財經 北京新浪網 【華泰金工林曉明團隊】上周成長和基本面類因子表現較好——華泰金工因子跟蹤周報20201016

【華泰金工林曉明團隊】上周成長和基本面類因子表現較好——華泰金工因子跟蹤周報20201016

來源:華泰金融工程

林曉明    S0570516010001

             SFC No. BPY421      研究員

何   康    S0570520080004     研究員

王晨宇    S0570119110038     聯繫人

報告發佈時間:2020年10月18日

摘要

上周成長和基本面類因子表現較好,波動率因子回撤

上周成長因子以及盈利、財務質量等基本面類因子表現較好,在各個股票池均呈現正收益。估值、beta、技術因子上周整體表現平庸,在各個股票池間存在一定分化。小市值因子在全A股股票池中表現較好,在其餘股票池中回撤明顯;反轉、換手率等量價因子在滬深300成分股票池中表現較好,在其餘股票池中呈明顯的負收益。波動率因子上周表現不佳,整體呈現回撤。

主動型量化基金近1個月表現與非量化基金基本持平

我們基於Wind量化基金分類,對量化公募基金定期跟蹤業績表現。上周主動型、指數型、對沖三個類別的量化基金收益率中位數分別為1.99%、2.11%、-0.01%,所有股票及偏股型公募基金收益率中位數為1.56%;近1個月主動型量化基金收益率中位數為3.85%,所有股票及偏股型公募基金收益率中位數為3.85%;主動型量化基金近1周表現強於非量化基金,近1個月表現與非量化基金基本持平。我們基於三種方法對偏股混合型基金倉位變化情況進行測算,結合上期持倉的二次規劃法和逐步回歸法顯示上周基金倉位預測值較前一周上升,Lasso回歸法顯示上周基金倉位預測值較前一周基本持平。

上周市場上行,表現最好的指數是上證50

上周市場上行,上證綜指一周漲幅1.96%相對較大,中小板指一周漲幅1.51%相對較小;觀察市場重要規模指數發現,上證50指數一周漲幅2.84%相對較大,中證500指數一周漲幅1.11%相對較小;上周表現最好的指數是上證50。在30個中信一級行業中,上周有27個行業處於上漲狀態;紡織服裝、銀行、煤炭行業表現相對較好,漲跌幅分別為6.56%、5.80%、5.19%;電子、傳媒、房地產行業表現相對較差,漲跌幅分別為-1.06%、-0.45%、-0.25%;醫藥行業一周成交額領跑其它行業。

風險提示:風格因子的效果與宏觀環境和大盤走勢密切相關,歷史結果不能預測未來;量化與非量化基金的業績受到多種因素影響,包括環境、政策、基金管理人變化等,過去業績好的基金不代表未來依然業績好,投資需謹慎。本報告所採用的基金倉位測算方法僅基於日頻基金凈值數據和行業數據,沒有利用基金報告中公佈的重倉股、行業分佈等信息,存在一定局限性,敬請注意。

上周市場行情回顧

上周(2020/10/12~2020/10/16)A股市場重要指數和一級行業指數漲跌幅如下所示。

上周市場上行。在四個重要的板塊指數(上證綜指、深證成指、中小板指、創業板指)中,上證綜指一周漲幅1.96%相對較大,中小板指一周漲幅1.51%相對較小;在五個重要的規模指數(中證全指、上證50、滬深300、中證500、中證1000)中,上證50指數一周漲幅2.84%相對較大,中證500指數一周漲幅1.11%相對較小;上周表現最好的指數是上證50。在30個中信一級行業中,上周有27個行業處於上漲狀態;紡織服裝、銀行、煤炭行業表現相對較好,漲跌幅分別為6.56%、5.80%、5.19%;電子、傳媒、房地產行業表現相對較差,漲跌幅分別為-1.06%、-0.45%、-0.25%;醫藥行業一周成交額領跑其它行業。

上周因子表現

我們針對估值、成長、盈利、財務質量、小市值、反轉、波動率、換手率、beta、技術共十個風格因子,在滬深300成份股、中證500成份股、中證1000成份股、全A股市場四種股票池內計算行業中性及市值中性的Rank IC值、IC_IR比率,並展示在下面七個圖表中。這一計算過程可以簡要描述為:

