精华内容
下载资源
问答
  • 什么多因子量化选股模型?

    千次阅读 2019-07-08 10:17:00
    量化投资中经常听到的“多因子模型”是个什么鬼?因子是影响因素的简称,或简单理解成指标。我们都知道股票收益受到多重因素的影响,比如宏观、行业、流动性、公司基本面、交易情绪等等。所谓“多因子模型”,说白了...

    量化投资中经常听到的“多因子模型”是个什么鬼?因子是影响因素的简称,或简单理解成指标。我们都知道股票收益受到多重因素的影响,比如宏观、行业、流动性、公司基本面、交易情绪等等。所谓“多因子模型”,说白了就是寻找那些对股票收益率最相关的影响因素,使用这些因素(因子或指标)来刻画股票收益并进行选股。

    多因子模型是量化投资领域应用最广泛也是最成熟的量化选股模型之一,建立在投资组合、资本资产定价(CAPM)、套利定价理论(APT)等现代金融投资理论基础上。多因子模型假设市场是无效或弱有效的,通过主动投资组合管理来获取超额收益。多因子选股的核心思想在于,市场影响因素是多重的并且是动态的,但是总会有一些因子在一定的时期内能发挥稳定的作用。在量化实践中,由于不同市场参与者或分析师对于市场的动态、因子的理解存在较大差异,因此构建出各种不同的多因子模型。

    作为多因子模型入门篇,本文主要介绍多因子模型产生的理论背景、基本原理和实现步骤等,为大家学习和研究多因子量化选股模型提供一个背景知识和理论框架。

    多因子模型的理论背景

    现代金融投资理论主要由投资组合理论、资本资产定价模型、套利定价理论、有效市场假说、期权定价理论以及行为金融理论等组成。这些理论的发展极大地改变了过去主要依赖基本分析的传统投资管理实践,使现代投资管理日益朝着系统化、科学化、组合化的方向发展。

    1952年马柯维茨(Markowitz)在The Journal of Finance(金融学最顶级的学术期刊)上发表了《证券组合选择》论文,开启了现代证券组合管理理论的先河。马柯维茨开创性地引入了均值和方差来定量刻画股票投资的收益和风险(被认为是量化交易策略的鼻祖),建立了确定最佳资产组合的基本模型。

     其后,越来越多的经济金融学者通过数量化的模型以及周边市场和投资交易问题。夏普(William Sharpe)、林特尔(John Lintner)、特里诺(Jack Treynor)和莫辛(Jan Mossin)分别于1964、1965和1966年在马柯维茨投资组合理论基础上,发展出了资本资产定价模型(CAPM)。该模型不仅提供了评价收益-风险相互转换特征的可运作框架,也为投资组合分析、基金绩效评价提供了重要的理论基础。

    CAPM模型认为所有证券的收益率都与唯一的公共因子(市场证券组合)的收益率存在着线性关系。1976年,针对CAPM模型存在不可检验性的缺陷,罗斯(Stephen Ross)提出了套利定价理论(Arbitrage Pricing Theory,APT)。套利定价理论以收益率形成过程的多因子模型为基础,认为证券收益率与一组因子线性相关,这组因子代表证券收益率的一些基本因素。事实上,当收益率通过单一因子(市场组合)形成时,将会发现套利定价理论形成了一种与资本资产定价模型相同的关系。因此,套利定价理论其实是一种广义的资本资产定价模型,该理论成了多因子量化选股模型的重要理论基础。

    但是套利定价理论并没有指出影响证券收益的具体因素,在应用中需要预先判断哪些因素可能影响证券收益,并使用统计分析方法进行验证。研究者从不同角度出发,发现了各类影响证券收益的因子,比较经典的有Fama-French三因子模型

    市场中的小市值、价值股表现明显超过市场,而这一效应不能用CAPM模型解释。1981年,大卫·布斯和雷克斯·桑奎菲尔德成立了维度投资顾问公司,买入小市值、低估值的股票,获得了高额回报。1992年,Fama和French对美国股票市场决定不同股票回报率差异的因素的研究发现,股票的市场的beta值不能解释不同股票回报率的差异,而上市公司的市值、账面市值比、市盈率可以解释股票回报率的差异,因此提出了著名的三因子模型

