来源：雪球App，作者： HTFE，（https://xueqiu.com/1952901955/136110422）

摘要

东证指数上行空间大，配置价值高

东证指数是反映日本整体经济走势的重要股票市场指数，该指数类似于美国的“标普500”，成分股覆盖行业广泛，风险较为分散，能够全面反映日本经济发展整体走势，有助于投资者分享日本经济增长红利。目前处于历史估值低位，具安全投资边际。历史净值表现优秀，与全球指数周期存在一定相位差异，受短中周期影响，上行空间较为广阔，具备良好的投资价值与配置价值。

东证指数与日经225指数，可类比为美国标普500与道琼斯工业的差别

东证指数和日经225指数都是反映日本股票市场的重要指数，但它们的成分股覆盖范围及编制方式分别类似于美国的标准普尔500指数和道琼斯工业平均指数。东证指数采样面更广、对日本整体市场的代表性更强、流动性更高、风险更为分散，相较于日经指数能够更为准确地反映日本市场整体性变化，日本国内跟踪东证指数的ETF规模也更大。2018年7月31日之后日本央行大量增持跟踪东证指数的ETF，说明东证指数成分股公司的重要性、良好的投资价值和稳定的投资前景。

投资东证指数能够更好地分享日本经济增长的红利

通过对日本经济基本面进行分析可以发现，工业、消费、信息技术行业是日本经济的支柱产业，日本经济具有持续稳健发展势头。截至2019年11月19日，东证指数前三大成分行业为工业、可选消费、信息技术，权重分别为20.58%，20.02%，12.85%，可以充分体现日本产业结构，以及制造业、服务业和高新技术产业发达的特点。东证指数第四大行业为金融业，权重占到10.24%，权重分配符合日本金融行业地位。此外，东证指数的权重分配着重考量企业市值，行业分布上更加符合市场特征，可以准确地反映日本市场的整体走势情况，方便投资者更好地分享日本经济增长红利。

当前东证指数具有低估值、预期较高收益的投资价值及配置价值

东证指数估值水平相对其他成熟市场股指较低，目前处于历史较低水平，具有投资价值。东证指数净值曲线及收益统计量、月度收益分布和持有累计收益分布亦均表明东证指数是投资风险相对较低的成熟市场股指。同时，东证指数与全球主要指数周期存在相位差，趋势性的涨跌规律具有一定的特异性，将其纳入全球投资组合中可以较好地分散单一国别风险。

风险提示：本报告对历史数据进行梳理总结，历史结果不能简单预测未来，规律存在失效风险，投资需谨慎。报告中涉及到的具体基金产品不代表任何投资意见，请投资者谨慎、理性地看待。

日本东证指数、日经225分别对标美国标普500、道琼斯工业

东证指数市值加权，成分股广泛且分散；日经225价格加权，集中大盘股

东证指数（TPX.GI）于1969年7月1日由东京证券交易所发布，是反映日本股票市场动向的市价总额型股价指数。该指数基日为1968年1月4日，基点为100点，计价货币为日元，以在东京证券交易所市场一部（东京证券交易所主板，主要包含股票流动性高、适合在全球范围内拓展业务的大型企业）上市的所有日本企业为样本（截至2019年11月19日，东证指数成分股数量共2,145只）。编制方法为市价总额型，基期价格指数为100点，价格指数的计算公式为当天市价总值／基准市价总值×100。

日经225指数（N225.GI）于1950年9月7日由《日本经济新闻》社编制推出，该指数从东京证券交易所上市的股票中选出225家最具代表性、成交量最活跃、市场流动性最高的股票，其中包括工业类63支，材料类34支，可选消费类32支，信息技术类27支，金融类22支，日常消费类18支，医疗保健类11支，房地产类6支，公用事业类5支，电信服务类4支以及能源类3支。日经225指数的基期为1949年5月16日，基点为225，计算货币为日元，编制方式与道琼斯工业指数相同，采用修正算术平均股价计算，而非市值加权。

对比东证指数和日经225指数，两个指数的成分股覆盖范围及编制方式分别类似于美国的标准普尔500指数和道琼斯工业平均股票指数。日经225指数类似于道琼斯工业指数，成分股主要为市值较大的大盘股，其权重也较为集中，受单一成分股波动影响较大，此外，日经225指数的编制方式也与道琼斯工业指数相同。日经225指数采用价格加权，个别高价股权重较高，高价股的影响过大，同时由于股票分拆原因常需做出调整。