1.     計算附錄一表格中所有細分因子的值;

2.     對每個細分因子,用其自身作因變數,用對數總市值和30個一級行業啞變數作自變數進行OLS線性回歸,取回歸殘差替代原始計算的因子值;

3.     對新因子值用中位數法去極值,再標準化,然後將屬於同一個風格大類(比如估值)的細分因子直接等權相加作為風格因子的值,與個股下期收益率計算Spearman秩相關係數,即得到該風格因子的Rank IC值;

4.     上周、本月初至今(或指定月份的)Rank IC值分別是用前一周五(或前一周最後一個交易日)、上個月(或指定月份前推一個月)的月底作為截面期計算因子值,經過前3步處理後與個股上周、本月初至今(或指定月份的)收益計算相關係數,指定時間區間內Rank IC均值是以自然月為頻率計算的月度Rank IC的平均值(本月的Rank IC值即為本月初至今Rank IC值),IC_IR是月度Rank IC的均值除以標準差。

十個風格大類共包含34個細分因子,它們的詳細計算方式參見附錄一,風格因子合成與IC值計算方法參見附錄二,細分因子IC值詳表參見附錄三。

上周量化基金表現

我們以 Wind 收集的量化概念類基金(包括主動型、指數型、對沖三個子類)為基礎,針對以下幾種情形進行調整:

1.     同一隻基金可能存在A類、C類或其它類別份額,不同類別份額可以各自對應於獨立的基金代碼,我們在統計時只考慮成立最久的那一個基金代碼(若成立日相同則選A類份額)對應的業績表現;

2.     去除債券型基金、偏債混合型基金、封閉式基金、非主要投資於A股市場的基金,去除成立三個月之內的基金;

3.     去除明顯不是量化型的基金(主要通過基金經理背景、經歷和其它信息綜合判斷);

4.     我們將所有開放式公募基金中普通股票型和偏股混合型合並作為參照組,因為基金數目眾多,細微調整對分位數計算的影響較小,所以對參照組沒有進行上述3條處理。

考慮到 Wind 收集的量化基金可能不全,所以此處討論的量化基金可以認為是全市場量化基金的一個有代表性的子集。近期量化基金表現如下面圖表所示。

基金倉位測算觀察

我們基於結合上期持倉的二次規劃法、Lasso回歸和逐步回歸三種回歸方法,對偏股混合型基金2018年初至今倉位變化情況進行了測算。這一計算過程可以簡要描述為:

1.     選取Wind分類下的偏股混合型基金,剔除滬港深基金等非完全投資於A股市場的基金,剔除數據方面有缺失值或存在疑問的基金,剔除2017年以後成立的基金,共保留480隻偏股混合型基金。

2.     以過去90個交易日基金的日頻收益率作為因變數,30個中信一級行業指數日收益率作為自變數,樣本按時間衰減賦權,通過不同的回歸方式對各行業變數前的回歸係數進行擬合,再求所有回歸係數之和,即得基金倉位預測值。

3.     對於結合上期持倉的二次規劃法,我們對目標函數進行最優化求解,需要求解的目標向量為倉位向量。目標函數包含兩項,第一項是基金日收益率預測值與真實值的均方誤差,第二項是基金在各指數的預測倉位與上期真實倉位的誤差平方和,λ是第二項損失項前的係數,此處將λ設為10。

4.     對於Lasso回歸,其基本原理是在普通最小二乘的損失函數基礎上添加L1正則化項,使原本較為病態的回歸問題可以正常求解。Lasso回歸將某些行業前面的回歸係數壓縮成0,提取出一組「回歸效果最好」的行業組作為解釋變數組。Lasso回歸具有一個可調參數λ,我們採用10折交叉驗證從1e-3至1的範圍內搜索最優λ值。

5.     對於逐步回歸,我們採用逐步進入方法,每次引入或剔除自變數,都對原模型和新模型進行F檢驗。如果新自變數的引入能夠顯著提升模型的解釋能力,那麼引入該自變數;如果原自變數的剔除不會顯著降低模型的解釋能力,那麼剔除該自變數。直到不再有變數被選入或剔除為止。變數被保留的p值為0.05,被剔除的p值為0.1。