    随着市场交易实践和研究的不断深入,研究者又发现市场中的动量现象无法用三因子模型解释。1997年,卡哈特(Carhart)认为研究股票收益应在Fama和French的三因子模型基础上加入动量效应,构建四因子模型。动量是物理学名词,是与物体的质量和速度相关的物理量,一般而言,一个物体的动量指的是这个物体在它运动方向上保持运动的趋势。而股市中的动量投资策略依据的就是动量效应,又称为“惯性效应”,即某个时段跌得最深或长得最凶的股票往往会沿着原来的方向继续运动。

    虽然四因子模型将股票收益与价格本身联系起来了,但与公司价值关系不大。从直觉上理解,在其他条件一定的情况下,财务质量高的上市公司应该带来更高的投资回报,因此有必要引入刻画公司资产质量的因子。2013年,Fama的学生阿斯内斯 (Asness)对公司“质量”进行量化,并提出了五因子模型

    后来,研究者们又发现低波动率(低beta)股票组合的实际收益比高波动率(高beta)股票组合的要高,这一现象无法用五因子模型解释,于是法拉瑞利等于2013年又将波动率因子引入,建立了六因子模型

    多因子模型的构建

    多因子量化选股的原理不难理解,即认为股票收益率是由一系列因素(因子)决定的,根据经济金融理论或市场经验寻找这些因子,然后通过对历史数据的拟合和统计分析进行验证和筛选,最后以这些因子的组合作为选股标准,买入满足这些因子的股票。在实践中,多因子量化选股已经是一个相对成熟且大致框架较为固定的策略,具体可分为五个步骤,分别为因子选取、因子有效性检验、因子筛选、综合评分模型以及模型的评价和改进

    因子的选择

    多因子选股模型的第一步是发掘各类与股票收益率相关的因子,因子的选择主要基于经济逻辑和市场经验,在经典的规模、估值、动量、波动率等全市场通用因子基础上,根据宏观、行业、公司基本面、市场特征,结合各类特异因子来构造投资组合。影响股价收益的因子多种多样,见仁见智,参考券商研报总结,有以下几类(还可以继续细分和挖掘):

    (1)市场整体:市场因子、系统性风险等;

    (2)估值因子:市盈率、市净率、市销率、 市现率、 企业价值倍数、 PEG 等;

    (3)成长因子:营业收入增长率、营业利润增长率、净利润增长率、每股收益增长率、净资产增长率、股东权益增长率、经营活动产生的现金流量金额增长率等;

    (4)盈利能力因子:销售净利率、毛利率、净资产收益率、资产收益率、营业费用比例、财务费用比例、息税前利润与营业总收入比等; 

    (5)动量反转因子:前期涨跌幅等; 

    (6)交投因子:前期换手率、量比等; 

    (7)规模因子:流通市值、总市值、自由流通市值、流通股本、总股本等; 

    (8)股价波动因子:前期股价振幅、日收益率标准差等;

    (9)分析师预测因子:预测净利润增长率、预测主营业务增长率、盈利预测调整等。 

    因子有效性的检验

    一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如:可以每月检验,具体而言,对于任意一个候选因子,在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小,按从小到大的顺序对样本股票进行排序,并平均分为 N 个组合,一直持有到月末,在下月初再按同样的方法重新构建 N 个组合并持有到月末,一直重复到模型形成期末。还有一个参数是候选组合的数量,具体参数的最优选择,需要用历史数据进行检验。

    剔除冗余因子

    不同的选股因子可能由于内在的驱动因素大致相同等原因,所选出的组合在个股构成和收益等方面具有较高的一致性,因此其中的一些因子需要作为冗余因子剔除, 而只保留同类因子中收益最好,区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的,成交量一般也会比较大,因此在选股模型中,这两个因子只选择其中一个。

