导语

本文简单介绍如何通过可视化的方式开发出一个价值选股策略。

标题也许看着有点蒙，什么意思呢？其实就是通过5条线连接的几个模块就能开发出一个简单的价值选股策略。我们先来看看策略截图。

策略思想介绍

该策略一共包括：证券代码列表、输入特征列表、基础特征抽取、数据过滤、Trade(回测/模拟)共5个模块。首先我们先介绍下策略的思想。

• 开始日期：2013-01-01
• 结束日期：2017-11-07
• 选股依据：根

买入条件： 选择过去30个交易日内，超大单净流入占比均位于所有股票的前5%。 这些股票的涨跌幅位于同期所有股票的前5%。

卖出条件： 或股票涨跌幅跌至同期所有股票的后5%。

\

策略源码：

说明：克隆下方策略请前往最新开发环境3.0中运行

{{membership}}

https://bigquant.com/codeshare/2c867588-95a7-4e47-afeb-a377cbe13776

\

• 声        明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 交易逻辑：每隔30个交易日，以开盘价买入当日0<PB<1.5且0<PE<15且有成交量较前一日放大1.5~2.5倍的股票；
• 每隔30个交易日，将不符合上述标准的持仓股票在第二天以收盘价卖出。
• 股票过滤：换手率小于20%，过滤ST，过滤北交所，过滤科创版，上市天数大于270天，市盈率小于50
• 排序规则：按照换手率从大到小
• 买卖时间：开盘买入，收盘卖出
• 初始资金：100万
• 持仓票数：5
• 持仓周期：1天

回测图：

![](/wiki/api/attachments.red

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

交易逻辑：

• 当收盘价5日均线大于10日均线时，以第二日开盘价买入；
• 买入后，当收盘价的5日均线小于10日均线时，以第二日开盘价卖出；

https://bigquant.com/codeshare/65912162-7c7b-4493-b5ee-43d3b92123c7

\

买入条件：

1. 今日开盘价大于昨日收盘价；
2. 5日收盘价均线大于10日收盘价均线的股票
3. 按PE升序排名取前十名,次日以开盘价买入；
4. 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。
5. 股票过滤：过滤ST，过滤北交所，上市天数大于270天
6. 初始资金：100万
7. 持仓票数：10只

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/77a6ec54-de06-49b2-a46d-fdc750de5299](https://bigquant.com/codesha

• 声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 声明：本策略需要在AIStudio 3.0环境下运行
• 买入条件：
• 5日均线大于10日均线，10日均线大于20日均线，20日均线大于40日均线，40日均线大于120日均线；
• 今日最低价小于10日收盘价均线 的股票，次日以开盘价买入；
• 买入后，如果5日均线小于40日均线，则次日以开盘价卖出
• 允许最多同时持有20只股票

\

策略源码：

[https://bigquant.com/codeshare/5051711d-1470-49f0-b448-e0cacfcf477b](https://bi

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：在财报公告日当天，筛选出净利润同比增长小于1的，并按照净利润同比增长排序

股票过滤：剔除ST、退市、非主板、上市时间小于365天的

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：3

持仓周期：30天

回测图：

\

策略源码：

{{membership}}

由于财务公告通常在晚上发布，在财务报表公告的第二日开盘买入归属母公司股东的净利润同比增长率百分比大于30%的且降序排名靠前股票(总持仓量不超过50只);\n\n买入并持有40个交易日后，以第二日开盘价卖出；

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/afed1970-8cc9-4e6f-95cb-8424092b3537

\

因子分析简介

当前的股票、期货、债券、期权研究均以因子投资为主流趋势，且势头越发明显。本文所指因子分析是多因子策略、指数增强策略、多空中性策略的基石，其研究好坏直接关系和决定了策略的收益能力（信息比率），常被业内人士所称研究之重中之重，策略之核心所在。

因子分析就是因子研究员每日的基础、必备工作，大概占据了其90%的工作量，他的工作成果直接服务策略研究员，策略研究员不一定知道因子的具体细节，他也没必须不需要

摘要

个股的日内交易特征是当日交易关键要素的概况。通过多维度刻画一段时间内高开低收以外的日内交易细节信息，使得低频交易成为可能。

利用个股分钟级别的量价数据构造月频因子，我们更为推荐两步算法：首先刻画个股日内交易特征，再统计当月的日内交易特征。其更能突出体现个股日内交易细节信息，且与传统因子相关性较低。

日内交易特征可分为交易情绪、参与者结构和博弈状态三大类。我们分别对三大类因子特征进行举例说明，并对各因子进行有效性检验。多空有效的因子包括：日内BETA、最高级出现时间、收盘成交量占比、成交量变异数比率、量价非平稳时间序列相关性等。月度IC绝对值在3%-4%之间。

在组合构建端我

摘要

本文主要介绍超预期幅度因子的定义、分析师超预期股票收益特征分析和分析师超预期选股策略的构建。首先我们介绍精确到单季度的净利润超预期幅度ESP因子算法，然后我们对超预期股票的收益特征进行分析，发现EP_TTM和过去一个月收益率两个风格因子可以很好地解释超预期股票的收益来源。最后每月底根据EP_TTM和过去一个月收益率两个风格因子限定样本池，然后选取净利润超预期幅度最大的20只股票构建超预期20组合。组合基本上每年稳定战胜中证500指数，可以作为中证500增强的补充组合。