關於回歸法進行基金倉位測算的具體方法,感興趣的投資人可以參閱華泰金工研報《再探回歸法測算基金持股倉位》(2018.12.24)了解更多詳情。我們使用過去90個交易日的數據進行回歸計算,按日滾動回歸,得到偏股混合型基金倉位預測值均值變化曲線,如下圖所示。結合上期持倉的二次規劃法和逐步回歸法顯示上周偏股混合型基金倉位預測值較前一周有所上升,Lasso回歸法顯示上周偏股混合型基金倉位預測值較前一周基本持平。

附錄一:所有細分因子計算方法

上表第三列因子方向解釋:取值為1代表因子值越大越好,-1代表因子值越小越好。當採用等權法合成風格因子時,需將因子值乘以因子方向之後再相加。

附錄二:風格因子合成與IC計算方法

我們以某一截面期T估值類風格因子的合成為例,具體說明風格因子合成過程:

1.因子原始值計算:設第T期指定股票池(全A股、滬深300成份股、中證500成份股、中證1000成份股)內共存在N只股票,首先根據附錄一表格計算細分因子EP、BP、SP、股息率在第T期的值,均為N×1維向量;

2.因子的行業與市值中性化處理:用OLS線性回歸擬合

取上述回歸方程的殘差向量替代原始計算的因子值X^T作為第T期因子X的新值,仍記為X^T,這裏的X指代EP、BP、SP、股息率等細分因子(特別地,若因子X為『對數總市值』因子,則它只對行業啞變數回歸,亦即對該因子只進行行業中性化處理);

3. 因子去極值、標準化:

a)  中位數去極值:對於經過中性化處理之後的因子值X^T(N×1維向量),先計算其中位數D_M,再計算|X^T-D_M |的中位數D_M1,接下來將向量X^T中所有大於D_M+5D_M1的元素重設為D_M+5D_M1,將向量X^T中所有小於D_M-5D_M1的元素重設為D_M-5D_M1;

b)  標準化:將去極值處理後的因子值X^T(N×1維向量)減去其現在的均值、再除以其現在的標準差,就得到了標準化後的新因子值,仍記為X^T;

4. 風格因子合成與Rank IC計算:將屬於估值類的四個細分因子值(經過以上所有處理之後)乘以各自的因子方向(1或-1)之後直接等權相加,就得到了估值風格因子的值,與個股下期收益率向量r^(T+1)計算Spearman秩相關係數,即得到估值風格因子的Rank IC值;

5. 上周、本月初至今(或指定月份的)的風格因子Rank IC值分別是用上上周五、上個月底作為截面期計算因子值,經過前4步處理後與個股上周、本月初至今(或指定月份的)收益向量計算Spearman秩相關係數而得的,指定時間區間內Rank IC均值是以自然月為頻率計算的月度Rank IC的平均值(若指定時間區間中最末一天不是月底,則用最後一個月的月初至區間最末一天的Rank IC值作為最後一個月的Rank IC值),IC_IR是月度Rank IC的均值除以標準差(不年化);

6. 細分因子的Rank IC值即用第2步處理結束後得到的因子值X^T乘以因子方向(1或-1)再與個股下期收益率向量r^(T+1)計算Spearman秩相關係數。

附錄三:所有細分因子IC值表現

所有細分因子在不同票池(全A股、滬深300成份股、中證500成份股、中證1000成份股)內的IC值表現如以下四張圖表所示:

風險提示

風格因子的效果與宏觀環境和大盤走勢密切相關,歷史結果不能預測未來。量化與非量化基金的業績受到多種因素影響,包括環境、政策、基金管理人變化等,過去業績好的基金不代表未來依然業績好,投資需謹慎;基金業績排名不構成對基金的投資建議。本報告所採用的基金倉位測算方法僅基於日頻基金凈值數據和行業數據,沒有利用基金報告中公佈的重倉股、行業分佈等信息,存在一定測算誤差,敬請注意;基金倉位測算結果不構成對擇時的投資建議。

