来源：雪球App，作者： HTFE，（https://xueqiu.com/1952901955/133780474）

摘要

人工智能和机器学习能与量化多因子选股模型相结合

人工智能（Artificial Intelligence）本质是以数理模型为核心工具，结合控制论、认知心理学等其它学科的研究成果，最终由计算机系统模拟人类的感知、推理、学习、决策等功能。从模型构建的角度上来看，机器学习与多因子选股有诸多共通之处，借助机器学习模型，多因子模型可以在以下方面相比于传统方法论有所突破：1. 机器学习模型相比传统线性模型在海量数据下有更好的性能。基于机器学习的多因子选股模型能充分使用海量、高维的因子数据。2. 大多数机器学习模型都具有非线性拟合能力。基于机器学习的多因子选股模型能利用非线性因子。

两种常用的机器学习模型：XGBoost和Stacking均有优秀的选股能力

本文介绍了两种常用的机器学习模型的原理：XGBoost和Stacking。XGBoost具有非线性拟合能力强、速度快等特点。Stacking则具有集成多个强学习器来达到取长补短的能力。我们在全A股票池内，构建月频调仓的中证500增强策略，在2011年1月31日到2019年9月30日的回测区间内，XGBoost年化超额收益率为17.17%，超额收益最大回撤为3.88%，信息比率为3.57。Stacking年化超额收益率为18.36%，超额收益最大回撤为4.74%，信息比率为3.70。两个模型均有优秀的选股能力。

人工智能量化多因子基金使用了AI技术，具有量化投资的多种优点

本文以信达澳银量化多因子混合基金（166107.OF）为例，分析了人工智能量化多因子基金的特点。该基金通过人工智能技术来利用多种来源的因子并进行非线性拟合，在云计算平台上实现专业策略回测框架、系统策略分析工具和模拟实盘交易的快速落地。该基金还具有传统量化投资中的纪律性优势、管理方法优势、风险管理优势、投资视野优势、多层次策略组合优势等特点。

风险提示：通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。人工智能模型可解释程度较低，使用须谨慎。本报告对历史数据进行梳理总结，不构成任何投资建议。

人工智能与多因子选股模型的结合

人工智能（Artificial Intelligence）本质是以数理模型为核心工具，结合控制论、认知心理学等其它学科的研究成果，最终由计算机系统模拟人类的感知、推理、学习、决策等功能。近年来，伴随着计算机算力的大幅提升和海量可用数据的积累，人工智能技术经历了突飞猛进的发展。从围棋到电子竞技再到多人德州扑克，人工智能展现了其在复杂博弈环境中的强大自我学习能力。人工智能和它借助的机器学习方法也逐渐渗透到人类生活的方方面面。从手写数字的自动识别，到电脑手机上的指纹解锁功能、语音识别系统，再到无人驾驶、智能医疗、智能投顾等热门领域，处处都有人工智能的身影。在投资领域，为了论证人工智能的有效性和可行性，自2017年6月开始华泰金工连续发布了24篇深度研究报告，并以周报跟踪的方式，向投资者展示人工智能和机器学习运用于量化投资中各个步骤的细节。

如图表1所示，从模型构建的角度上来看，机器学习与多因子选股有诸多共通之处，借助机器学习模型，多因子模型可以在以下方面相比于传统方法论有所突破：

1.  机器学习模型相比传统线性模型在海量数据下有更好的性能。基于机器学习的多因子选股模型能充分使用海量、高维的因子数据。

2.  大多数机器学习模型都具有非线性拟合能力。基于机器学习的多因子选股模型能利用非线性因子。

接下来，我们将介绍常用的机器学习模型。

常用的机器学习模型简介

XGBoost简介

XGBoost 是梯度提升算法的一种高效实现，原理类似GBDT。传统的GBDT通过串行集成多个CART决策树来形成强学习器，XGBoost则在GBDT的基础上进行了多方面优化。相比传统的线性模型，XGBoost由于使用决策树为基学习器，具有非线性拟合能力。决策树是一种非线性的分类器，如图表2的异或问题(横纵坐标X1、X2相同则分类为1，不同则分类为0)，该问题在逻辑回归、线性核的支持向量机下无解，但是使用决策树可以轻松解决。

