摘要

羊群效应反映的是个别股票的上涨或下跌引起相关股票收益率联动的现象，继而形成整个板块的趋势性运动。我们通过 CCK 模型捕捉羊群效应所引起的这种板块强趋势。 模型不涉及参数，因而表现受市场状态影响较小，更具普适性。策略着眼于指数成分股组合内部微观结构的变化，进一步丰富了择时策略的逻辑维度。

羊群效应发生时，板块成分股收益率出现同向联动，也即收益率相关性增强，离散程度减弱，这也正是羊群效应经典识别模型——CCK 模型的核心思想。 羊群效应的产生和市场、风格等多种因素有关，为了让模型捕捉到更多信息，我们将 A 股综合日市场回报率引入 CCK 模型。 对于宽基指数，羊群效应策略效果和市

摘要

股票市场的逐笔数据，蕴藏了极为丰富的alpha源。本系列研究取名“订单簿的温度”，旨在分享我们在逐笔成交数据层面的研究成果。本报告为系列研究的第2篇。

本篇报告中，我们首先定义了股票逐笔委托量中的帕累托法则：越小的委托量出现的次数越多，越大的委托量出现的次数越少，委托量的频率分布服从幂函数（power law）衰减。在此现象的基础上，我们构建了用于选股的帕累托因子。在剔除Barra因子之后，委买量帕累托因子、委卖量帕累托因子的信息比率，分别达到2.36、2.20。

正文

[/wiki/static/upload/ba/ba6df98e-8fe7-4cae-b627-a

\

摘要

本期的两篇文献聚焦在分析师预期偏差和假日效应两个维度。第一篇文章主要介绍了传统的分析师预期因子存在习惯性偏差，对此构建策略进而从中获利。 第二篇文章综合介绍和对比了不同国家股票市场存在的假日效应，可以将这类假期效应运用在投资策略的构建中。

正文

/wiki/static/upload/68/68aa3427-1be4-4550-92f4-732f3501bba4.pdf

\

摘要

风格在债券投资中的应用系统性风格投资在股票市场越来越受欢迎，但在固定收益市场中的应用却少得多。在本文中，我们发现无论是选择政府债券还是公司债券，已经应用于选股的经典风格溢价——价值、动量、carry和防御因子——在固定收益市场中表现也十分突出，固定收益可能是风格投资的下一个前沿。

盈利指标的紧缩指数传统盈余指标难以提供独立于三因子的收益率预测能力。Novy-Marx在年提出一个新的盈余指标：毛利润总资产比（GP2A）；相比于传统的净利润类指标该指标具有更强的收益率预测能力。Novy-Marx认为其原因在于毛利润是相对于净利润更“干净”的盈余衡量变量，净利润指标中混杂了诸多噪音。

最近有很多篇关于CTA危机alpha之类的文章，讨论来讨论去不知所云。

一般所谓的alpha，这是针对股票市场而言的。比如一只股票的日线收益率，对市场的收益率，做一个带常数项的线性回归，那么得到的常数项就成为alpha，系数成为beta，这是最原始的定义。

这个定义的含义在于，把一支孤股票的收益率拆分成两项：一项是跟市场整体收益率相关的，比如市场涨1%，它跟着涨0.5%，那么beta就是0.5；另外一项是跟市场涨跌无关的，就是alpha项，如果是正的，就称为超额收益。

一般认为，跟随市场涨跌那部分收益，是承受了市场涨跌风险的，所以这部分收益不能算作投资经理的水平。只有跟市场涨跌无关的那部

摘要

1. 羊群效应反映的是个别股票的上涨或下跌引起相关股票收益率联动的现象，继而形成整个板块的趋势性运动。我们通过CCK模型捕捉羊群效应所引起的这种板块强趋势。
2. 模型不涉及参数，因而表现受市场状态影响较小，更具普适性。策略着眼于指数成分股组合内部微观结构的变化，进一步丰富了择时策略的逻辑维度。
3. 羊群效应发生时，板块成分股收益率出现同向联动，也即收益率相关性增强，离散程度减弱，这也正是羊群效应经典识别模型——CCK模型的核心思想。
4. 羊群效应的产生和市场、风格等多种因素有关，为了让模型捕捉到更多信息，我们将A股综合日市场回报率引入CCK模型。
5. 对于宽基指数，羊群效

AI量化策略快速理解

https://bigquant.com/wiki/doc/celve-Uu3N6WbJNJ

机器学习在股票市场上应用价值初见成效，不少机器学习的策略远远超过大盘。虽然目前平台的实盘交易功能还未对外开放，但是不少策略开发者已经在实盘跟踪自己的策略了。

1.功能背景

用户在实盘中可能会遇到实盘账户数据和模拟交易运行数据不一致的情形，比如模拟交易的交易计划里提醒今天收盘时卖出A股票1000股，但今天碰巧由于断网导致卖单失败了。于是当日清算后，模拟交易策略里没有1000股A，但是实盘账户里该股票还继续持有。 策略次日会买入新股票，但实际由于收盘卖出失败，其实没有资金买入新股票。如果不对此类问题进行调整处理的话，随着交易日逐渐增多，那么实盘和模拟交易的差异会逐渐扩大，时间长了会

导语

本文将介绍LSTM模型的原理与构建其选股模型的流程

LSTM简介

循环神经网络（RNN）

传统的神经网络是基于所有时刻的输入和输出间相互独立的假设来生成已学习数据的静态模型，并根据新接受的数据进行运算。但在很多情景中，如语音识别中预测当前的单词的含义，需要知道之前的输出结合上文语境做出判断，循环神经网络（Recurrent Neural Networks，简称 RNN）可以用于解决这类问题。 循环神经网络也被称为递归神经网络是受到人类对于近期事件会有所保留的背景而启发，循环神经网络会随着数据的输入生成动态模型。 理论上，RNN可以支持无限长的时间序列，然

策略案例

https://bigquant.com/experimentshare/8594992a1d9345d98cbe949eb6297067

\

LSTM Networks应用于股票市场之Functional Model。本文是已初步探索，如下示例中 使用 LSTM 预测沪深300 涨跌。

用一个input（6 features * 30 time series）训练LSTM，将训练结果与另一个辅助性输入label(np.round(close/500))一起作为input输入至Dense层 LSTM future_return_5作为output（time series=30,features=[‘close’,‘open’,‘high’,‘low’,‘amount’,‘volume’]）

策略案例

[https:/

/wiki/static/upload/32/32df9f86-84af-416f-8426-7540afe85a32.pdf

\