    冗余因子剔除的方法:假设需要选出 K 个有效因子,样本期共 M 月,那么具体的冗余因子剔除步骤为:

    (1)先对不同因子下的 N 个组合进行打分,分值与该组合在整个模型形成期的收益相关,收益越大,分值越高; 

    (2)按月计算个股的不同因子得分间的相关性矩阵; 

    (3)在计算完每月因子得分相关性矩阵后,计算整个样本期内相关性矩阵的平均值;

    (4)设定一个得分相关性阀值,将得分相关性平均值矩阵中大于该阀值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子,而其它因子则作为冗余因子剔除。

    多因子选股的判断方法

    多因子选股的判断方法分为回归法(OLS)打分法。回归方法是利用股票历史收益率对筛选出的多因子进行回归,估计出回归方程系数,然后将最新的因子带入回归方程估计股票未来收益,以此为依据进行选股。回归方法的问题是很难找到一个精确拟合的回归方程,模型误差比较大。

    打分法是根据各个因子的大小对股票进行打分,然后根据一定的权重加权得到一个总分,根据总分对股票进行筛选。例如每个月初,对市场中正常交易的个股计算每个因子的最新得分并按照一定的权重求得所有因子的平均分。最后,根据模型所得出的综合平均分对股票进行排序,然后根据需要选择排名靠前的股票。例如,选取得分最高的前 20%股票,或者选取得分最高的 50 到 100 只股票等等。打分法操作简单,但是权重的确定比较困难,对结果的影响较大。

    模型的评价及持续改进

    多因子量化选股模型是建立在市场无效或弱有效的前提之下,随着使用多因子选股模型的交易者数量的不断增加,有的因子会逐渐失效,而另一些新的因素可能被验证有效而加入到模型当中。此外,一些因子可能在过去的市场环境下比较有效,而随着市场风格的改变,这些因子可能短期内失效,而另外一些以前无效的因子会在当前市场环境下表现较好。

    在计算综合评分的过程中,各因子得分的权重设计、交易成本考虑和风险控制等都存在进一步改进的空间。因此在综合评分选股模型的使用过程中会对选用的因子、模型本身做持续的再评价和不断的改进以适应变化的市场环境。因子和参数的获取只能通过历史数据回测来获得,但是在回测过程中,防止出现过度优化也很重要的。

    结语

    多因子量化选股本质是基于历史数据的统计分析,通过寻找那些与股票收益率最相关的因子,并基于套利定价理论(APT),将多个影响因子进行组合,构建综合选股指标来筛选股票。任何一个多因子选股模型具有一定的时效性、风险性,需要使用者根据市场情况进行调整和更新,这是多因子选股策略存在的不足。多因子选股模型作为一种量化投资选股策略,最大的优势在于其结果是根据客观的数据和完整的模型得出的,可以避免交易者个人主观意念的干扰,具有一定客观性。多因子选股研究的对象主要是因子,因此单因子的回测和有效性检验是整个多因子模型的重要组成部分。

    后期将以系列推文的形式结合因子分析的Python工具包Alphalens对因子的选择和回测进行实践分析。

    来源:python金融量化

    推荐阅读: | 量化交易  | 期货模拟交易 | python量化交易 | 股票数据  | 量化交易策略 | 机器学习算法  | 多因子选股 |  

                       | 双均线策略 |  网格交易法 |  海龟交易法  |  跨期套利  | 行业轮动  | 指数增强  | 跨品种套利 | 日内交易 |

     

    展开全文
  • 多因子策略之冗余因子

    千次阅读 2019-06-26 10:34:10
    上一篇文章《多因子选股之有效因子》,我们讲到有效因子的检验。在选择了有效因子之后,我们还需要进行一步去除冗余因子。 不同的选股因子可能由于内在的驱动因素大致相同等原因,所选出的组合在个股构成和收益等...