相较于传统的GBDT算法，XGBoost主要在损失函数、正则化、切分点查找和并行化设计这些方面进行了改进，使得其计算上比常见工具包快5倍以上。图表3显示了XGBoost算法的流程，它与GBDT在数学上的主要不同之处在于训练每个弱学习器时的目标函数。

由图表3可知XGBoost算法的基本步骤与GBDT类似，下面主要阐述XGBoost的独特之处。

1.  在损失函数的设计上，XGBoost加入了正则项，用以控制模型复杂度，并且对损失函数做了二阶泰勒展开来近似。而传统的GBDT模型没有正则项，并且在优化时只用到了一阶导数的信息。正则项的加入使得XGBoost模型有着较低的方差，不容易发生过拟合。

2.  在计算信息增益选取最佳切分点时，XGBoost不是使用传统的Gini增益，而是利用图表4的公式来做评价指标。值得注意的是引入分割不一定会使目标函数减小，因为目标函数中还有对引入新叶子的惩罚项，而优化这个目标对应了树的剪枝，当引入分割带来的增益小于一个阈值时，可以剪掉这个分割。

3.  XGBoost另外一个独特之处在于其处理缺失值的方法。模型将缺失值当作稀疏矩阵来处理，在寻找切分点的过程中，模型只对该列特征值当中非缺失的值进行遍历，通过这个技巧来减少为稀疏特征寻找切分点的时间开销。在实现上，模型会分别处理将缺失的特征值样本分配到左叶子结点和右叶子结点的两种情形，计算增益后选择增益大的方向进行分裂。

4.  XGBoost还借鉴了随机森林的做法，支持列采样，即在选取切分点时只在部分特征中进行筛选，这样不仅能降低过拟合，还能减少计算时间。

5.  XGBoost还支持并行，但是XGBoost的并行不是指能够并行地训练决策树，而是在处理特征的层面上实现并行。我们知道，训练决策树最耗时的一步就是对各个特征的值进行排序（为了确定最佳切分点）并计算信息增益，XGBoost对于各个特征的信息增益计算就可以在多线程中进行。

Stacking简介

Stacking是一种常见的集成学习框架。一般来说，Stacking将训练一个多层（一般是两层，本文中默认两层）的模型结构，第一层（也叫学习层）包含n个不同的模型，将得到的预测结果合并为新的特征集，并作为下一层模型的输入，由下一层模型再次根据对应的数据标签进行训练，得到一个完整的框架。简单的示意图如下：

通常情况下，Stacking中第一层的模型会使用拟合度高的模型，以追求对训练数据的充分学习（如XGBoost、神经网络、SVM等）。由于不同的模型在原理上和训练集上有所差别，第一层模型可以认为是从原始数据中自动提取有效特征的过程。第一层模型中，由于使用了复杂的非线性变化提取特征，更易产生过拟合的情况。为了降低过拟合的风险，第二层模型倾向于使用简单的模型，例如逻辑回归、Lasso回归等广义线性模型。从以上分析可以看出，Stacking能够成功的关键在于第一层模型能针对原始训练数据得出有差异性（相关性低）且预测能力好的输出值，这样通过第二层模型进一步学习后，能够在多个第一层模型中取长补短，提升预测的准确度和稳定性。

机器学习选股模型测试流程和测试结果

测试流程

机器学习选股模型的构建方法包含下列步骤：

1.    数据获取：

a) 股票池：全A股。剔除ST股票，剔除每个截面期下一交易日停牌的股票，剔除上市3个月内的股票，每只股票视作一个样本。

b) 回测区间：2011年1月31日至2019年9月30日，月度滚动回测。

2．  特征和标签提取：每个自然月的最后一个交易日，计算图表7中231个因子暴露度，作为样本的原始特征；计算下个自然月的个股超额收益和信息比率（以中证500指数为基准），作为样本的标签。

