数量化股票投资与策略

Ⅰ 【量化】各平台开源的选股策略汇总

大概收集了下各平台开源的量化选股策略。本意为供自己参考，顺手分享一下，希望能对有缘人有用，哈哈。

一、 多因子模型选股

多因子模型是应用最广泛的一种选股模型，基本原理是采念漏芹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，不满足的则卖出。

1 、大师系列——价值投资法整理归档（一共19个经典的大师策略）

2 、多因子换档反转策略

3 、Foster Friess积极成长策略

4 、Fama-French三因子火锅&五因子模型

5 、多因子模型+资产组合优化（加“社区神定律——每月25号以后不交易”）

6 、11年100倍以上的多因子策略-四因子选股策略研究

7 、光大多因子模型

《光大证券_多因子系列报告之一:因子测试框架》，

《光大证券_多因子系列报告之二：因子测试全集》，

《光大证券_多因子系列报告之三：多因子组合“光大Alpha1.0”》

https://uqer.io/community/share/5958e0bec9dd160057510df9

8 、小费雪选股法

（一）小费雪——静态市收率PS： https://www.joinquant.com/post/6944?tag=new

（二）小费雪——相对市收率： https://www.joinquant.com/post/7027?tag=new

（三）小费雪（终）： https://www.joinquant.com/post/7029?tag=new

参考研报：《 华泰价值选股之低市收率A股模型Ⅱ 》

9 、华泰价值选股之FFScore模型

来源:【聚宽社区】https://www.joinquant.com/post/4872

参考研报： 【华泰金工林晓明团队】华泰价值选股之FFScore模型

10、国信动态多因子算法的实现

参考研报：国信《45数量化投资技术系列之四十五：基于A股市场选股因子边际效用和有效分散的动态区分度动量策略》

二、风格轮动模型

1 、斗牛蛋卷二八轮动原版策略实现（本质为择时）

简介：“二八轮动”就是根据A股市场中大盘股和小盘股走势不同作为信号判断的仔毕。（所谓二，就是指数量占20%的大盘股、权重股；所谓的八,就是数量占80%左右的中小盘股，非权重股；其轮动就是指在两者之间不断切换，轮流持有。）

三、配对交易

所谓配对交易，就是利用两只股票（或基金、债券等其他品种）走势非常相似，如果出现一直股票正偏离，一只股票负偏离，那么做空正偏离的股票，做多负偏离的股票。

1. 工农配对（偏向择时）

2. 银行轮动（中、农、工、商）无止损，年化77%

附：质疑帖：https://www.joinquant.com/post/5377?tag=new

四、 行业选股

1. 【羊群效应系列】--寻找行业轮动中的龙头股：

https://www.joinquant.com/post/1038?tag=new

金融市场的羊群效应主要是指投资者在市场交易过程中的学习与模仿的现象，当市场中存在羊群效应时，投资者在做出自己的决策时更加依赖于他人的行为而忽略自己所获取的信息。

五、资金流模型

1、 资金流模型的研究：

https://www.joinquant.com/post/973?tag=new

2、 资金流数据+支持向量机——判断股价走势：

（资金流可以解释一部分股价的变化，这里的思路是不考虑基本面也不考虑时间序列，主要看大额资金是流入还是流出。因此，考虑搜档输入资金流数据，通过机器学习的方式来对未来股价的涨跌做分类预测。这里用的是支持向量机。）

https://www.joinquant.com/post/6744?tag=new

3 、个股资金流：

https://uqer.io/community/share/5696099e228e5b18dfba2c8b

六、事件选股：

1 、异动事件选股：

简介：在通常情况下，股票与指数的日内走势是随波逐流的关系。但是，在某些特殊的交易日里，股票可能在盘中频繁出现与指数走势背道而驰的情况。这种个性十足的价格异动，我们称之为“特立独行”事件。