    引言:

    上一篇文章《多因子选股之有效因子》,我们讲到有效因子的检验。在选择了有效因子之后,我们还需要进行一步去除冗余因子。

    不同的选股因子可能由于内在的驱动因素大致相同等原因,所选出的组合在个股构成和收益等方面具有较高的一致性,因此其中的一些因子需要作为冗余因子剔除, 而只保留同类因子中收益最好,区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的,成交量一般也会比较大,因此在选股模型中,这两个因子只选择其中一个。

    主要步骤:

    我参考了网络上不同的剔除方法,但都仅仅浅尝辄止,没有进行深入的代码探究。我们先说剔除冗余因子的主要步骤:

    假设现有k个因子,回测周期可分为m个月,股票可均分为n个组合,

    1.分别按不同因子的大小进行排序,讲股票分为n个组合进行打分,分值与该组合在整个模型形成期的收益相关,收益越大,分值越高分值赋给每月该组合内的所有个股。

    如果组合10的收益大于组合1,那么就将组合 i 各个股票的各个股票分值设置为 i ,各个组合的分值从低到高进行排列分别是 1,2,3,4,5,6,7,8,9,10。如果组合1的收益大于组合10,那么正好是反过来 10,9,8,7,6,5,4,3,2,1。

    2.按月计算个股的不同因子得分间的相关性矩阵

    3.在计算完每月因子得分相关性矩阵后,计算整个样本期内相关性矩阵的平均值

    4.设定一个得分相关性阀值,将得分相关性平均值矩阵中大于该阀值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子,而其它因子则作为冗余因子剔除。

    测试参数:

    我们根据步骤,在掘金平台上实现

    测试参数声明:

    测试平台:掘金量化

    测试时间:2016-01-01——2018-01-01

    测试股票池:“上证50”成分股

    测试因子:

    测试步骤:

    1. 获取每个月的首个交易日,月初获取每只股票的因子数据及当月收益率,根据因子数值排序,将股票分为10组,根据平均收益为股票组合打分,分值赋予对应组合中所有股票。
    2. 分别测试股票关于四种因子的分值,根据每月结果,计算相关性系数矩阵。
    3. 计算整个测试周期的相关性系数平均值。
    4. 设定阈值,剔除冗余因子。

    结果:

    我们看几个月份的相关性系数矩阵

     

    再来看各个月的统计表格

    我们经过统计,得出平均相关性系数矩阵

    结论:

    我们选取的四个有效因子,平均相关性系数均小于0.25,也就是我们选取的因子相关性很低,我们可以放心的进行因子间的组合,构建新的因子。

    冗余因子剔除的思想:计算股票根据每个因子的所获得的分值,通过比较该分值,从而得到因子间的相关性,相关性高的,剔除其中一个,留下有效性高并与其他因子相关性低的因子。

    附:冗余因子剔除源码

    from __future__ import print_function, absolute_import, unicode_literals
    import seaborn as sns
    import pandas as pd
    from gm.api import *
    import matplotlib.pyplot as plt
    set_token('c395247a76e8a5caeee699d668d6f550213bc418')
    
    #相关性矩阵热力图
    def cor(df):
        dfData = df.corr()
        plt.subplots(figsize=(9, 9)) # 设置画面大小
        sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Blues")
        plt.savefig('./BluesStateRelation.png')
        plt.show()
    
    #获取每月第一个交易日
    time=get_trading_dates(exchange='SHSE', start_date='2016-01-01', end_date='2018-01-01')
    date=[]
    for i in time:
        n=time.index(i)
        if i[5:7]!=time[n-1][5:7]:
            date.append(i)
    
