在今天这个风雨飘摇的日子，做鸵鸟静下心来看看文献报告是再合适不过了
首先选择了东方证券的金融工程系列报告
下面链接有前面47篇的标题
https://bbs.pinggu.org/forum.php?mod=vi ... 300&page=1
在搜索引擎上找找就能找到相关资源
选股报告读后感
Re: 选股报告读后感
第一篇可以在下面链接找到（不是打广告 
）
https://bigquant.com/community/t/topic/160268
如果不是深入研究，也许浏览一下就可以了。
研报里提供了一批因子
一些检验方法以及结论
我就不做摘录了，需要看的都写在报告了。
）https://bigquant.com/community/t/topic/160268
如果不是深入研究，也许浏览一下就可以了。
研报里提供了一批因子
一些检验方法以及结论
我就不做摘录了，需要看的都写在报告了。
看图出奇迹，看基本面穷三代
Re: 选股报告读后感
网上有一个基金经理的采访，里面有一段面试的视频，
做量化肯定选python，不过感觉门槛很高，至少是名校对应专业毕业，专业成绩还得靠前，
我个人感觉，这些行业就是被内卷化了，其实不需要这么高的文凭和门槛，
但求职的人太多，自然就不停选最好的，拿各种条件来比较。
做量化肯定选python，不过感觉门槛很高，至少是名校对应专业毕业，专业成绩还得靠前，
我个人感觉，这些行业就是被内卷化了，其实不需要这么高的文凭和门槛，
但求职的人太多，自然就不停选最好的，拿各种条件来比较。
野兽总是独行 牛羊才会成群
Re: 选股报告读后感
其实除了Python
C Matlab R 用的人也不少
公募对学历门槛要求比较高
有能力没学历可以去私募，不过私募良莠不齐
发现开了个头，又太监了
有空继续更新
看图出奇迹，看基本面穷三代
Re: 选股报告读后感
师兄们好！问个问题：东财国际证券上面有开 美国 华美银行 账户的， 要求银行账户资金保持2500美金，才不收取每个月10美元的管理费。 我不懂这个。 是不是 这2500美金不能转入券商的交易账户 买卖股票？ 另外，有没有更方便开户 和优惠的 国内客户的外币见证开户？求推荐。
看长做短，高抛低吸，日内做T，掌控心理！
Re: 选股报告读后感
20160812-东方证券-《因子选股系列研究之十》：ALPHA因子库精简与优化
一、研究结论
国内量化发展已有十余年，各家机构投资者的 Alpha 因子库也随之扩大，这
时会面临两个问题：alpha 信息源的重叠与因子间相关性处理。本报告将提
供这两个问题的解决处理方法，
我们基于 Fama-MacBeth 回归设计了一套 Alpha 因子筛选流程，剔除信息重
复的因子。在实证中，我们把 11 个 Alpha 因子筛选至 5 个，筛选过程几乎
没有 alpha 信息的损失，筛选前后的多因子多空组合表现相当。因子筛选可
以显著减少因子数量，继而减少需要估计的模型参数数量，提高估计量的准
确性，从而提升模型选股表现。
Alpha 优化采用的是 Qian(2007)的方法，这个方法有点类似股票组合优化，
alpha 因子充当了个股的角色。该方法可以很好的处理因子相关性问题，实
际运用的关键在于因子 IC 协方差矩阵的估计。传统样本协方差矩阵的估计
方差太大，效果不佳，本报告中采用 Ledoit（2003）提出的压缩估计量方法
和 Bootstrap 方法来提升估计量准确性，alpha 模型选股效果得到显著改善。
为便于叙述，本报告中采用的是 alpha 因子原始数据和原始收益率来计算 IC，
并未做风险中性化处理，但报告中的方法对风险中性的情况也适用，风险中
性后可以获得更稳健的多空组合。
二、从我们和机构投资者的交流情况来看，目前市场上做 Alpha 模型有两种方向：一种是“精英
型”，即寻找 IC 高、IR 稳定、表现优秀的“精英”因子，用少量的这些因子来构建组合；另一种