免責聲明與評級說明

公眾平台免責申明

本公眾號不是華泰證券股份有限公司(以下簡稱「華泰證券」)研究報告的發佈平台,本公眾號僅供華泰證券中國內地研究諮詢服務客戶參考使用。其他任何讀者在訂閱本公眾號前,請自行評估接收相關推送內容的適當性,且若使用本公眾號所載內容,務必尋求專業投資顧問的指導及解讀。華泰證券不因任何訂閱本公眾號的行為而將訂閱者視為華泰證券的客戶。

本公眾號轉發、摘編華泰證券向其客戶已發佈研究報告的部分內容及觀點,完整的投資意見分析應以報告發佈當日的完整研究報告內容為準。訂閱者僅使用本公眾號內容,可能會因缺乏對完整報告的了解或缺乏相關的解讀而產生理解上的歧義。如需了解完整內容,請具體參見華泰證券所發佈的完整報告。

本公眾號內容基於華泰證券認為可靠的信息編製,但華泰證券對該等信息的準確性、完整性及時效性不作任何保證,也不對證券價格的漲跌或市場走勢作確定性判斷。本公眾號所載的意見、評估及預測僅反映發佈當日的觀點和判斷。在不同時期,華泰證券可能會發出與本公眾號所載意見、評估及預測不一致的研究報告。

在任何情況下,本公眾號中的信息或所表述的意見均不構成對任何人的投資建議。訂閱者不應單獨依靠本訂閱號中的內容而取代自身獨立的判斷,應自主做出投資決策並自行承擔投資風險。訂閱者若使用本資料,有可能會因缺乏解讀服務而對內容產生理解上的歧義,進而造成投資損失。對依據或者使用本公眾號內容所造成的一切後果,華泰證券及作者均不承擔任何法律責任。

本公眾號版權僅為華泰證券所有,未經華泰證券書面許可,任何機構或個人不得以翻版、複製、發表、引用或再次分發他人等任何形式侵犯本公眾號發佈的所有內容的版權。如因侵權行為給華泰證券造成任何直接或間接的損失,華泰證券保留追究一切法律責任的權利。華泰證券具有中國證監會核准的「證券投資諮詢」業務資格,經營許可證編號為:91320000704041011J。

8月28日

華泰金工深度報告一覽

金融周期系列研究(資產配置)

【華泰金工林曉明團隊】2020年中國市場量化資產配置年度觀點——周期歸來、機會重生,顧短也兼長20200121

【華泰金工林曉明團隊】量化資產配置2020年度觀點——小周期爭明日,大周期贏未來20200116

【華泰金工林曉明團隊】風險預算模型如何度量風險更有效-改進風險度量方式穩定提升風險模型表現的方法

【華泰金工林曉明團隊】周期雙底存不確定性宜防守待趨勢——短周期底部拐頭機會漸增,待趨勢明朗把握或更大20191022

【華泰金工林曉明團隊】二十 年一輪迴的黃金投資大周期——黃金的三周期定價邏輯與組合配置、投資機會分析20190826

【華泰金工林曉明團隊】如何有效判斷真正的周期拐點?——定量測度實際周期長度提升市場拐點判准機率

【華泰金工林曉明團隊】基欽周期的長度會縮短嗎?——20190506

【華泰金工林曉明團隊】二十載昔日重現,三四年周期輪迴——2019年中國與全球市場量化資產配置年度觀點(下)

【華泰金工林曉明團隊】二十載昔日重現,三四年周期輪迴——2019年中國與全球市場量化資產配置年度觀點(上)

【華泰金工林曉明團隊】周期輪動下的BL資產配置策略

【華泰金工林曉明團隊】周期理論與機器學習資產收益預測——華泰金工市場周期與資產配置研究

【華泰金工林曉明團隊】市場拐點的判斷方法

【華泰金工林曉明團隊】2018中國與全球市場的機會、風險 · 年度策略報告(上)