3．  特征预处理：

a) 中位数去极值：设第T期某因子在所有个股上的暴露度序列为D_i，D_M为该序列中位数，D_M1为序列 |D_i-D_M| 的中位数，则将序列D_i中所有大于D_M+5D_M1的数重设为D_M+5D_M1，将序列D_i中所有小于D_M-5D_M1的数重设为D_M-5D_M1；

b) 行业市值中性化：将填充缺失值后的因子暴露度对行业哑变量和取对数后的市值做线性回归，取残差作为新的因子暴露度。

c) 标准化：将中性化处理后的因子暴露度序列减去其现在的均值、除以其标准差，得到一个新的近似服从N(0,1)分布的序列。

4．  训练集和交叉验证集数据处理：直接将样本合并成为样本内数据，按90%和10%的比例划分训练集和交叉验证集。

5．  样本内训练：训练两个模型：

a) XGBoost，模型输入为231个因子，训练目标为下个自然月的个股超额收益（以中证500指数为基准）。

b) Stacking：包含两个XGBoost基模型，两个模型输入都为231个因子，训练目标分别为下个自然月的个股超额收益和信息比率（以中证500指数为基准），再将两个基模型集成。

6．  交叉验证调整参数：模型训练完成后，使用模型对交叉验证集进行预测。选取交叉验证集MSE最小的一组参数作为模型的最优参数。

7．  样本外测试，组合优化构建组合：确定最优参数后，以T月月末截面期所有样本预处理后的特征作为模型的输入，得到每个样本的预测值f(x)，将预测值视作合成后的因子。然后使用组合优化模型得到T月月末截面期的股票权重。进行组合优化时，优化目标为最大化预期收益，约束条件为相对于中证500控制行业市值中性，个股主动权重偏离上限为1%。

8．  模型评价：构建选股组合评价模型。

测试结果: XGBoost和Stacking均有优秀的选股能力

图表8~图表10展示了机器学习选股模型的测试结果，回测区间为2011年1月31日至2019年9月30日，月频调仓，交易成本为双边千分之四。可以看出，机器学习构建的选股模型长期来看相对中证500具有稳定的超额收益，Stacking由于进行了模型集成，相比XGBoost表现更好。

信达澳银量化多因子混合基金的特点：AI+量化投资

基金简介

基本信息

信达澳银量化多因子混合基金（LOF）是一种上市型开放式基金，产品主要成分为股票，占基金资产的60%-95%，选股主要利用的是量化多因子模型。

图表11介绍了信达澳银量化多因子混合型证券投资基金(LOF)的产品要素：

产品费用信息

图表12介绍了信达澳银量化多因子混合型证券投资基金(LOF)的费用信息：

产品投资流程简介

信达澳银量化多因子混合型证券投资基金(LOF)是基于多因子模型的投资产品。多因子模型是通过捕捉多种驱动股票价格变化的因素(因子)，对股票的预期收益率和风险进行预测，并在此基础上构建相应投资组合的主动投资管理过程。目前的多因子模型，选取因子分别包括价值、质量、技术、情绪、成长和一致预期六个大类。图表13展示了此产品的投资流程，主要步骤包括数据预处理、模型构建、组合优化、交易执行和绩效归因。首先，需要将获取的各类数据做清洗和预处理，基于处理后的数据进行有效因子的挖掘，再根据这些因子构建投资组合。之后，综合考虑各方面的约束，如：风险约束、行业约束等，对投资组合进行优化，再完成投资交易。最后，还需要做绩效归因，对投资策略盈亏的原因进行分析。

作为量化投资和LOF基金相结合的产物，信达澳银量化多因子混合型证券投资基金同时具备了这两者的优势和特点。

量化投资的优势

量化投资和传统的主动投资本质上是相通的，二者都是通过对个股基本面、量价特征等方面的分析，构建具有超额收益的投资组合。不同的是，主动投资依赖的是基金经理的主观判断，而量化投资则是通过定性思想与定量模型的结合来产生投资信号。传统意义上，投资者对于基金产品的选择较多依赖于过往业绩和基金经理的主管判断，主动管理型产品受“人”的因素和市场风格切换的影响比较大。相比传统的主动投资方法，量化投资方法有以下几大方面的优势：