则是“群众型”，即建造一个大型 Alpha 因子库，单个 Alpha 因子可能表现不是非常出众，但是
它能贡献独立的 Alpha 信息源，有助于稳定收益。
两种方向对比而言，个人更偏向后者，因为这更符合分散风险的量化投资基本原理，但是大型
Alpha 因子库在提供多样 Alpha 源的同时，也带来大量无效和重复信息，若信息汇总处理不当，会
使得不同 Alpha 源被人为的放大或缩小权重，最终影响组合表现。另外，面对一个大型 Alpha 因
子库，投资者在找到一个新的 Alpha 因子时，有必要思考这个因子是否提供了新的 Alpha 源或只
是把现有 Alpha 因子库的因子信息进行了切分重组。
三、定价理论
（略）
有了定价理论，继而将因子分为以下四类：
1) Alpha 因子，这种因子的风险溢价均值的绝对值很大，方差很小，说明用这个因子来做选股
可以获得显著而且稳定的超额收益。
2) 风险因子，风险因子的风险溢价均值的绝对值很小，甚至接近于零，用这个因子来做选股长期
来看没有明显超额收益；但同时，由于它是一个显著定价因子，说明它对股价有影响；由于风
险溢价的方差很大，因此在构建组合时，应该尽量剔除此类因子的影响来获得稳定收益。
3) Alpha 因子&风险因子. 这类因子的风险溢价均值很大，说明它的选股能力很强，但同时它的
风险溢价方差很大，说明它的风险也很高，兼具 Alpha 因子和风险因子的特征。A 股市场上最
明显的例子是市值因子，从 09 年以来的历史表现来看，把市值因子归为 alpha 因子合理可行，
但是它的风险溢价波动也非常之大，例如 14 年 12 月小盘股跑输大盘股近 30%，但 15 年 5
月小盘股相对大盘股的超额收益超过 60%。拿这类因子做 alpha 还是风险因子，取决于投资
者自己的选择；我们目前的研究里面把市值当作风险因子，这个决定更多的是基于对未来的考
量。过去几年小盘股溢价的几个重要贡献因素，如：小盘成长股稀缺性、壳效应、大资金的操
盘，未来可能随着注册制的推行、市场监管的趋严而失效，我们预防的是未来风格切换风险。
4) 低效因子。此类因子的风险溢价均值和方差都很小，在投资中实用价值不大。
四、因子筛选与 Alpha 优化
1、因子筛选流程（参看研报）
2 Alpha 优化
经过因子筛选，剔除不能贡献独立 alpha 来源的因子后，下一步是要给各个 alpha 因子赋予权
重，把单个 alpha 因子的 zscore 加总成一个 zscore。传统方法是做等权处理，但这显然忽视了 alpha
因子之间的相关性，使得因子的权重被人为的放缩。一种改进的方法是复合因子方法，先把同一类
别的因子合成一个因子（例如：把 PE、PB 合成一个估值因子），再把这些复合因子进行等权加
总，这样做可以降低但不能消除因子间相关性的影响，而且在合成复合因子过程中，基本面因子的
逻辑比较清晰，比较好归类，但技术面因子的逻辑差别较大，很难分类；如果强行把所有技术面因
子归为一类的话，会降低技术面因子的权重，而 A 股目前的现状是技术面因子表现整体强于基本
面因子，因此这样做会降低模型表现。
后续的略了，可以看原来的报告
一、研究结论
国内量化发展已有十余年，各家机构投资者的 Alpha 因子库也随之扩大，这
时会面临两个问题：alpha 信息源的重叠与因子间相关性处理。本报告将提
供这两个问题的解决处理方法，
我们基于 Fama-MacBeth 回归设计了一套 Alpha 因子筛选流程，剔除信息重
复的因子。在实证中，我们把 11 个 Alpha 因子筛选至 5 个，筛选过程几乎
没有 alpha 信息的损失，筛选前后的多因子多空组合表现相当。因子筛选可
以显著减少因子数量，继而减少需要估计的模型参数数量，提高估计量的准
确性，从而提升模型选股表现。
Alpha 优化采用的是 Qian(2007)的方法，这个方法有点类似股票组合优化，
alpha 因子充当了个股的角色。该方法可以很好的处理因子相关性问题，实