策略中异动事件的筛选方法如下：

（1）取交易日t、股票stk的日内分钟收益率序列，计算其与上证综指当日分钟收益率序列的皮尔逊相关系数COV(stk,t)；

（2）将相关度因子COV(stk,t)低于阈值Lambda，视为发生“特立独行”异动事件。对于Lambda的选取，本文采用的计算方法是全部股票平均相关系数减去两倍标准差。

据此尝试构建一个基于“特立独行”异动事件的投资组合，在发生异动事件的样本中，选取“逆势涨”的部分，“逆市涨”指的是当日股票收益大于0，且市场收益率小于0。每日收盘后选出合格的股票标的，次日以开盘价等权买入，持有50个交易日后以收盘价卖出。由于事件发生的概率较低，为了防止空仓率高的情况，本文调长持有时间，这也一定程度减少了投资机会。

地址： https://uqer.io/community/share/57887bed228e5b8a099334a0

升级版： https://uqer.io/community/share/5795858d228e5ba29305f729

2 、事件驱动研究——财报对分析师评级上调事件的影响

https://uqer.io/community/share/59c9e27a0f66ae010a61be46

七、趋势追踪模型

（衡量股票趋势的指标最重要的就是均线系统，因为它是应用最为广泛的趋势追踪指标，

所以均线是不可或缺的，把它作为捕捉大盘主趋势的基石。但是纯粹的均线由于噪音等原因，使得经常会出现误操作，需要进行更多的处理机制，包括极点、过滤微小波动、高低点比较策略、高低点突破策略、长波的保护机制、长均线的保护机制等概念和技术细节；卡尔曼滤波）

1、 基于胜率的趋势交易策略：

简介：简单构建了一个基于胜率的趋势交易策略。认为过去一段时间（N天）内胜率较高、信息比率较高的股票会在紧随其后的几天有较好的表现

地址： https://uqer.io/community/share/565aeac3f9f06c6c8a91ae31

2、 海龟模型趋势跟随策略

简介：基于唐奇安突破通道，海龟模型的趋势捕捉是基于唐奇安突破通道系统，即价格突破20日最高价的最大值为入市信号，价格突破10日最低价的最小值为离场信号。

地址： https://uqer.io/community/share/58161031228e5b43fd5c26f6

3、 多头趋势回踩策略

简介：多头趋势回撤的思路，是根据若干条均线呈现出的形态判断一支股票是否处于强势状态，并抓住回调的时机低位买入。顾名思义，这个策略的要点分为两部分：多头趋势和回撤点。5、10、20、60、120五根均线为从上至下依次排序，由此判定股价处于多头趋势。均线呈完全相反的排列顺序，是空头趋势。均线反复交叉的情况，则为震荡趋势。

地址： https://www.joinquant.com/post/1901?tag=algorithm

Ⅱ 什么是量化投资交易策略

一文看懂量化投资策略

闲话基

量化投资在近些年受到越来越多的关注，包括规模、策略、业绩。量化投资，是指通过借助统计学、数学方法，运用计算机从海量历史数据中，寻找能够带来超额收益的多种“大概率”策略，按照策略构建的数量模型严格执行投资，力求获得长期稳定可持续高于平均的超额回报。

跨市场策略涉及外汇兑换、国际期货交易对冲，交易实现难度大，国内用得少。

由于期货具有杠杆属性，这类策略持仓的市值往往很大，有时候甚至超过产品资产总值，导致收益率的波动率是所有量化策略中最大的。在市场出现连续震荡行情时，这样策略由于杠杆属性会出现较大的回撤。另外一个对这类策略的一个限制是，目前市场上活跃交易的期货品种不多，高频交易很大程度倚重于品种成交量，开平仓时间间隔较短，使得策略容量不大。

Ⅲ 国内股票的量化投资策略有哪些，特别是基本面量化

柠檬给你问题解决的畅快感觉！主要的量化对冲策略有：1、市场中性策略 主要追求的是通过各类对冲手段消除投资组合的大部分或全部系统风险，寻找市场中的相近资产的定价偏差，利用价值回归理性的时间差，在市场中赚取细小的差价来获得持续的收益。2、事件驱动套利策略 利用特殊事件造成的对资产价格的错误定价，从错误定价中谋利。3、相对价值策略 主要是利用证券资产间相对的价值偏差进行获利。感觉畅快？别忘了点击采纳哦！