【華泰金工林曉明團隊】基欽周期的量化測度與歷史規律 · 華泰金工周期系列研究

【華泰金工林曉明團隊】周期三因子定價與資產配置模型(四)——華泰金工周期系列研究

【華泰金工林曉明團隊】周期三因子定價與資產配置模型(三)——華泰金工周期系列研究

【華泰金工林曉明團隊】周期三因子定價與資產配置模型(二)——華泰金工周期系列研究

【華泰金工林曉明團隊】周期三因子定價與資產配置模型(一)——華泰金工周期系列研究

【華泰金工林曉明團隊】華泰金工周期研究系列 · 基於DDM模型的板塊輪動探索

【華泰金工林曉明團隊】市場周期的量化分解

【華泰金工林曉明團隊】周期研究對大類資產的預測觀點

【華泰金工林曉明團隊】金融經濟系統周期的確定(下)——華泰金工周期系列研究

【華泰金工林曉明團隊】金融經濟系統周期的確定(上)——華泰金工周期系列研究

【華泰金工林曉明團隊】全球多市場擇時配置初探——華泰周期擇時研究系列

行業指數頻譜分析及配置模型:市場的周期分析系列之三

【華泰金工林曉明團隊】市場的頻率——市場輪迴,周期重生

【華泰金工林曉明團隊】市場的輪迴——金融市場周期與經濟周期關係初探

周期起源

【華泰金工林曉明團隊】企業間力的產生、傳播和作用效果——華泰周期起源系列研究之八

【華泰金工林曉明團隊】耦合振子同步的藏本模型——華泰周期起源系列研究之七

【華泰金工林曉明團隊】周期在供應鏈管理模型的實證——華泰周期起源系列研究之六

【華泰金工林曉明團隊】不確定性與緩衝機制——華泰周期起源系列研究報告之五

【華泰金工林曉明團隊】周期是矛盾雙方穩定共存的結果——華泰周期起源系列研究之四

【華泰金工林曉明團隊】周期是不確定性條件下的穩態——華泰周期起源系列研究之三

【華泰金工林曉明團隊】周期趨同現象的動力學系統模型——華泰周期起源系列研究之二

【華泰金工林曉明團隊】從微觀同步到宏觀周期——華泰周期起源系列研究報告之一

FOF與金融創新產品

【華泰金工林曉明團隊】養老目標基金的中國市場開發流程--目標日期基金與目標風險基金產品設計研究

【華泰金工】生命周期基金Glide Path開發實例——華泰FOF與金融創新產品系列研究報告之一

因子周期(因子擇時)