技术和数据优势

量化投资相比于传统投资的一个优势在于信息的快速接收和处理。量化投资者有机会接触和处理大量不同类型的数据，如金融大数据、舆情数据以及互联网数据，他们可以充分利用这些数据探究和寻找市场规律，挖掘出更多有效、稳定的因子，从而获得超额收益。此外，随着云计算平台的搭建，量化投资者可以利用大量CPU的计算能力，实现专业策略回测框架、系统策略分析工具和模拟实盘交易的快速落地，且云计算平台与大数据的结合，还可以使交易回测结果更为准确。与此同时，人工智能相关算法和技术的发展，也为量化投资者们提供了更多的选择和可能性。各类非线性模型如决策树、随机森林、神经网络的兴起，使得量化投资者在构建多因子模型时，可不再拘泥于线性的因子，而是利用如上述非线性机器学习方法来选择非线性因子，再构建具有线性因子和非线性因子的综合量化多因子模型。

纪律性优势

传统投资的缺陷之一关乎人性的弱点，比如恐惧与贪婪。很多交易者起初的交易理念或许是正确的，但交易时由于心理因素执行了错误的决策。解决这个问题的最好方法是利用机器进行交易，因为机器比人更冷静、执行力更强，这是量化投资非常重要的优势之一。严格执行量化投资模型给出的投资建议、不随投资者的情绪变化而随意更改，这样不仅可以克服人性弱点，也可以克服行为金融学中经常谈及的认知偏差，从而以绝对理性、符合逻辑的方法进行投资。

管理方法优势

传统的主动投资者通过对公司财务、估值等方面的信息进行综合考量，产生一个主观判断结果，进而形成投资决策。而量化投资者可以通过建立模型、构建组合、回测验证等一系列流程来客观评价模型的优劣，有反馈地进行修改完善。相较于主动投资，量化投资可以更透明地展示与执行投资者的理念，在管理方法上是具有优势的。

风险管理优势

量化投资还有利于风险管理。风险控制在交易过程中具有重要地位。交易者一旦被情绪主导，所有止盈止损线可能就会失去意义。但是在量化投资中，风险控制模块可以被提前编入模型当中，这样在交易执行过程中风险就会被监控，避免了人为干扰。

投资视野优势

传统的价值投资讲究全面、深入分析上市公司，挖掘投资机会，但基金经理或行业研究员的精力都是有限的，很难跟踪、监控全市场。而量化投资借助于计算机强大的数据处理能力，可以做到全市场、全品种、全周期覆盖，及时捕捉投资机会，具备更广阔的投资视野。

多层次策略组合优势

量化投资在策略选择的层次与角度上也有非常大的优势。它可以自上而下地结合多层次的量化模型，例如大类资产配置模型、行业轮动模型、选股模型等等；在选股模型中，还能多角度地对各种指标进行观察，包括宏观周期、市场结构、估值、成长等等。并且，量化投资可以通过事后的归因分析，剥离出各层策略的收益与风险，逐个加以完善。这种全方位多角度的评估是主动投资研究难以做到的，而量化投资方法在这方面非常有优势。

LOF基金的优势

LOF(上市型开放式基金Listed-Open-Ended Fund)，是一种可以在交易所挂牌交易的开放式基金。LOF同时存在一级市场和二级市场，可以像开放式基金一样通过基金发起人、管理人、银行及其他代销机构网点进行申购和赎回。同时，也可以像封闭式基金那样通过交易所的系统买卖。