Ⅳ 什么是量化投资有哪些常见的量化投资策略

量化投资是在投资过程中运用数学、统计学、信息技术等知识。投资者会收集股票的数据，然后依靠计算机系统强大的信息处理能力，用先进的数学模型代替人工的主观判断，从而在控制风险的前提下实现最大回报。

量化投资流行的原因，甚至带有主观的投资趋势，这必然具有量化投资的优势。总而言之，有以下几点：它基于数理统计，更接近一门科学，让未来更容易预测和感知，可以全年实时监控所有市场和交易，而人类不能。它避免了人的情感，完全由机器自动化，严格执行纪律。过程和风险更加可控。这些优势逐渐将量化投资带入我们的视野，并被越来越多的投资者所接受。

Ⅳ 市场上当下比较火的股票量化投资到底是怎么个本质嘛

量化就是通过海量数据客观分析决策，获得持续稳定的收益是由模型捕捉差价，从而避免人为主观因素的干扰。也就是说套期保值利用撮合交易寻找套利空间，忽略熊牛市和市场涨跌都可以获利，从而规避系统性风险。掘金策量化选股就是利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率的投资行为，研究表明，板块、行业轮动在机构投资者的交易中最为获利的盈利模式是基于行业层面进行周期性和防御性的轮动配置，这也是机构投资者最普遍采用的策略。此外，周期性股票在扩张性货币政策时期表现较好，而在紧缩环境下则支持非周期性行业。行业收益差在扩张性政策和紧缩性政策下具有显著的差异。

Ⅵ 什么是量化投资——数量化投资与程序化交易

2010-11-02 14:49:32 作者： 来源：永安期货 浏览次数：0 量化投资，简单地说，就是利用数学、统计学、信息技术的量化投资方法来管理投资组合。数量化投资、程序化交易、算法交易、自动化交易以及高频交易都是数量化交易的特定方式， 其描述内容的侧重点各有不同。数量化交易应用IT技术和金融工程模型偶那个帮助投资者指定投资策略、减少执行成本、进行套利和风险对冲。数据、速度、风险管理是数量化交易系统建设中的关键问题。期货市场的数量化自动交易模型正逐步由投资者编制自用，演变为有一定规模的投资咨询顾问组成的专业团队参与。 程序化交易，也可称之为系统交易或算法交易，设计人员将市场常用之技术指标，利用电脑软件将其写入系统中，结合市场历史数据，分析和组合各种指标建立数学模型，将交易策略系统化。当交易策略的条件满足时，程序化系统自动发出多空讯号，并且有效掌握价格变化的趋势，让投资人不论在上涨或下跌的市场行情中，都能抓住交易策略，进而赚取波段获利。程序化交易的操作方式不求赚取夸张利润，只求长期稳健的获利，于市场中成长并达到财富累积的复利效果。经过长时期操作，年获利率可保持在一定水准之上。 程序化交易又是一种个性化交易，每个投资者（或机构）都可以根据自己的投资经验和智慧，编写自己的交易模型，进行电脑自动交易。交易模型是交易思想的凝练和实际化，正确的交易思想在严格的操作纪律实行下将获得良好、稳定的投资收益，而通过交易模型正是将正确的交易思想与严格的操作纪律很好地结合在一起，帮助人们获取良好、稳定的投资收益。程序化交易在投资实战中不仅可以提高下单速度，更可以帮助投资者避免受到情绪波动的影响，消除交易时人性的恐惧、贪婪、迟疑及赌性等情绪，实现理性投资。设计出色的程序化系统可以确保广为流传的交易成功三项基本原则的顺利实施：顺应市场趋势、控制亏损交易、做足盈利交易。总而言之，模型策略的出色设计、资金的有效风险控制、行情交易软件的稳定可靠、数据的及时流畅以及下单速度的快捷,组成了优秀的程序化交易系统，它是量化投资的一种具体实现途径。上传：钱文