【華泰金工林曉明團隊】市值因子收益與經濟結構的關係——華泰因子周期研究系列之三

【華泰金工林曉明團隊】周期視角下的因子投資時鐘--華泰因子周期研究系列之二

【華泰金工林曉明團隊】因子收益率的周期性研究初探

擇時

【華泰金工林曉明團隊】波動率與換手率構造牛熊指標——華泰金工量化擇時系列

【華泰金工林曉明團隊】A股市場低開現象研究

【華泰金工林曉明團隊】華泰風險收益一致性擇時模型

【華泰金工林曉明團隊】技術指標與周期量價擇時模型的結合

【華泰金工林曉明團隊】華泰價量擇時模型——市場周期在擇時領域的應用

中觀基本面輪動

【華泰金工林曉明團隊】行業全景畫像:投入產出表視角——華泰中觀基本面輪動系列之五

【華泰金工林曉明團隊】行業全景畫像:改進杜邦拆解視角——華泰中觀基本面輪動系列之四

【華泰金工林曉明團隊】行業全景畫像:風格因子視角 ——華泰中觀基本面輪動系列之三

【華泰金工林曉明團隊】行業全景畫像:宏觀因子視角 ——華泰中觀基本面輪動系列之二

【華泰金工林曉明團隊】確立研究對象:行業拆分與聚類——華泰中觀基本面輪動系列之一

行業輪動

【華泰金工林曉明團隊】擁擠度指標在行業配置中的應用——華泰行業輪動系列報告之十二

【華泰金工林曉明團隊】基於投入產出表的產業鏈分析 ——華泰行業輪動系列報告之十一

【華泰金工林曉明團隊】不同協方差估計方法對比分析——華泰行業輪動系列報告之十

【華泰金工林曉明團隊】景氣度指標在行業配置中的應用——華泰行業輪動系列報告之九

【華泰金工林曉明團隊】再探周期視角下的資產輪動——華泰行業輪動系列報告之八

【華泰金工林曉明團隊】「華泰周期輪動」基金組合改進版——華泰行業輪動系列報告之七

【華泰金工林曉明團隊】「華泰周期輪動」基金組合構建——華泰行業輪動系列之六

【華泰金工林曉明團隊】估值因子在行業配置中的應用——華泰行業輪動系列報告之五

【華泰金工林曉明團隊】動量增強因子在行業配置中的應用——華泰行業輪動系列報告之四

【華泰金工林曉明團隊】財務質量因子在行業配置中的應用——華泰行業輪動系列報告之三

【華泰金工林曉明團隊】周期視角下的行業輪動實證分析——華泰行業輪動系列之二

【華泰金工林曉明團隊】基於通用回歸模型的行業輪動策略——華泰行業輪動系列之一

Smartbeta

【華泰金工林曉明團隊】重劍無鋒:低波動 Smart Beta——華泰 Smart Beta 系列之四

【華泰金工林曉明團隊】投資優質股票:紅利類Smart Beta——華泰Smart Beta系列之三

【華泰金工林曉明團隊】博觀約取:價值和成長Smart Beta——華泰Smart Beta系列之二

【華泰金工林曉明團隊】Smart Beta:乘風破浪趁此時——華泰Smart Beta系列之一

【華泰金工林曉明團隊】Smartbeta在資產配置中的優勢——華泰金工Smartbeta專題研究之一

多因子選股

【華泰金工林曉明團隊】華泰單因子測試之歷史分位數因子——華泰多因子系列之十三

【華泰金工林曉明團隊】桑土之防:結構化多因子風險模型——華泰多因子系列之十二

【華泰金工林曉明團隊】華泰單因子測試之海量技術因子——華泰多因子系列之十一

【華泰金工林曉明團隊】因子合成方法實證分析 ——華泰多因子系列之十

【華泰金工林曉明團隊】華泰單因子測試之一致預期因子 ——華泰多因子系列之九

【華泰金工林曉明團隊】華泰單因子測試之財務質量因子——華泰多因子系列之八

【華泰金工林曉明團隊】華泰單因子測試之資金流向因子——華泰多因子系列之七

【華泰金工林曉明團隊】華泰單因子測試之波動率類因子——華泰多因子系列之六

【華泰金工林曉明團隊】華泰單因子測試之換手率類因子——華泰多因子系列之五

【華泰金工林曉明團隊】華泰單因子測試之動量類因子——華泰多因子系列之四

【華泰金工林曉明團隊】華泰單因子測試之成長類因子——華泰多因子系列之三

【華泰金工林曉明團隊】華泰單因子測試之估值類因子——華泰多因子系列之二

【華泰金工林曉明團隊】華泰多因子模型體系初探——華泰多因子系列之一

【華泰金工林曉明團隊】五因子模型A股實證研究

【華泰金工林曉明團隊】紅利因子的有效性研究——華泰紅利指數與紅利因子系列研究報告之二

人工智慧

【華泰金工林曉明團隊】WGAN應用於金融時間序列生成——華泰人工智慧系列之三十五

【華泰金工林曉明團隊】再探AlphaNet:結構和特徵優化——華泰人工智慧系列之三十四

【華泰金工林曉明團隊】數據模式探索:無監督學習案例——華泰人工智慧系列之三十三