    #测试因子间相关性
    for tradedate in date:
        data=pd.DataFrame()
        fin=pd.DataFrame()
        a=0
        for factor in ['PB','ROEANNUAL','TAGRT','SHTLIABTOTLIABRT']:
                n=date.index(tradedate)
                if n ==23:
                    break
                # 获取上一个交易日
                last_day = get_previous_trading_date(exchange='SHSE', date=tradedate)
                nextmoth=date[n+1]
                # 获取上证50成份股
                stock300 = get_history_constituents(index='SHSE.000016', start_date=last_day,
                                                    end_date=last_day)[0]['constituents'].keys()
                # 获取当天有交易的股票
                not_suspended_info = get_history_instruments(symbols=stock300, start_date=tradedate, end_date=tradedate)
                not_suspended_symbols = [item['symbol'] for item in not_suspended_info if not item['is_suspended']]
                #获取因子数据
                if factor=='PB':
                    fin = get_fundamentals(table='trading_derivative_indicator', symbols=not_suspended_symbols,
                                           start_date=tradedate, end_date=tradedate, fields=factor,
                                           filter='', order_by='-' + factor, df=True)
                else:
                    fin = get_fundamentals(table='deriv_finance_indicator', symbols=not_suspended_symbols,
                                       start_date=tradedate, end_date=tradedate, fields=factor,
                                       filter='', order_by='-'+factor, df=True)
                long=len(fin)
                fin=fin.fillna(0)
                portfolio=[]
    
                #获取股票收益率
                for i in fin.symbol:
                    try :
                        last=history(symbol=i, frequency='1d', start_time=nextmoth, end_time=nextmoth, fields='close', skip_suspended=True,
                        fill_missing=None, adjust=ADJUST_NONE, adjust_end_time='', df=False)[0]['close']
                    except:
                        portfolio.append(0)
                        continue
                    pre=history(symbol=i, frequency='1d', start_time=tradedate, end_time=tradedate, fields='close', skip_suspended=True,
                        fill_missing=None, adjust=ADJUST_NONE, adjust_end_time='', df=False)[0]['close']
                    portfolio.append((last - pre) / pre)
                #根据收益率对股票进行打分
                portfolio_2=[(sum(portfolio[0:4]))/5]*5+[(sum(portfolio[5:9]))/5]*5+[(sum(portfolio[10:14]))/5]*5+[(sum(portfolio[15:19]))/5]*5+[(sum(portfolio[20:24]))/5]*5+[(sum(portfolio[25:29]))/5]*5+[(sum(portfolio[30:34]))/5]*5+[(sum(portfolio[35:39]))/5]*5+[(sum(portfolio[40:44]))/5]*5+[(sum(portfolio[45-long:0]))/5]*(long-45)
                fin['portfolio_2'] = portfolio_2
                fin=fin.sort_values(by = 'portfolio_2',axis = 0,ascending = False)
                score=[10]*5+[9]*5+[8]*5+[7]*5+[6]*5+[5]*5+[4]*5+[3]*5+[2]*5+[1]*(long-45)
                fin[factor + 'score'] =score
                del fin['pub_date'],fin['end_date'],fin['portfolio_2'],fin[factor]
                a=a+1
                #获取关于四个因子下,每个股票所获得的分数值
                if a==1:
                    data=fin
                else:
                    data = pd.merge(data, fin, how='right', on='symbol')
        #统计分析
        del data['symbol']
        cor(data)
        print(data.corr())
    

    作者: 宋瑞笛      来源:掘金量化  myquant.cn

    推荐阅读: | 量化交易  | 期货模拟交易 | python量化交易 | 股票数据  | 量化交易策略 | 机器学习算法  | 多因子选股 |  

                       | 双均线策略 |  网格交易法 |  海龟交易法  |  跨期套利  | 行业轮动  | 指数增强  | 跨品种套利 | 日内交易 | 

    展开全文
  • 多因子策略中的IC、IR是什么,以及如何计算

    万次阅读 多人点赞 2019-09-10 17:02:39
    接触多因子策略,总会看到IC值、IR值,作为某种度量指标。 IC值的定义 IC是***Information Coefficient***的缩写,称为***信息系数***。 IC代表的是预测值和实现值之间的相关性,通常用于评价预测能力(即选股能力...