上市型开放式基金(LOF)的优势主要有以下几点：

1.  费用相对较低：比起普通开放式基金申购、赎回双向费率，LOF基金在交易所交易的费用收取标准比照封闭式基金的有关规定办理，交易手续费率相对较低。

2.  资金到账快：采用场外交易方式，T日申购的基金份额，T+2日才可赎回，资金从赎回日起3到7个工作日才可收到。而场内交易，可以实现T+1基金交割、资金交收。

3.  存在套利机会：当市场价格>基金份额净值(申购日)+申购费用+卖出佣金时，投资者可通过选择“场内申购”基金份额后(T+2个工作日)再“场内卖出”份额实现套利。当市场价格

4. 交易方便：LOF基金可以让投资者像买卖股票或封闭式基金一样在二级市场进行交易，方便投资者更快的把握行业轮动与市场择时。

5. 参与科创板投资：相比较普通投资者严格的科创板股票投资准入标准，LOF基金可以方便投资者更加积极的参与到科创板投资机会。

信达澳银基金管理团队介绍

信达澳银基金于2006年6月5日成立，是国内首家由国有资产管理公司控股，也是澳洲唯一在中国合资设立的基金管理有限公司。截止2018年12月31日，公司共管理21只公募产品，产品覆盖股票、指数、量化、债券、货币。资产管理总规模274.88亿元，其中公募基金总规模142.69亿元，专户总规模132.19亿元。

信达澳银的公募投资研究团队共有34人，共拥有基金经理10人。截至2019年9月30日，信达澳银基金旗下权益类基金以今年前三季度42.23%的绝对收益率，位列同类排名6/126；以最近三年28.11%的绝对收益率，位列同类排名11/99。另外，信达澳银的智能量化团队发展迅速，团队首创了量化LOF+科创网下申购的投资策略，采用主动量化模型在沪深A股以及科创板股票中择优投资，并在不断推广量化多因子LOF、量化先锋LOF、量化科技龙头LOF和量化新经济LOF等产品。

信达澳银量化多因子混合基金（LOF）拟任基金经理为王咏辉先生。王咏辉先生是英国牛津大学工程科学本科，牛津大学计算机科学硕士，现担任信达澳银基金副总经理兼权益投资总部总监、智能量化与资产配置总部总监，21年证券基金从业经验。自1998起曾任职于伦敦摩根大通投资基金管理公司、HSBC、BarclaysGlobalInvestor、BarclaysCapital等知名公司。2008年1月回到中国担任泰达宏利基金公司国际投资部负责人、量化投资部负责人等职，2010年4月至2012年8月担任泰达宏利沪深300指数增强指数型证券投资基金基金经理，2011年7月至2012年8月担任泰达宏利全球新格局(QDII-FOF)证券投资基金基金经理。2013年12月起担任鹏华中证500量化指数增强证券投资基金（LOF）基金经理，2014年12月起担任鹏华沪深300量化指数增强证券投资基金（LOF）基金经理。同时负责管理鹏华基金的量化对冲套利专户组合和股票市场中性量化对冲专户组合，总规模500亿人民币。王咏辉先生2018年加盟信达澳银基金管理有限公司， 2018年6月起担任信达澳银新起点定期开放灵活配置混合型基金基金经理，2018年12月起担任信达澳银领先增长混合型基金基金经理， 2019年4月起担任信达澳银转型创新股票型基金基金经理，信达澳银中证沪港深高股息精选指数型证券投资基金基金经理。王咏辉先生是中国量化投资俱乐部第三任理事长，具有英国基金经理从业资格（IMC）和英国IET颁发的特许工程师（CEng）认证资格，是中国科学院大学管理学院MBA企业导师。

王咏辉先生具有丰富的量化基金管理经验，其管理的信达澳银领先增长基金（610001.OF）使用量化指数增强的方法进行投资运作，增强基准为中证500。2019年截至9月30日获得了33.65%的收益，同期中证500涨跌幅为18.54%。

风险提示

通过人工智能模型构建选股策略是历史经验的总结，若市场规律改变，存在失效的可能。人工智能模型可解释程度较低，归因较困难，使用须谨慎。本报告对历史数据进行梳理总结，不构成任何投资建议。