Ⅶ 量化投资的投资策略

量化投资技术几乎覆盖了投资的全过程，包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易，资产配置，风险控制等。 商品期货套利盈利的逻辑原理是基于以下几个方面：
（1）相关商品在不同地点、不同时间对应都有一个合理的价格差价。
（2）由于价格的波动性，价格差价经常出现不合理。
（3）不合理必然要回到合理。
（4）不合理回到合理的这部分价格区间就是盈利区间。 资产配置是指资产类别选择，投资组合中各类资产的适当配置以及对这些混合资产进行实时管理。量化投资管理将传统投资组合理论与量化分析技术的结合，极大地丰富了资产配置的内涵，形成了现代资产配置理论的基本框架。
它突破了传统积极型投资和指数型投资的局限，将投资方法建立在对各种资产类股票公开数据的统计分析上，通过比较不同资产类的统计特征，建立数学模型，进而确定组合资产的配置目标和分配比例。

Ⅷ 量化投资

没有你想的书

我多年来都有关注这方面的书 可是也没有在国内找到

数量化投资是将投资理念及策略通过具体指标、参数的设计，体现到具体的模型中，让模型对市场进行不带任何情绪的跟踪；相对于传统投资方式来说，具有快速高效、客观理性、收益与风险平衡和个股与组合平衡等四大特点。量化投资技术几乎覆盖了投资的全过程，包括估值与选股、资产配置与组合优化、订单生成与交易执行、绩效评估和风险管理等，在各个环节都有不同的方法及量化模型：

一、估值与选股

估值：对上市公司进行估值是公司基本面分析的重要方法，在“价值投资”的基本逻辑下，可以通过对公司的估值判断二级市场股票价格的扭曲程度，继而找出价值被低估或高估的股票，作为投资决策的参考。对上市公司的估值包括相对估值法和绝对估值法，相对估值法主要采用乘数方法，如PE估值法、PB估值法、PS估值法、PEG估值法、PSG估值法、EV/EBITDA估值法等；绝对估值法主要采用折现的方法，如公司自由现金流模型、股权自由现金流模型和股利折现模型等。相对估值法因简单易懂，便于计算而被广泛使用；绝对估值法因基础数据缺乏及不符合模型要求的全流通假设而一直处于非主流地位。随着全流通时代的到来和国内证券市场的快速发展，绝对估值法正逐渐受到重视。

选股：在当前品种繁多的资本市场中，从浩瀚复杂的数据背后选出适合自己投资风格的股票变得越加困难。在基本面研究的基础上结合量化分析的手段就可以构建数量化选股策略，主流的选股方法如下：

资产配置方法与模型
资产配置类别 资产配置层次 资产配置方法 资产配置模型
战略资产配置 全球资产配置 大类资产配置 行业风格配置 收益测度 风险测度 估计方法 马克维茨 MV 模型 均值 -LPM 模型 VaR 约束模型 Black-Litterman 模型
战术资产配置 ( 动态资产配置 ) 周期判断 风格判断 时机判断 行业轮动策略 风格轮动策略 Alpha 策略 投资组合保险策略

基本面选股：通过对上市公司财务指标的分析，找出影响股价的重要因子，如：与收益指标相关的盈利能力、与现金流指标相关的获现能力、与负债率指标相关的偿债能力、与净资产指标相关的成长能力、与周转率指标相关的资产管理能力等。然后通过建立股价与因子之间的关系模型得出对股票收益的预测。股价与因子的关系模型分为结构模型和统计模型两类：结构模型给出股票的收益和因子之间的直观表达，实用性较强，包括价值型(本杰明·格雷厄姆—防御价值型、查尔斯·布兰迪—价值型等)、成长型(德伍·切斯—大型成长动能、葛廉·毕克斯达夫—中大型成长股等)、价值成长型(沃伦·巴菲特—优质企业选择法、彼得·林奇—GARP价值成长法等)三种选股方法；统计模型是用统计方法提取出近似线性无关的因子建立模型，这种建模方法因不需先验知识且可以检验模型的有效性，被众多经济学家推崇，包括主成分法、极大似然法等。

