多因子筛选与因子正交化引言在多因子研究框架中，如果已经检验出多个有效的因子，而在实际因子选股的过程中，各个有效的因子可能会相互影响，而高度相关的两个有效因子，即使都有不错的获取alpha的能力，但其来源可能相同。如下图为一系列的资金流向因子和成交额的相关散点图矩阵 图中资金流向因子与成交额因子都有高度的相关性，存在大量的共同信息是的无法研究各资金流向因子之间的差异。这时就需要正交化方法，将所有资金
转载
2023-11-23 22:57:37
8阅读
# Python因子选股入门指南
因子选股是一种投资策略，通过选择一组影响股票回报率的因子来进行投资决策。这些因子可能包括公司财务指标、市场情绪和其他相关数据。近年来，Python由于其强大的数据处理能力和丰富的金融库，成为量化投资领域的重要工具。本文将介绍如何使用Python进行因子选股，并通过一个简单的示例来展示其基本思路。
## 什么是因子？
因子可以理解为驱动资产回报的变量。例如，成
本文原作者：甘泉 一、多因子选股背景量化交易策略无非三点：择时、选股、仓控。择时为短期套利交易策略，选股为中长期交易策略，目标是在中长期跑赢指数、获取市场超额收益率alpha。多因子选股的关键是找到寻找因子与股票收益率之间的相关性，即对收益率预测能力强的因子。一般多采用如下步骤：而传统的多因子模型在构建大类因子特征时往往依赖于投资者的主观判断和逻辑推理。机器学习等量化模型，依据某种机制，
转载
2024-07-05 04:02:11
39阅读
# 导入函数库 from jqdata import * # 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_
转载
2018-12-18 21:08:00
312阅读
前言： 在无人指导自学的环境下，只能靠网络搜索去记录些会用到的知识定义，以此来方便以后的学习，不定时频繁更新。1：CAPM 资本资产定价模型 capital asset pricing model2：CAPM模型:一个投资组合的超额回报率可由它对三个因子的暴露来解释，这三个因子是:市场资产组合（Rm-Rf）、市值因子（SMB）、账面市值比因子（HML）3：ROE 净资产收益率 return on
转载
2023-08-14 15:50:26
5阅读
本文试图构建一个通用的因子选股回测模型，来验证因子的有效性。什么是有效因子在构建因子选股回测模型之前，我们总结了一个有效因子的三个重要特征，它们是：①超额收益：一个有效因子，应当能筛选出好的股票组合，创造出跑赢大盘的超额收益。②持续性：一个有效因子，应当是在一个较长的时间段内持续有效，而不是仅仅在一个季度、一个年份有效。 ③稳定性：一个有效因子，不仅是对一个市场有效，而是在所有市场都有效，能够跨市
转载
2024-01-08 18:01:02
40阅读
在Python财务因子量化选股中，质量类因子有2个，分别是净资产收益率和总资产净利率。需要注意的是，质量类因子在财务指标数据表indicator中。
原创
2024-05-05 17:28:55
28阅读
# Python 多因子选股流程
作为一名经验丰富的开发者，我将向你介绍如何实现“Python 多因子选股”。在这篇文章中，我将给出整个流程的步骤，并提供每一步需要做的代码以及相关注释。
## 1. 数据获取
在进行多因子选股之前，我们首先需要获取股票数据。你可以选择使用第三方库如`pandas_datareader`来从股票数据源中获取数据。下面是获取数据的代码示例：
```python
原创
2023-08-01 04:52:15
594阅读
# Python多因子选股的基本概念与实现
在投资领域中，投资者往往需要从众多股票中筛选出具有潜在回报的股票。为此，多因子选股策略应运而生。多因子选股通过对多个影响股票表现的因素进行综合考虑，帮助投资者找到合适的投资标的。本文将介绍多因子选股的基本原理，并通过Python代码示例演示如何实现这一策略。
## 多因子选股的基本原理
多因子选股是指通过多个独立的因子来评估和选择股票。因子可以包括
首先，我们先来看一下通过卷积神经网络选股模型的整体流程，然后再根据每一步流程进行介绍，具体如下图所示：1、数据获取用于历史回测数据来自所有A股股票，其中剔除了ST股以及上市3个月的股票，另外，每只股票是做一个样本。回测的区间是从2011年1月31日到2019年1月31日。2、特征和标签提取通过CNN进行分类预测时，必然需要进行对特征进行提取并进行标签的标注工作。其中，样本特征是根据每个自然月的最后
转载
2023-12-26 21:01:08
9阅读