免责申明

本报告仅供华泰证券股份有限公司（以下简称“本公司”）客户使用。本公司不因接收人收到本报告而视其为客户。

本报告基于本公司认为可靠的、已公开的信息编制，但本公司对该等信息的准确性及完整性不作任何保证。本报告所载的意见、评估及预测仅反映报告发布当日的观点和判断。在不同时期，本公司可能会发出与本报告所载意见、评估及预测不一致的研究报告。同时，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。本公司不保证本报告所含信息保持在最新状态。本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

本公司力求报告内容客观、公正，但本报告所载的观点、结论和建议仅供参考，不构成所述证券的买卖出价或征价。该等观点、建议并未考虑到个别投资者的具体投资目的、财务状况以及特定需求，在任何时候均不构成对客户私人投资建议。投资者应当充分考虑自身特定状况，并完整理解和使用本报告内容，不应视本报告为做出投资决策的唯一因素。对依据或者使用本报告所造成的一切后果，本公司及作者均不承担任何法律责任。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。

本公司及作者在自身所知情的范围内，与本报告所指的证券或投资标的不存在法律禁止的利害关系。在法律许可的情况下，本公司及其所属关联机构可能会持有报告中提到的公司所发行的证券头寸并进行交易，也可能为之提供或者争取提供投资银行、财务顾问或者金融产品等相关服务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。

本报告版权仅为本公司所有。未经本公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公司版权。如征得本公司同意进行引用、刊发的，需在允许的范围内使用，并注明出处为“华泰证券研究所”，且不得对本报告进行任何有悖原意的引用、删节和修改。本公司保留追究相关责任的权力。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。

本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。

全资子公司华泰金融控股（香港）有限公司具有香港证监会核准的“就证券提供意见”业务资格，经营许可证编号为：AOK809

©版权所有2019年华泰证券股份有限公司

林晓明

执业证书编号：S0570516010001

华泰金工深度报告一览

金融周期系列研究（资产配置）

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下）

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上）

【华泰金工林晓明团队】周期轮动下的BL资产配置策略

【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究

【华泰金工林晓明团队】市场拐点的判断方法

【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上）

【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究

【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索

【华泰金工林晓明团队】市场周期的量化分解

【华泰金工林晓明团队】周期研究对大类资产的预测观点

【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究

【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究

【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列

行业指数频谱分析及配置模型：市场的周期分析系列之三

【华泰金工林晓明团队】市场的频率——市场轮回，周期重生

【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探

FOF与金融创新产品

【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一

因子周期（因子择时）

【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三

【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二

【华泰金工林晓明团队】因子收益率的周期性研究初探

择时

【华泰金工林晓明团队】A股市场低开现象研究

【华泰金工林晓明团队】华泰风险收益一致性择时模型

【华泰金工林晓明团队】技术指标与周期量价择时模型的结合

【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用

【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列

行业轮动

【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九

【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八

【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七

【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六

【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五

【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四

【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三

【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二

【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一

Smartbeta

【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一

【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一

多因子选股

【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二

【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一

【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十

【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九

【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八

【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七

【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六

【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五

【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四

【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三

【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二

【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一

【华泰金工林晓明团队】五因子模型A股实证研究

【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二

人工智能

【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四

【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三

【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二

【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一

【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十

【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九

【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八

【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七

【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六

【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五

【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起

【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三

【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二

【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一

【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十

【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九

【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八

【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七

【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六

【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五

【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四

【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三

【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二

指数增强基金分析

【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告

【华泰金工林晓明团队】酌古御今：指数增强基金收益分析

【华泰金工林晓明团队】基于回归法的基金持股仓位测算

【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证

基本面选股

【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究

【华泰金工林晓明团队】华泰价值选股之FFScore模型

【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究

【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究

【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究

【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究

基金定投

【华泰金工林晓明团队】大成旗下基金2018定投策略研究

【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四

【华泰金工林晓明团队】基金定投3—马科维茨有效性检验

【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法

【华泰金工林晓明团队】基金定投1—分析方法与理论基础

其它

【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二

A股市场及行业的月份效应——详解历史数据中的隐藏法则