东证指数类似于标普500指数，包含的成分股更为广泛。东证指数全面覆盖日本东交所上市的所有股票，其成分行业能够更加准确地反映日本市场经济发展状况。同时，东证指数采用自由流通市值加权，能够反映出每个公司股票市值的改变对于整个市场的不同影响程度，不需要频繁调仓，流动性更强；同时该加权方式使权重较为分散，单一成分股大幅波动对指数的影响小，且大盘股权重较高，波动率和风险相对较低。因此，东证指数采样面更广、代表性更强、流动性更强、风险更为分散，能够更为准确地反映市场变化。

广泛的成分股覆盖范围有效分散个股风险

从成分股数量上看，东证指数包含的股票数量众多，成分股数量达到2,137支，涵盖了所有东京证券交易所市场一部上市的股票，样本覆盖范围广；日经225指数选取了225支具有代表性的成分股，主要包括大盘股，样本覆盖范围相对较小。相较而言，东证指数更能整体性地体现日本经济走向。

均衡的行业分布全面体现日本产业结构特征

从成分股涉及行业来看，东证指数与日经225指数均涉及各个行业，但行业间权重存在较大差异。东证指数的权重分配更加平均。工业行业成分股在两类指数中权重占比均为最高，分别达20.58%和20.53%；部分行业（如能源）成分股占比均不足1%。

东证指数与日经225指数的前三大成分行业均为工业、可选消费、信息技术，权重分别为20.32%，20.06%，13.07%以及20.47%，20.02%，16.58%，这体现出日本工业、服务业和信息技术行业总体体量大，发展较为成熟的特点。东证指数与日经225指数成分股权重的差异集中体现在金融、医疗保健和日常消费者三个行业。其中，东证指数这三个行业权重分别为10.37%，7.83%，8.8%，日经225指数权重分别为2.56%，11.48%，10.76%。我们发现，东证指数在这三个行业上的权重分布更加平均。东证指数第四大成分行业为金融行业，但日经225指数中金融行业的权重分配较少，仅为2.56%。电信服务、材料、房地产、公用事业和能源，在两种指数中的成分股个数占比相似，且占比均低于10%。

总体来看，东证指数的成分行业权重更加均衡。投资东证指数，体现了均衡配置、分散风险的投资理念。

日本国内跟踪东证指数的ETF规模最大，受日本央行青睐

在日本国内ETF市场，跟踪东证指数和日经225指数的ETF规模占比最高，总规模的48.7%和38.2%，规模优势明显。而对比这两类ETF，跟踪东证指数的ETF具有更明显的价格优势和更稳定的投资前景，其规模更大、费率更低，且更受日本央行青睐。

跟踪东证指数的ETF的平均费率为0.13%，低于跟踪日经225指数的ETF平均费率0.17%。对于投资者而言，投资费率低的产品可以节省交易成本。由此，低费率会获得更多的投资，能够带来更快的规模增长，有助于产品的进一步发展，因此跟踪东证指数的ETF具有较大优势。

日本央行自2010年起为抵御通缩开始买入跟踪东证指数和日经225指数的ETF，期间曾多次修改ETF资产购买计划，购买量逐年上升。2018年7月31日，日本央行决议调整不同指数ETF的购买比例，大幅增加了投资东证指数ETF的比例：原计划使用3万亿日元购买跟踪三大指数（东证指数、日经225指数、JPX日经400指数）任一指数的ETF，使用2.7万亿日元购买跟踪东证指数的ETF。更改后仅使用1.5万亿日元购买跟踪三大指数任一指数的ETF，而将4.2万亿日元直接投入于购买跟踪东证指数的ETF。日本央行大量增持跟踪东证指数的ETF，说明东证指数具有良好的投资价值和稳定的投资前景，有助于提升投资者信心，稳定指数表现。

东证指数投资价值：广覆盖，低估值，配置价值高，周期领先

全面反映日本经济发展整体走势，充分分享日本经济增长红利

东证指数前三大成分行业为工业、可选消费、信息技术，权重分别为20.32%，20.06%，13.07%。工业行业始终是日本经济的支柱型产业，工业增加值占GDP比重维持在30%左右，且近年来有上涨的趋势，消费行业近年来维持稳定上涨，其中私人消费占比达70%以上，日本的信息技术产业十分发达，且日本政府高度重视信息技术产业的发展，研发支出始终维持稳定上涨。因此，东证指数的行业占比权重体现了日本经济发展的特点。