多因子选股模型在模型搭建中，往往会涉及到非常多的股价影响因子，并可能导出数量极多的备选模型。因此，对于多因子选股模型的评价和筛选，就显得尤为关键。对于专业的量化投资人而言，就需要进一步了解多因子选股模型的两种主要的评价判断方法——打分法和回归法。打分法的评价原理和流程所谓打分法，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，最后根据总分再对股票进行筛选。对于多因子模型的
金融是我最头疼的科目，监督自己坚持学下去！多因子选股策略理论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被买入，不满足的股票被卖出。例如，当很多投资者认为低市盈率（PE，公司市值/净利润）的价值型股票是好的投资标的时，他们纷纷买入低PE的股票，会使得该股票的价格上涨，这样就使得低PE的这个因子的有效性得到体现。实际上，并不是低市盈率就一定好，因为
转载
2023-10-02 08:12:12
14阅读
本项目的核心思路：根据pe ratio对股票进行分组，分组之后等权重投资低估值的股票，再平衡日为每月最后一天。 Contents1 获取并处理数据1.1 获取数据1.2 数据整理 1 获取并处理数据注：本项目使用的全部数据来自Tushare社区（id=570231）：Tushare社区1.1 获取数据1.首先，我们安装一下Tushare库pip install tushare2.调用API之前，进
转载
2023-08-06 13:13:06
306阅读
多因子选股策略 Python
在现代投资中，多因子选股策略逐渐成为资产管理和投资分析中不可或缺的一部分。通过结合多种财务指标和市场数据，投资者能够更好地评估资产的潜力并作出明智的决策。本篇文章将探讨如何使用 Python 实现多因子选股策略，从而为投资者提供有效的方法和思路。
## 适用场景分析
多因子选股策略适用于希望通过量化分析提升投资决策效率的投资者和机构。这个策略特别适合长线投资者、
# Barra因子选股的Python实现
在现代投资中，因子模型被广泛应用于股票选择和投资组合管理。Barra因子模型是市场中广泛使用的一种多因子模型，主要通过分析不同因素对股票收益的影响来帮助投资者制定决策。本文将介绍如何使用Python实现Barra因子选股，并给出相应的代码示例。
## 什么是Barra因子？
Barra因子可以分为两大类：风格因子和行业因子。风格因子通常包括：市场风险
原创
2024-10-08 05:40:44
286阅读
多因子选股代码Python可以帮助投资者通过多个因子来评估股票的投资价值。该过程中涉及数据分析、模型构建和策略回测等环节。本篇博文将详细探讨如何在Python中实现多因子选股，涉及版本对比、迁移指南、兼容性处理、实战案例、性能优化以及生态扩展，帮助读者轻松上手。
## 版本对比
### 兼容性分析
在不同版本的Python中，多因子选股的库和API的更新至关重要。以下是对版本演进的时间轴展示：
经过前两篇文章，我们把多因子选股策略三大步骤：因子的选取，检验，冗余因子剔除等介绍了一遍，接下来这一篇将利用已经得到的结论，完成最后一步，策略的实现。我们根据前两篇文章的内容，我们选取以下因子来构建策略：TAGRT，ROEANNUAL，SHTLIABTOTLIABRT，PB其因子的有效性图如下，股票池为“IT指数”成分股。 策略构建：基本思路：我们按照一定排列规则，将所有股票排序，并选取
转载
2023-10-20 17:16:34
58阅读
# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
import numpy as np
from gm.api import *
from pandas import DataFrame
'''
本策略每隔1个月定时触发,根据Fama-French三因子模型对每只进行回
转载
2024-01-26 07:32:23
371阅读
多因子策略选股简介多因子模型是一种常用的选股模型，多因子模型的构建一般分为回归法和打分法两类。其基本思想就是找到某些影响股票收益的因子然后利用这些因子进行选股。一、alpha因子的种类因子分类有许多种，按因子分析角度分为基本面因子与技术因子。其中基本面因子包含：价值因子、盈利因子、成长因子、资本结构因子、运营因子、流通性因子等；技术因子包含：动量因子、趋势因子、市值因子、波动因子、成交量因子等。按
转载
2023-06-13 21:36:34
700阅读
技术讨论，不构成任何投资建议！一、CAPM的不足与三因子模型的诞生CAPM模型经历了大量的实证和应用之后，有证据表明，市场风险溢酬并不能充分解释个别风险资产的收益率。于是很多研究者开始探索其他的因素，比如公司市值、PE、杠杆比例、账面市值比等。Fama和French两个人对于各种因素进行了全面的组合分析，当单独使用Beta或者用Beta分别与其他几个因子相结合时，Beta的解释能力很
转载
2023-07-02 11:38:30
510阅读