多因素选股：通过寻找引起股价共同变动的因素，建立收益与联动因素间线性相关关系的多因素模型。影响股价的共同因素包括宏观因子、市场因子和统计因子(通过统计方法得到)三大类，通过逐步回归和分层回归的方法对三类因素进行选取，然后通过主成分分析选出解释度较高的某几个指标来反映原有的大部分信息。多因素模型对因子的选择有很高的要求，因子的选择可依赖统计方法、投资经验或二者的结合，所选的因子要有统计意义上或市场意义上的显著性，一般可从动量、波动性、成长性、规模、价值、活跃性及收益性等方面选择指标来解释股票的收益率。

动量、反向选股：动量选股策略是指分析股票在过去相对短期的表现，事先对股票收益和交易量设定条件，当条件满足时买进或卖出股票的投资策略，该投资策略基于投资者对股票中期的反应不足和保守心理，在投资行为上表现为购买过去几个月表现好的股票而卖出过去几个月表现差的股票。反向选股策略则基于投资者的锚定和过度自信的心理特征，认为投资者会对上市公司的业绩状况做出持续过度反应，形成对业绩差的公司业绩过分低估和业绩的好公司业绩过分高估的现象，这为投资者利用反向投资策略提供了套利机会，在投资行为上表现为买进过去表现差的股票而卖出过去表现好的股票。反向选股策略是行为金融学理论发展至今最为成熟，也是最受关注的策略之一。

二、资产配置

资产配置指资产类别选择、投资组合中各类资产的配置比例以及对这些混合资产进行实时管理。资产配置一般包括两大类别、三大层次，两大类别为战略资产配置和战术/动态资产配置，三大层次为全球资产配置、大类资产配置和行业风格配置。资产配置的主要方法及模型如下：

战略资产配置针对当前市场条件，在较长的时间周期内控制投资风险，使得长期风险调整后收益最大化。战术资产配置通常在相对较短的时间周期内，针对某种具体的市场状态制定最优配置策略，利用市场短期波动机会获取超额收益。因此，战术资产配置是在长期战略配置的过程中针对市场变化制定的短期配置策略，二者相互补充。战略资产配置为未来较长时间内的投资活动建立业务基准，战术资产配置通过主动把握投资机会适当偏离战略资产配置基准，获取超额收益。

三、股价预测

股价的可预测性与有效市场假说密切相关。如果有效市场假说成立，股价就反映了所有相关的信息，价格变化服从随机游走，股价的预测就毫无意义，而我国的股市远未达到有效市场阶段，因此股价时间序列不是序列无关，而是序列相关的，即历史数据对股价的形成起作用，因此可以通过对历史信息的分析来预测股价。

主流的股价预测模型有灰色预测模型、神经网络预测模型和支持向量机预测模型(SVM)。灰色预测模型对股价的短期变化有很强的预测能力，近年发展起来的灰色预测模型包括GM(1, 1)模型、灰色新陈代谢模型和灰色马尔可夫模型。人工神经网络模型具有巨量并行性、存储分布性、结构可变性、高度非线性和自组织性等特点，且可以逼近任何连续函数，目前在金融分析和预测方面已有广泛的应用，效果较好。支持向量机模型在解决小样本、非线性及高维模式识别问题中有许多优势，且结构简单，具有全局优化性和较好的泛化能力，比神经网络有更好的拟合度。

四、绩效评估

作为集合投资、风险分散、专业化管理、变现性强等特点的投资产品，基金的业绩虽然受到投资者的关注，但要对基金有一个全面的评价，则需要考量基金业绩变动背后的形成原因、基金回报的来源等因素，绩效评估能够在这方面提供较好的视角与方法，风险调整收益、择时/股能力、业绩归因分析、业绩持续性及Fama的业绩分解等指标和方法可从不同的角度对基金的绩效进行评估。