    接触多因子策略,总会看到IC值、IR值,作为某种度量指标。

    • IC值的定义

      IC是Information Coefficient的缩写,称为信息系数

      IC代表的是预测值和实现值之间的相关性,通常用于评价预测能力(即选股能力)。
      IC[1,  1] IC \in [-1,\; 1] \\ 绝对值越大,表示预测能力越好
      IC的计算方式有两种:normal ICrank IC

      因为normal IC有一个前提条件,就是数据要服从正态分布,现实往往不理想,所以实际中更多人采用rank IC(秩相关系数)来判断因子的有效性。两者分别对应Pearson 或者 Spearman 相关系数

    • Normal IC

      IC(Information coefficient 信息系数)的定义:t期(这里的期一般指的是调仓周期)的因子载荷(因子值)对t+1期的收益预测值和实际收益之间的相关系数。
      ICA=correlation(fA,r) IC_A=correlation(f_A,r)

      ICA:AICfAtAT+1rt+1             IC_A:因子A在改期的IC值\\ f_A:t期因子A对T+1期收益率的预测值(或向量)\\ r:t+1期股票实际收益率(或向量)\;\;\;\;\;\;

      要计算IC就需要知道因子对下期收益率的计算。很多文献中是直接用tt期的因子值来当作这个对t+1t+1期的收益预测值,也就是说,直接计算tt期因子值与t+1t+1期的收益率之间的相关系数,作为IC值

      求IC需要有足够的数据才有意义

    • 案例

      因子:20日收益方差

      股票池:000001.SZ 平安银行;000002.SZ 万科A; 000006.SZ 深振业A; 000008.SZ 神州高铁

      日期:2018.1.2

    • Rank IC

      Rank IC和Normal IC的唯一不同点在于,求相关系数时,采用秩相关系数。

      Rank IC:t期的因子载荷(因子值)的排序值和t+1期的因子收益的排序值之间的相关系数。

    • IR值的定义

      IR的是Information Ratio的缩写,即信息比率

      IR指的是超额收益的均值与标准差之比。需要多个调仓期,每一个调仓期计算出一个IC值。

      IR代表因子获得稳定Alpha的能力。
      IR=ICIC IR=\frac{IC的多周期均值}{IC的标准方差}

      IR有时指因子IR,有时是策略IR,对于策略IR:
      IR= 策略IR=\frac{超出指数收益}{超出指数收益的波动率}
      策略IR表示策略稳定战胜基准指数的能力。

    • IC与IR

      IR等于多个调仓周期的IC均值除以这些IC的标准差,所以IR兼顾了因子的选股能力(由IC表征)和选股能力的稳定性(由IC的标准方差的倒数代表)

      IC最大值为1,表示该因子选股100%准确,对应的排名分最高的股票,选出来的股票在下格调仓周期中涨幅最大;反之-1,则是反向指标。实际中对于多年的IC均值,当IC>0.05IC>0.05时,就可以视为有效因子,当IC>0.1IC>0.1,就可以认为是很好的阿尔法因子了。当IC均值接近0,可视为无效因子。

      IR大于0.5时,因子稳定获取超额收益的能力较强。

    • References

    1. 【因子分析】之 Normal IC 与 Rank IC 的区别 (此文定义有误)
    2. 量化投资学习——因子IC、IR的介绍
    3. Information Coefficient (IC) Definition
    4. 2017.12.29-渤海证券-多因子模型研究之二:收益预测模型
    展开全文
  • 什么是加载因子/负载因子/装载因子

    千次阅读 2019-12-21 20:10:06
    什么是加载因子(负载因子/装载因子)? 用于表示哈希表中元素填满的程度。 冲突的机会越大,则查找的成本越高。反之,查找的成本越低,从而查找的时间越少。 HashMap中的加载因子 ①new HashMap(); 初始容量是16...

    什么是加载因子(负载因子/装载因子)?
    用于表示哈希表中元素填满的程度。
    冲突的机会越大,则查找的成本越高。反之,查找的成本越低,从而查找的时间越少。

    HashMap中的加载因子
    ①new HashMap();
    初始容量是16,加载因子loadFactor=0.75,默认容量是16*0.75=12
    ②new HashMap(int initialCapacity);
    给定自定义的loadFactor.
    ③new HashMap(int initialCapacity, fload loadFactor);
    自定义初始容量,自定义加载因子。

