和相关性分析,对影响因素和模型进行了进一步的改进,改进模型的年化收益率高达32.2%,超额收益率α达到15.1%,获得了较高的夏普比和较低的回撤率.

基于GBDT算法的多因子选股策略研究

本文运用GBDT算法构建多因子选股策略模型。首先选取2014—2019年A股市场为样本数据,通过BigQuant平台对因子进行单因子测试并确定4个有效因子,分别为每股净资产、市销率、60天换手率和市盈率。依据有效因子以2021年1月1日—12月31日A股市场数据对模型进行回测。结果显示:GBDT策略的收益率远超同时期的沪深300基准收益,其中夏普比率为1.02,阿尔法为0.25,收益率为23.54%,证明多因子选股策略有效,从而为投资者提供一定的选股参考。

基于特征换序的SCDF多因子量化选股研究

对深度森林的级联层进行子层再连接,建立了子层连接深度森林(sub-layer connection deep forests,SCDF)的分类算法。级联子层之间通过错误分类信息的传递,使得后续的子层能获得前子层的修正特征,从而有效提升了算法的收敛速度和分类正确率。在深度森林的多粒度扫描部分,利用袋外误差对数据特征的重要性进行排序,使重要性较高的因子可多次参与多粒度扫描,弥补了深度森林多粒度扫描的采样不平衡的缺点,并构建了基于特征换序的SCDF多因子选股模型。实验表明,基于特征换序的SCDF多因子选股模型在2020年1月—2022年1月的沪深300股票的年化收益率为26.47%,累计收益率达到120%,优于深度森林的收益率。

融合情感因子的多因子选股模型构建与实证分析

新型冠状病毒肺炎疫情背景下,投资者对医疗行业股票关注度增加,本文通过将代表投资者的情感倾向的情感因子加入到股票因子库中,研究情感因子的融入是否会优化选股效果。首先,选用医疗行业产业链主要股票作为候选股票池,提取241个因子数据,运用mRMR特征筛选算法进行因子优化,按照是否加入情感因子的对比预测方式,利用Stacking方法将机器学习模型进行融合后,构建多因子选股模型。通过对比模型结果,本文证实加入情感因子的模型的预测准确率更高。

基于Z模型对人民币贬值收益板块的多指标选股策略研究

自从“811”汇改以来,人民币汇率便以螺旋上升的姿态逐步升高,尤其是中美贸易战,以及新冠疫情期间,更多次出现“破7”。虽然当前市场投资环境下,投资者厌恶高利率与货币升值,但事无绝对,对于某些企业,尤其是出口型企业,汇率上升反而有助于其企业发展。本文将选取人民币贬值受益板块341支股票的数据进行研究分析,筛选出影响股票的走势的21个候选指标,并对这21个候选指标进行有效性检验。然后对有效但冗余的指标进行剔除,根据指标对股票走势的影响,对有效但不冗余指标用等权重法进行权重处理,对得到的结果进行排列,构建综合Z评分模型,找出各股票的有效但不冗余指标,按照升序排列打分,最后再验证所构建模型的有效性。完成上述步骤之后,选取打分高的股票,可以构建超额收益较高的投资组合,为股市中人民币贬值收益板块的投资者提供投资建议。

“中特估”的十个选股思路

今年,“中特估”概念成为了资本市场的焦点。结合《提高央企控股上市公司质量工作方案》及中央企业负责人会议内容,我们特此梳理出2023年国央企的十大选股思路及部分优选标的,供投资者参考。一、数字经济在数字经济相关政策密集落地的背景下,我们选取申万行业中数字经济相关方向央国企,以研发支出总额占营收比例作为研发强度考察标准,甄选出研发强度排名靠前的个股。

开放式基金选股和择时能力的实证研究

本文选取了2010至2011年期间发行的29只开放式基金,通过T-M模型和H-M模型分别对其在2018-2022年绩效表现进行了实证研究。Eviews回归结果显示:上述两个模型回归结果基本一致,说明在我国开放式基金中,少部分基金具有较强的选股能力或择时能力,比较而言,在基金数量上,具有择时能力的基金数量要多于选股能力的数量;在显著效果上,选股能力强于择时能力。

数字货币板块量化选股策略研究

本文采用因子分析方法构建数字货币板块量化选股策略,并进行策略回测和动态跟踪模拟,旨在为量化选股提供决策参考。研究发现,从因子贡献率和载荷矩阵可知,规模因子对数字货币板块绩效影响最大,技术因子影响最小;选取因子得分排名前五的股票进行策略回测,结果表明,多因子选股策略有效,且投资组合能有效降低风险;动态跟踪模拟显示因子分析所选取的股票具有较高的收益率。

基于机器学习的多因子选股模型比较分析

随着国家经济的快速发展,股票市场不断完善,购买股票成为投资者们的重要的理财方式之一。比起易受主观情绪所干扰的传统选股方法,量化投资以其客观、系统、效率高的特点,在国内不断普及,为机构和个人选股提供了新思路。同时,伴随着计算机技术的不断革新,机器学习逐渐应用于各个领域,将机器学习同量化投资相结合进行选股成为关注的重点。本文采用机器学习的方法,与多因子选股模型相结合,对2018年到2022年的沪深300指数所有成分股数据进行分析。文章首先介绍所使用的模型和方法的原理,然后运用主成分分析方法,对所选取的数据进行降维,将2018年到2021年的数据作为训练集,运用机器学习算法对数据进行模型拟合和参数调整,将2022年前两个季度的数据作为测试集,用调整后的模型进行预测,构造投资组合,与同期的沪深300收益率进行比较。通过结果可以看出,多种机器学习的模型都有不错的表现,其中卷积神经网络模型构造的投资组合收益率更高,更加稳定。

基于AHP层次分析法的选股策略构建

选股策略的构建是投资者在股市中获取高收益的关键因素之一。然而,由于市场的复杂性和不确定性,如何选择具有潜力和价值的个股一直是投资者面临的难题。为了解决这个问题,许多研究者和投资者采用各种方法来构建选股策略。AHP(Analytic Hierarchy Process)层次分析法是一种定量分析方法,可以帮助决策者在复杂的决策问题中进行评估和权衡,提高决策的准确性和可靠性。本文旨在帮助投资者更好地理解和应用 AHP 层次分析法在选股策略构建中的优势和局限性,为他们在股市中做出更明智的投资决策提供帮助。同时,我们也希望为学术界和实践者提供一种思路和方法,以推动选股策略构建领域的研究和实践进展。

浅议量化选股与定性选股

本文对量化选股与定性选股两种选股方式进行了简单的探讨。首先介绍了什么是量化选股和定性选股,再将两者各自的特点列示并加以对比,最后得出量化与定性选股方法在某种程度上是相关的,建议投资者同时使用,根据持有时长和个人风格选择侧重点的结论。

机器学习算法下的多因子量化选股策略

基于沪深300、中证500、中证全指从时间节点和因子暴露两个角度选择了相关因子,并进行了因子相关性分析,从多因子中筛选得到三组多因子组合,进行了回测对比。而后利用四种机器学习算法实证分析了各多因子组合在量化选股上的效果,并从持仓数、市场风格、参数等角度比较了各多因子组合之间的差异。最后对选股策略做了进一步优化。研究发现,构建的多因子量化选股策略具有较好的选股效果,支持向量机算法下的收益率表现最好。整体来看,随机森林算法下的收益率低于支持向量机,但其预测能力更好;岭回归算法和线性回归算法对选股策略的作用相似。随着因子数的增加,各种算法下的整体拟合度和收益率间呈现反向关系。