绩效评估模型 / 指标

绩效评估准则
择时 / 股能力
业绩归因分析
风险调整收益
业绩持续性
Fama 业绩分解

模型 / 指标
T-M 模型

H-M 模型

GII 模型

C-L 模型
资产配置收益

证券选择收益

行业选择收益

行业内个股选择收益
RAROC

Sharp, Stutzer

Treynor, Jensen

, ,
双向表分析

时间序列相关性
总风险收益

系统风险收益

分散化投资收益

五、基于行为金融学的投资策略

上世纪50～70年代，随着马科维茨组合理论、CAPM模型、MM定理及有效市场假说的提出，现代金融经济学建立了一套成熟的理论体系，并且在学术界占据了主导地位，也被国际投资机构广泛应用和推广，但以上传统经济学的理论基石是理性人假设，在理性人假设下，市场是有效率的，但进入80年代以后，关于股票市场的一系列研究和实证发现了与理性人假设不符合的异常现象，如：日历效应、股权溢价之谜、期权微笑、封闭式基金折溢价之谜、小盘股效应等。面对这些金融市场的异常现象，诸多研究学者从传统金融理论的基本假设入手，放松关于投资者是完全理性的严格假设，吸收心理学的研究成果，研究股市投资者行为、价格形成机制与价格表现特征，取得了一系列有影响的研究成果，形成了具有重要影响力的学术流派－行为金融学。

行为金融学是对传统金融学理论的革命，也是对传统投资实践的挑战。随着行为金融理论的发展，理论界和投资界对行为金融理论和相关投资策略作了广泛的宣传和应用，好买认为，无论机构投资者还是个人投资者，了解行为金融学的指导意义在于：可以采取针对非理性市场行为的投资策略来实现投资目标。在大多数投资者认识到自己的错误以前，投资那些定价错误的股票，并在股价正确定位之后获利。目前国际金融市场中比较常见且相对成熟的行为金融投资策略包括动量投资策略、反向投资策略、小盘股策略和时间分散化策略等。

六、程序化交易与算法交易策略

根据NYSE的定义，程序化交易指任何含有15只股票以上或单值为一百万美元以上的交易。程序化交易强调订单是如何生成的，即通过某种策略生成交易指令，以便实现某个特定的投资目标。程序化交易主要是大机构的工具，它们同时买进或卖出整个股票组合，而买进和卖出程序可以用来实现不同的目标，目前程序化交易策略主要包括数量化程序交易策略、动态对冲策略、指数套利策略、配对交易策略和久期平均策略等。

算法交易，也称自动交易、黑盒交易或无人值守交易，是使用计算机来确定订单最佳的执行路径、执行时间、执行价格及执行数量的交易方法，主要针对经纪商。算法交易广泛应用于对冲基金、企业年金、共同基金以及其他一些大型的机构投资者，他们使用算法交易对大额订单进行分拆，寻找最佳路由和最有利的执行价格，以降低市场的冲击成本、提高执行效率和订单执行的隐蔽性。任何投资策略都可以使用算法交易进行订单的执行，包括做市、场内价差交易、套利及趋势跟随交易。算法交易在交易中的作用主要体现在智能路由、降低冲击成本、提高执行效率、减少人力成本和增加投资组合收益等方面。主要的算法包括：交易量加权平均价格算法(VWAP)、保证成交量加权平均价格算法(Guaranteed VWAP)、时间加权平均价格算法(TWAP)、游击战算法(Guerrilla)、狙击手算法(Sniper)、模式识别算法(Pattern Recognition)等。

综上所述，数量化投资技术贯穿基金的整个投资流程，从估值选股、资产配置到程序化交易与绩效评估等。结合量化投资的特点及我国证券市场的现状，好买认为量化投资技术在国内基金业中的应用将主要集中在量化选股、资产配置、绩效评估与风险管理、行为金融等方面，而随着包括基金在内的机构投资者占比的不断提高、衍生品工具的日渐丰富(股指期货、融资融券等)以及量化投资技术的进步，基金管理人的投资策略将会越来越复杂，程序化交易(系统)也将有快速的发展。