工业是日本经济支柱产业，以高新技术产业为发展重点

工业是日本经济发展的支柱性产业。根据日本内阁府的数据显示，1980-2017年日本工业增加值占GDP比重始终稳定在25%以上，工业生产指数也稳定向好，同比平均增长为0.15%，除了2008年受到全球金融危机影响同比出现较大负增长外，基本保持平稳。

日本工业发展经历过较大转变，目前已经从劳动、资本密集型产业，转向知识、技术密集型产业。上世纪70年代，受到石油危机及西方经济“滞胀”影响，日本经济增速开始下滑，促使日本的产业结构发生转变。劳动密集型产业（纺织品、纸浆，纸和纸制品等）和重工业产业（金属制品、非金属矿物制品、石油及煤制品等）占日本制造业GDP比重均有不同程度的下降，而技术密集型行业（交通运输设备、通用、生产和商业为导向的机械等）占制造业GDP比重则在不断上升。从工业生产指数上看，1998年-2018年重工业生产（如石油及煤制品）从109.41点下跌至93.37点，而代表高新技术产业的工业机器人则从55.62点快速发展到228.84点。可见，日本工业发展已逐步摈弃以重工业为代表的数量型经济增长目标，而将重点放在发展高新技术产业。

消费是日本经济主导产业，拉动日本经济增长增速

消费行业对日本经济增长起着主导作用。自1980年至2018年，日本GDP中私人消费比重始终保持在52%-59%。通过对比日本GDP同比增速和私人消费同比增速，可以发现日本GDP同比增速与日本私人消费同比增速之间存在一致的变化趋势，这证实了私人消费对日本GDP增速的拉动作用。

从消费品耐用性分类来看，耐用品、非耐用品消费占比持续回升，而半耐用品消费占比持续下降。从消费品行业分类来看，日本的汽车行业是可选消费的龙头行业。日本市值前100名的公司中可选消费类公司市值占到19%，其中大部分为如丰田、本田、普利司通和斯巴鲁等汽车相关类公司。日本乘用车销量较为稳定，虽在2008年前后受全球金融危机影响经历过下跌，但在2011年后开始恢复增长，2012年即达到金融危机前水平。

日本信息技术行业占比高, 科研能力居世界前列

信息技术行业在东证指数中的权重位列第三，占比达到13.07%。根据世界银行公布的数据，日本研发支出占GDP比重高于美国和中国，自2002年来始终高于3%，2018年日本研发占GDP比重为3.14%，高于美国的2.74%和中国的2.11%。同时从PCT专利申请量来看，2018年日本的PCT专利申请量达到了49702件，在世界上位居第三，仅次于美国（56142件）和中国（53345件）。日本通过科技研发创新拉动国家经济增长，有利于其经济长期可持续发展。

金融业是日本经济重要组成部分，2018年占比日本经济总量4%

金融业是日本市场的重要组成部分。2018年日本金融与保险业GDP达到22.51万亿日元，占日本GDP总量4.13%。金融业在东证指数中权重占比为10.37%，在所有行业中位列第四。东证指数权重分配突出体现日本金融行业市场地位，有助于清晰反映日本金融行业动态。

历史低位估值水平造就“便宜”好资产

为了分析指数估值水平，我们计算各指数权重股的平均PE以反映各指数估值水平。可以发现，在2015年9月至2019年7月间的大部分时间里，日本市场的指数权重股平均PE低于大部分成熟市场，日经225和东证指数分列成熟市场指数平均PE的最后两位，与新兴市场指数平均水平相近。

根据Wind的分类，指数平均PE低于历史20%分位数，则该指数样本股有较大概率被低估；若高于80%分位数，则有被高估的风险。以2010年3月为起点，动态计算起点至目标日期内的20%与80%分位数。2013年2月以来，东证指数和日经225在大部分时间区间内平均PE在20%至80%的合理区间内。2017年下半年至今，两指数PE均在20%以下，日本市场被低估可能性较大，两指数均有较大的上升空间。

与全球股指的低相关性提升战略配置价值

历史净值表现优秀

指数净值曲线上行

2008金融危机以来，日本股市呈现“慢牛”走势。虽然伴随有小幅波动，但总体是上行趋势。从横向看，在世界范围内，日经225与东证指数表现较好，二者的累计净值在全球主要股指中分别位列第三、第四，仅次于标普500和德国DAX。