【華泰金工林曉明團隊】AlphaNet:因子挖掘神經網路——華泰人工智慧系列之三十二

【華泰金工林曉明團隊】生成對抗網路GAN初探——華泰人工智慧系列之三十一

【華泰金工林曉明團隊】從關聯到邏輯:因果推斷初探——華泰人工智慧系列之三十

【華泰金工林曉明團隊】另類標籤和集成學習——華泰人工智慧系列之二十九

【華泰金工林曉明團隊】基於量價的人工智慧選股體系概覽——華泰人工智慧系列之二十八

【華泰金工林曉明團隊】揭開機器學習模型的「黑箱」 ——華泰人工智慧系列之二十七

【華泰金工林曉明團隊】遺傳規劃在CTA信號挖掘中的應用——華泰人工智慧系列之二十六

【華泰金工林曉明團隊】市場弱有效性檢驗與擇時戰場選擇——華泰人工智慧系列之二十五

【華泰金工林曉明團隊】投石問路:技術分析可靠否?——華泰人工智慧系列之二十四

【華泰金工林曉明團隊】再探基於遺傳規劃的選股因子挖掘——華泰人工智慧系列之二十三

【華泰金工林曉明團隊】基於CSCV框架的回測過擬合機率——華泰人工智慧系列之二十二

【華泰金工林曉明團隊】基於遺傳規劃的選股因子挖掘——華泰人工智慧系列之二十一

【華泰金工林曉明團隊】必然中的偶然:機器學習中的隨機數——華泰人工智慧系列之二十

【華泰金工林曉明團隊】偶然中的必然:重採樣技術檢驗過擬合——華泰人工智慧系列之十九

【華泰金工林曉明團隊】機器學習選股模型的調倉頻率實證——華泰人工智慧系列之十八

【華泰金工林曉明團隊】人工智慧選股之數據標註方法實證——華泰人工智慧系列之十七

【華泰金工林曉明團隊】再論時序交叉驗證對抗過擬合——華泰人工智慧系列之十六

【華泰金工林曉明團隊】人工智慧選股之卷積神經網路——華泰人工智慧系列之十五

【華泰金工林曉明團隊】對抗過擬合:從時序交叉驗證談起

【華泰金工林曉明團隊】人工智慧選股之損失函數的改進——華泰人工智慧系列之十三

【華泰金工林曉明團隊】人工智慧選股之特徵選擇——華泰人工智慧系列之十二

【華泰金工林曉明團隊】人工智慧選股之Stacking集成學習——華泰人工智慧系列之十一

【華泰金工林曉明團隊】宏觀周期指標應用於隨機森林選股——華泰人工智慧系列之十

【華泰金工林曉明團隊】人工智慧選股之循環神經網路——華泰人工智慧系列之九

【華泰金工林曉明團隊】人工智慧選股之全連接神經網路——華泰人工智慧系列之八

【華泰金工林曉明團隊】人工智慧選股之Python實戰——華泰人工智慧系列之七

【華泰金工林曉明團隊】人工智慧選股之Boosting模型——華泰人工智慧系列之六

【華泰金工林曉明團隊】人工智慧選股之隨機森林模型——華泰人工智慧系列之五

【華泰金工林曉明團隊】人工智慧選股之樸素貝葉斯模型——華泰人工智慧系列之四

【華泰金工林曉明團隊】人工智慧選股之支持向量機模型— —華泰人工智慧系列之三

【華泰金工林曉明團隊】人工智慧選股之廣義線性模型——華泰人工智慧系列之二

指數增強基金分析

【華泰金工林曉明團隊】再探回歸法測算基金持股倉位——華泰基金倉位分析專題報告

【華泰金工林曉明團隊】酌古御今:指數增強基金收益分析

【華泰金工林曉明團隊】基於回歸法的基金持股倉位測算

【華泰金工林曉明團隊】指數增強方法匯總及實例——量化多因子指數增強策略實證

基本面選股

【華泰金工林曉明團隊】華泰價值選股之相對市盈率港股模型——相對市盈率港股通模型實證研究

【華泰金工林曉明團隊】華泰價值選股之FFScore模型

【華泰金工林曉明團隊】相對市盈率選股模型A股市場實證研究

【華泰金工林曉明團隊】華泰價值選股之現金流因子研究——現金流因子選股策略實證研究

【華泰金工林曉明團隊】華泰基本面選股之低市收率模型——小費雪選股法 A 股實證研究

【華泰金工林曉明團隊】華泰基本面選股之高股息率模型之奧軒尼斯選股法A股實證研究

基金定投

【華泰金工林曉明團隊】大成旗下基金2018定投策略研究

【華泰金工林曉明團隊】布林帶與股息率擇時定投模型——基金定投系列專題研究報告之四

【華泰金工林曉明團隊】基金定投3—馬科維茨有效性檢驗

【華泰金工林曉明團隊】基金定投2—投資標的與時機的選擇方法

【華泰金工林曉明團隊】基金定投1—分析方法與理論基礎

基金評價

【華泰金工林曉明團隊】基金評價及篩選全流程研究框架——股票型與債券型基金多種維度定量與定性評價法

其它

【華泰金工林曉明團隊】A股市場及行業的農曆月份效應——月份效應之二

A股市場及行業的月份效應——詳解歷史數據中的隱藏法則