    展开全文
  • 多因子筛选与因子正交化方法 引言 在多因子研究框架中,如果已经检验出个有效的因子,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, 何为正交化?
  • 什么是填充因子

    千次阅读 2018-06-09 14:50:08
    下面是我对填充因子的理解什么是填充因子设置数据要占用page空间的比例。比如设置70%,即数据至少要填充page空间的70%。设置填充因子的主要作用是为新数据预留一定的空间,当有新数据时,可以插入到预留的空间里,...
  • 量化策略研究时,重要基础工作之一为对因子进行分析,那什么样的因子是比较好的因子呢? 个人认为主要有三个角度衡量一个因子是否能成为备选因子库中的因子之一: 1.因子溢价角度。 分位点之间有较好的线性关系,即...
  • 近一个半月疯狂的接触多因子模型,其中对于单个因子的回测,是最熟的。而对于单个因子,或者叫做signal(这一系列文章后续都这么叫),是多因子模型的基础。当然,如果你认为,世界上没有alpha,那么只要bet style...
  • 什么是转录因子

    2018-10-18 22:37:00
    什么是转录因子? 转录因子 ...转录因子基本介绍 ...什么是转录因子?...转录因子(Transcriptionfactor...转录因子特点是它包含一个或个DNA结合域(DNA-binding domain, DBDs),通过这些结合域与基因附近的DNA序...
  • 多因子选股之有效因子

    千次阅读 2019-05-08 12:20:03
    什么多因子选股? 玩股票的朋友的朋友应该很清楚,股市之道无外乎:选股、择时、仓控。精通任何一点都可以说在股市中所向披靡。 这次,我们从选股入手,来谈谈量化选股的基本“套路”——多因子选股。多因子选股...
  • 我们在使用工信部行业标准《软件研发成本...那么,什么是软件因素调整因子什么是开发/测试因素调整因子呢?这两个重要参数我们如何获得?  所谓软件因素调整因子,指由于软件自身特点对生产率产生的影响所需考虑...
  • 多因子模型 —— 因子正交化处理

    千次阅读 2020-03-29 16:32:42
    传统的多因子模型处理共线性的方法,如IC加权、IR加权,ICIR加权等,都以IC值为基础确定各因子在模型中的权重。而IC是当期因子暴露与下一期收益间的相关系数。 传统方法的缺陷是:如果因子间存在较强的相关性,通过...
  • HashMap的加载因子什么是0.75?

    千次阅读 2020-04-11 15:59:40
    有很东西之前在学的时候没怎么注意,笔者也是在重温HashMap的时候发现有很可以去细究的问题,最终是会回归于数学的,如HashMap的加载因子什么是0.75? 本文主要对以下内容进行介绍: 为什么HashMap需要加载...
  • HashMap的扩容因子什么是0.75

    千次阅读 2019-09-10 10:23:23
    最近在看HashMap源码,对于扩容因子=0.75感到很费解,为什么在用了75%的容量的时候就要进行扩容呢?数组中明明还有25%的空间没有使用。为什么不等到数组几乎满了(扩容因子=0.95)的时候才进行扩容?扩容因子=0.95和...
  • 多因子模型的前世今生

    千次阅读 2019-07-17 17:48:08
    做量化,经常听到多因子模型,豆瓣直接搜索“多因子模型”找不到相关的理论书籍,汇总网络资料,大概搞清楚什么多因子模型,以及多因子模型的理论基础在哪里。 什么多因子定价模型?APT(套利定价理论)、Fama...
  • 多因子选股策略步骤

    千次阅读 2020-01-13 16:55:49
    多因子选股策略研究步骤如下: 初步建立因子库 初步建立的因子库将涉及财务、行情、预期以及其他四类因子,这是作者通过阅读学术论文、研究报告及运用所学专业知识综合确定下来的。在确定几大类因子之后,又将大类...
  • 期刊分区以及影响因子什么

