米筐三季度策略精选

转眼间即将进入金秋十月，小编为大家整理了三季度社区的精选帖子，大致分为多因子、期货、机器学习、其他四个分类。由于微信不能带外部链接，因此只能略作介绍，大家若感兴趣，点击阅读原文可以跳转到社区的精选帖子，看看代码，为作者点个赞。

东方即将泛白，大雾尚未散尽。在一同奔向目标的过程中，我们诚心感谢为社区添砖加瓦的你们。

多因子系列

带权重的多因子策略 1.0------戴宇

首先选择股票池和因子进而对每个时期的因子暴露度进行标准化和异常值处理。

因子分析：取前两个月作为有效因子鉴别，因子权重处理的分析时间段。 因子判别规则： 对暴露度与下一期的收益的 pearson/spearman 得相关系数作为 IC，IC 是计算 IR 的基础。
因子权重：复合因子的 IR 最大的向量。
有效因子的鉴别就是单个因子 IR 绝对值最大的 3 个因子

最后通过将股票的暴露度分成 N 组，将因子的权重和组号相乘，每个因子得分相加作为股票此时的总分，取得分最高的股票进行交易

当前市场行情最强势三因子-----汪逸飞

使用今年 1 月到五月的数据结合决策树和 adaboost 算法找出当前市场最强的三因子。

Fama-Franch 三因子及其拓展五因子模型------众生怜悯

作者表示尽管很多人批评 Fama-Franch 欠缺理论基础，但是事实而言小市值和低 pb 确实具有 alpha。关于小市值，作者的理解出于三点：1、国内长期以来的壳价值，据估算，国内得到壳价值大约为 15 亿（特殊牌照加钱），当价格偏离过大时，具有回归的趋势。2、从 80 年代到今的科技公司的推动，多数人不具备筛选出‘’真金‘’的能力，从而带来了整体的高溢价，从而容易带动低市值股票价格的增长。3、船小好掉头，不确定收益更多。PS 显然要容易解释的多，更少的货币资产可以买入更多的股权资产。本文做出了三因子相应的研究及五因子的拓展。

市值因子选股+FFScore 打分+限价策略止损------张士衡

先利用市值因子选股的方法先选出一组市值在前 1000 的股票，比然后再利用 FFScore 的方法进一步选股。

FFScore 模型的 9 指标模型主要从盈利水平、财务杠杆及流动性和运营效率三个角度对公司的投资价值进行了衡量。其中，盈利水平考察了资产收益率、经营现金流量、资产收益率变化与公司自然增长获利；财务杠杆和流动性主要考察了杠杆的变化、流动性变化、是否发行普通股权；运行效率主要考察了毛利润率变化及资产周转率变化。

我们考虑将 FFScore 模型与市值思想结合，一方面充分考察企业运营状况，另一方面则对风险进行控制。同时最后作者通过限价止损控制了回撤。

使用 Alphalens 进行因子分析------戴宇

按照市值分组，使用 AlphaLens 对 pe 因子进行分析，一共有：Quantiles Statistics，Returns Analysis，Information Analysis，Turnover Analysis 本文详细介绍了数据的预处理（去除异常值和标准化）、将因子相关数据处理成 Alphalens 所需格式、如何使用 Alphalens，以及如何解读各分析结果。

因子拟合个股收益------戴宇

试用前 N 天的基本面因子和技术因子拟合个股的收益，思路如下： 1、选一个特定股票，计算收益率。 2、选取一些因子，并将它们分类，处理因子数据。 3、选过去 N 天每一类中 IC 比较高的因子。 4、每一类因子都进行降维得到每一类的代表值。 5、将过去 N 天每类因子的代表值和过去 N 天每天的收益回归，用此回归系数根据当期的每类因子代表值预测当期收益。 6、评估时间窗口的预测能力。

机器学习系列

PonderLSTM 和 PonderDNC 日频期货的简单应用——猫狗大战

使用 RQAlpha 实现相关逻辑，作者通过手写画图的方式来讲解，十分特别。

浅析最强 RNN 可微分神经计算机——猫狗大战

本文介绍了可微分神经计算机（ Differentiable Neural Computer，DNC ）的原理以及有点，并提供了代码实现。

机器学习系列：算法基础----线性回归——郭增岳

本文从最简单的一元线性回归到多元线性回归，再到高深一点的岭回归，lasso 和弹性网，通过一些理论基础与一些实践的小例子来加深大家的理解。

机器学习系列：算法基础----聚类

聚类分析是一类将数据所研究的对象进行分类的统计方法。聚类的特点为：事先不知道类别的个数与结构；据以进行分析的数据是对象之间的相似性或相异性的数据，将这些相似（相异）性数据看成是对象之间的“距离”远近的一种度量，将距离近的对象归入一类，不同类之间的对象距离较远。与分类算法不同的地方为，聚类事先不需要有样本的标签，它可以实现自动地归类，属于无监督学习。

本文介绍了聚类的特点以及常用算法，并提供了聚类的实际应用例子。 文章采用股票的市值，以波动率作为特征，进行 KMeans 聚类，并分别建立基于 lasso 回归的多因子模型，再根据模型预测的收益排序选取股票。

期货系列

期货基石系列------ipreacher、金尾巴

期货基石系列出自米筐实习生之手，代码全注释。内容深入浅出、由容易入难，从技术分析到量价关系都有所涉猎，实乃入门必备。

基于开收盘价格间的相对关系变化进行判断的策略 由于上升趋势中的收盘价通常大于开盘价，而下降趋势中的收盘价通常小于开盘价，故本文通过开收盘价之间的关系判断市场的趋势，构建系统交易规则。

均线和 K 线形态的高低点突破

本策略是基于一种两根 K 线的组合形态：一根收盘上涨、一根收盘下跌，或者一根收盘下跌、一根收盘上涨。 多头：找到先收弱后收强的形态作为上升趋势的做多点 空头：找到先收强后收若的形态作为下降趋势的做空点

其他

彼得林奇 PEG 投资法------weiwei

著名的投资大师彼得·林奇（ Peter Lynch ）有过一个著名的论断：任何一家公司股票如果定价合理的话，市盈率就会与收益增长率相等。这就是 PEG 估值法，PEG 在综合考虑了低风险以及未来成长性的因素，可用于股票价值评估。

策略思路

1. 设置沪深 300 为初始股票池，实际情况中，将当日停牌的股票剔除，得到可行股票池。 2.应该过滤掉市盈率（ PE ）为负值，或收益增长率（ G ）为负值的股票，因为 PEG 比较适合于成长型公司。 3.接下来挑选出 PEG 最低的十只股票，且它们的 PEG 值要小于 1，把它们作为调仓时要买入的股票。 4.进行调仓，卖出不在买入列表中的股票。对于在买入列表中的股票，分配资金执行买入操作。 5.每天运行一次止损函数

研报复现：资本利得突出量 CGO 与风险偏好——汪逸飞

广发的研报基于前景理论和处置相应通过构建 CGO 因子实现分层选股，证明当 CGO<0 时小市值因子较有效、CGO>0 时 15 日振幅因子较有效，两者结合效果优于单一小市值因子。研究复现结果与研报大相径庭。

绩优势好价低-选股三部曲——温欣

一个选股研究:综合考虑基本面，技术面以及估值。适合绝大多数入门的人阅读的一个研究哦。