收益状况接近，但分布更稳定，风险更小，属性更好

统计2009年1月至2019年9月东证指数和日经225的月度收益率，发现二者回报率的均值相似，总体收益状况接近。但东证指数的风险状况更好，东证指数的收益分布方差更小，且峰度更大，这意味着该指数收益分布更集中，极端风险发生的概率更低，而日经225的收益状况则具有更多不确定性。相比于日经225，东证指数的偏度统计量更大，收益属性更好。

统计东证指数及日经225持有1年、3年和5年的累计收益。从图形上看，累计收益分布有明显的正偏，意味着资产收益属性良好。东证指数的1年收益分布有明显的厚尾效应，更容易出现正极端值; 其持有3年的收益分布正偏度更大，损失概率较低; 其5年收益分布相对集中，收益更为稳定。

与全球主要股指相关性低

东证指数与全球主要股指收益率相关性低，可有效分散全球股指投资组合风险。选取日经225指数、东证指数与全球主要股指1995年10月至2019年7月月度收益率数据，计算可得各个股指间的Pearson相关系数矩阵。东证指数和日经225指数与全球主要股指收益率相关性均较低，与成熟市场股指相关性均低于0.61，与新兴市场股指相关系数均低于0.49。东证指数、日经225指数与全球主要股指收益率的平均相关系数分别为0.452、0.477。相较而言，东证指数与全球主要股指收益率相关性更低。将东证指数纳入全球股指投资组合中，有助于分散投资风险。

分年份计算东证指数与日经225指数月度收益率相关系数，以及两个股指与其他全球主要股指月度收益率相关系数的平均值。东证指数与日经225指数具有较高相关性，相关系数在0.90以上，但相关系数随年份变化存在周期性变化，当前两个指数的相关性较低。比较两个股指与其他全球主要股指月度收益率相关系数，也存在一定的周期性变化，在2000、2004、2009、2013、2017年相关系数均较低，周期长度约4年，目前两个股指与其他全球主要股指月度收益率相关系数正处于高点，预计未来约两年内将处于下行周期，有助于投资者进一步分散风险。整体来看，相较于日经225指数，在70%以上的年份中，东证指数与其他全球主要股指月度收益率的相关系数更低，可见投资东证指数更有利于分散风险。

与新兴市场存周期相位差异，上行空间广阔

东证指数与全球主要指数周期存在相位差

根据华泰三周期理论，对东证指数和其他全球主要指数进行高斯滤波，得到42个月周期、100个月周期和200个月周期的原始滤波序列，并绘制各股指当前周期的相位图。东证指数与成熟市场指数的短、中、长周期相位接近，这些指数受相似的周期驱动，因此东证指数与成熟市场指数可能表现出“同增同减”的走势。但该指数与新兴市场的中、长周期相位差异较大，比如东证指数中周期见顶时，韩国综合指数和俄罗斯RTS指数中周期运行到底部附近，这说明东证指数对于新兴市场投资组合而言是较好的风险分散资产。

三周期视角下东证指数受短中周期影响，上涨可能性大

东证指数与其他全球主要指数都受到短、中、长周期的影响，但不同指数受不同周期的影响程度各不相同。以短、中、长周期作为解释变量，对各市场指数做线性回归。回归方程的拟合优度可以反映周期理论对股票走势的解释力度，回归系数可以体现不同周期对指数的影响强度。

东证指数三周期回归方程的拟合优度较高，仅次于标普500和德国DAX指数，三周期对东证指数同比序列变化的解释力度较强，东证指数的可预测性更高。从回归系数看，短周期对东证指数同比序列影响最大，中周期次之，长周期影响较弱。用三周期序列合成拟合同比序列，结果如下：

拟合图象显示，拟合同比序列对东证指数同比序列走势解释力度较强，拟合同比序列与东证指数同比序列的拐点出现时间较吻合。通过分析三周期的走向，可以较为准确地预判东证指数的涨跌。将短、中、长三周期做外推预测，在2019年下半年至2020年，对东证指数影响较大的短、中周期将上行，三周期拟合同比序列也将上行，三周期视角下东证指数后期上行可能性较大。

风险提示

本报告对历史数据进行梳理总结，历史结果不能简单预测未来，规律存在失效风险，投资需谨慎。量化与非量化基金的业绩受到多种因素影响，包括环境、政策、基金管理人变化等，报告中涉及到的具体基金产品不代表任何投资意见，请投资者谨慎、理性地看待。

免责申明

本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。

本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，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众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。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。

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

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

【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二

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