    千次阅读 2015-12-27 21:19:30
    尽管期刊的评价指标有很种,比如:被引频次、他引率、引用半衰期、被引半衰期、即年指标和影响因子等等,但是对于需要经常评价科研成果的科技工作者来说,用到最多的则是“影响因子”,(其含义为:某刊某年的影响...
  • 本文主要研究内容是基于rank IC分析医疗板块四大类因子(风格类、技术类、盈利能力类、基本面类)盈利预测能力,以及在此基础上构建医疗板块多因子rank IC赋权模型。
  • 多因子系列研报对比

    千次阅读 2018-07-20 11:40:30
    多因子之前大致看了券商写的一些研报,这是之前写过的报告总结,贴出来和大家分享一下。  我先总体看了一下各个券商写的多因子研报,发现多因子需要研究的内容很,券商根据研究进展分期发布,时间跨度很大。我...
  • 1.HashMap负载因子什么是0.75 这是时间与空间成本上的折中。 1.1时间成本 假设负载因子是1时,虽然空间利用率高了,但是随之提高的是哈希碰撞的概率。 而Hashmap中哈希碰撞的解决方法采用的拉链法,哈希冲突高了会...
  • HashMap的负载因子什么默认是0.75

    千次阅读 2020-07-28 13:09:51
    负载因子是和扩容机制有关的,意思是如果当前容器的容量,达到了我们设定的最大值,就要开始执行扩容操作。举个例子来解释,避免小白听不懂: 比如说当前的容器容量是16,负载因子是0.75,16*0.75=12,也就是说,当...
  • HashMap中负载因子的意义是什么

    千次阅读 2020-05-09 16:41:35
    学习记录 HashMap中负载因子的意义是什么? HashMap具有两个重要属性: size 和 load factor HashMap的实例具有两个影响其性能的参数:初始容量(0.75f)和负载因子(load factor)。 容量是哈希表中存储桶的数量,初始...
  • 多因子选股模型

    万次阅读 多人点赞 2018-12-31 16:19:15
    多因子选股模型¶ 基于《【研究】量化选股-因子检验和多因子模型的构建》https://zhuanlan.zhihu.com/quantstory/20634542 在源码的基础上添加了一些因子,同时将时间滞后。 1.时间选取11-17年作为样本期,并进行...
  • 多因子模型建立方法

    千次阅读 2019-05-12 12:23:03
    多因子模型建立方法 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则被买入,不满足的则被卖出。 举一个简单的例子:有一批人参加马拉松,如果想要知道...
  • 机器学习量化多因子选股策略

    千次阅读 2019-07-25 14:25:23
    多因子回归是多因子选股策略最常用的方法,它用过去的股票的收益率对多因子进行回归,得到一个回归方程,然后把当下的因子数值代入回归方程得到未来股票的预期收益,最后以此为依据进行选股。 机器学习和多因子选股...
  • 结构化多因子模型

    千次阅读 2018-07-20 11:32:58
    结构化多因子风险模型的优势在于,通过识别重要的因子,可以降低问题的规模,只要因子个数不变,即使股票组合的数量发生变化,处理问题的复杂度也不会发生变化。 结构化多因子风险模型首先对收益率进行简单的线性...
  • 机器学习多因子策略

    千次阅读 2019-04-29 13:58:50
    在二级市场的量化策略中,多因子策略称得上是最早被创造但同时也是变化最多的投资策略之一,好的因子意味着长期稳定的收入,因此能够发现一个好的因子是每位宽客的一致愿望。多因子策略理解起来并不复杂,实现起来却...
  • 接下来,还剩下最后一部分的单因子分析,就是换手率的分析。当然,我们要知道,这仅仅是三个主要部分,后续我们可能会增加几个观察的指标。 1.换手率概括表 上图是turnover的分析表。由于实际交易中,我们是有...
  • Fama-French 多因子模型

    千次阅读 2019-07-12 15:47:21
    本章将 CAPM 概括为以下形式的因素模型: $R=\alpha + \beta{1} f{1} + \beta{2} f{2} + \cdots + \beta{n} f{n}$ 其中每个 $f_{i}$ 是一个因子。 Fama-French 三因子模型 这个模型是由 Eu...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 349,612
精华内容 139,844
关键字:

多因子是什么