际运用的关键在于因子 IC 协方差矩阵的估计。传统样本协方差矩阵的估计
方差太大，效果不佳，本报告中采用 Ledoit（2003）提出的压缩估计量方法
和 Bootstrap 方法来提升估计量准确性，alpha 模型选股效果得到显著改善。
为便于叙述，本报告中采用的是 alpha 因子原始数据和原始收益率来计算 IC，
并未做风险中性化处理，但报告中的方法对风险中性的情况也适用，风险中
性后可以获得更稳健的多空组合。
二、从我们和机构投资者的交流情况来看，目前市场上做 Alpha 模型有两种方向：一种是“精英
型”，即寻找 IC 高、IR 稳定、表现优秀的“精英”因子，用少量的这些因子来构建组合；另一种
则是“群众型”，即建造一个大型 Alpha 因子库，单个 Alpha 因子可能表现不是非常出众，但是
它能贡献独立的 Alpha 信息源，有助于稳定收益。
两种方向对比而言，个人更偏向后者，因为这更符合分散风险的量化投资基本原理，但是大型
Alpha 因子库在提供多样 Alpha 源的同时，也带来大量无效和重复信息，若信息汇总处理不当，会
使得不同 Alpha 源被人为的放大或缩小权重，最终影响组合表现。另外，面对一个大型 Alpha 因
子库，投资者在找到一个新的 Alpha 因子时，有必要思考这个因子是否提供了新的 Alpha 源或只
是把现有 Alpha 因子库的因子信息进行了切分重组。
三、定价理论
（略）
有了定价理论，继而将因子分为以下四类：
1) Alpha 因子，这种因子的风险溢价均值的绝对值很大，方差很小，说明用这个因子来做选股
可以获得显著而且稳定的超额收益。
2) 风险因子，风险因子的风险溢价均值的绝对值很小，甚至接近于零，用这个因子来做选股长期
来看没有明显超额收益；但同时，由于它是一个显著定价因子，说明它对股价有影响；由于风
险溢价的方差很大，因此在构建组合时，应该尽量剔除此类因子的影响来获得稳定收益。
3) Alpha 因子&风险因子. 这类因子的风险溢价均值很大，说明它的选股能力很强，但同时它的
风险溢价方差很大，说明它的风险也很高，兼具 Alpha 因子和风险因子的特征。A 股市场上最
明显的例子是市值因子，从 09 年以来的历史表现来看，把市值因子归为 alpha 因子合理可行，
但是它的风险溢价波动也非常之大，例如 14 年 12 月小盘股跑输大盘股近 30%，但 15 年 5
月小盘股相对大盘股的超额收益超过 60%。拿这类因子做 alpha 还是风险因子，取决于投资
者自己的选择；我们目前的研究里面把市值当作风险因子，这个决定更多的是基于对未来的考
量。过去几年小盘股溢价的几个重要贡献因素，如：小盘成长股稀缺性、壳效应、大资金的操
盘，未来可能随着注册制的推行、市场监管的趋严而失效，我们预防的是未来风格切换风险。
4) 低效因子。此类因子的风险溢价均值和方差都很小，在投资中实用价值不大。
四、因子筛选与 Alpha 优化
1、因子筛选流程（参看研报）
2 Alpha 优化
经过因子筛选，剔除不能贡献独立 alpha 来源的因子后，下一步是要给各个 alpha 因子赋予权
重，把单个 alpha 因子的 zscore 加总成一个 zscore。传统方法是做等权处理，但这显然忽视了 alpha
因子之间的相关性，使得因子的权重被人为的放缩。一种改进的方法是复合因子方法，先把同一类
别的因子合成一个因子（例如：把 PE、PB 合成一个估值因子），再把这些复合因子进行等权加
总，这样做可以降低但不能消除因子间相关性的影响，而且在合成复合因子过程中，基本面因子的
逻辑比较清晰，比较好归类，但技术面因子的逻辑差别较大，很难分类；如果强行把所有技术面因
子归为一类的话，会降低技术面因子的权重，而 A 股目前的现状是技术面因子表现整体强于基本
面因子，因此这样做会降低模型表现。
- 报告十.png (164.79 KiB) 查看 4261 次
看图出奇迹，看基本面穷三代