分析师超预期幅度因子定义

分析师超预期幅度ESP因子可以定义如下：ESP =（单季度实际净利润

摘要

量化投资与多因子选股

量化投资的本质是借用计算机将传统投资的逻辑定量化，并具有纪律性、程序化等优势。量化投资主要分为两个大方向，选股以及择时，分别决定了买卖的标的与时点，而量化选股则又包括了多因子选股、行业轮动、事件驱动等策略。量化策略的前提假设是历史会重复，而多因子选股则提炼出那些能够长期具备择股能力的因素，并加以整合。 多因子模型从历史数据分析，挑选出能够长期有效甄别出未来高收益股票的因子，并构建模型。在多因子选股时，股票的规模、估值、盈利水平、成长能力、过去的市场表现等等都将体现在量化模型中进行综合的判断。在不同的市场环境中，模型中的因子会有不同的表现，但整体提供

摘要

基于业绩公告相关文本的SUE.txt因子可以刻画PEAD效应

盈余后价格漂移效应（PEAD）是指股价在盈余公告发布后有较大概率向业绩高于或低于预期的方向漂移。传统SUE因子基于公告财务数据来衡量PEAD效应并预测股票的异常收益，而本文尝试从纯文本的角度出发构建文本SUE.txt因子，对文本进行解构从而挖掘alpha信息。基于业绩预告与相关研报文本的数据实证表明，SUE.txt因子具有较强的选股能力，机器学习模型对文本的拆分和解构与直观逻辑相符，模型可信度较高。最后使用华泰金工因子库对SUE.txt基础池进行增强，20130104-20211231回测期年化收益43.47

摘要

报告取名“凤鸣朝(zhāo)阳”，是因为我们在股价日内模式的研究中发现：交易日上午的价格行为，较之于下午的价格行为，蕴藏了更多可用于选股的信息量。知情交易者更加倾向于在每日上午进行交易，因此上午的股价涨跌更加能够反映知情交易者的多空态度。

我们通过测算股价行为上午与下午的差异，构建了用于选股的APM因子。因子值越大，表示知情交易者越倾向于做多；因子值越小，则表示知情交易者越倾向于做空。根据APM因子对所有A股进行排序并等分五组，多空对冲的年化收益为17.0%，信息比率2.89，最大回撤6.39%，月度胜率80.5%，收益回撤比为2.66，显示出较强的选股能力。

将APM因子

摘要

系列前期报告《高频数据应用系列研究（一）——使用高频数据跟踪核心资产的公募基金持仓变化》讨论了使用高频数据对于基金披露的持仓进行持续修正，并得到个股上公募基金持仓占比预期的方法。本文在前期研究的基础之上，探讨了公募基金持仓占比预期（后文简称公募持仓预期）在选股以及行业轮动策略中的应用。

模型跟踪表现良好

对于公募持仓占比较高的股票，个股公募持仓预期具有相对较好的拟合效果。此外，基于个股公募持仓预期，可向上合成特定行业的公募持仓预期。行业公募持仓预期样本外拟合效果同样较好。

基于个股公募持仓预期构建选股因子。在构建选股因子时，可考虑从以下两个角度出发：

摘要

北上资金又称“聪明钱”，指外部投资者通过大陆和香港股票市场的互联互通机制，直接参与A股市场。本文就北上资金的选股策略进行深入研究，从单因子选股、事件驱动两个角度去挖掘北上资金的投资策略。

北上资金持仓风格分布

通过对比北上资金持仓、沪深300指数及中证500指数的行业暴露和barra风格因子暴露，行业暴露上来看，其持仓行业分布更偏向于沪深300的风格。另外，其相对于沪深300超配的行业有食品饮料、医药、家电，此三个行业也均为其重仓行业，其中食品饮料行业的持仓最大，占比达17.7%。风格暴露上来看，北上资金持仓股票在市值风格、流动性、beta上均与沪深300的风

摘要

本文作为“猎金”系列报告的第三十一篇，我们对A股市场分析师一致预期的准确性进行了研究，并构建了分析师预期偏差因子，进而基于分析师预期偏差构建相应的选股策略。 我们对全样本A股分析师一致预测偏差数据进行了统计分析，其平均绝对偏差（即偏差的绝对值的平均）高达131.53%，平均值也高达118.94%，对应的T检验统计量的值为25.11。表明A股市场分析师一致预期EPS同样存在显著的偏差，而且整体来看，分析师一致预期明显偏乐观。 我们基于事后的分析师一致预测偏差构建了事件驱动策略，结果显示分析师低估个股在年报公布日之后的60个交易日的超额收益达1.5%以上。分析师大幅高估个股在年报公布日

摘要

近年来，随着投资者对于因子选股体系研究的深入，选股因子值的处理也在逐渐细化。本文主要对于选股因子的正交进行了讨论。之所以讨论因子的正交是因为在传统的多因子模型中，选取的因子之间往往存在着相关性，而这种相关性并不稳定。因此相关性的存在会复杂因子权重的分配。对于等权分配因子权重的多因子模型，由于因子之间相关性的存在，模型可能实际上对于某一因子有更高的暴露（例如，市值因子）。对于权重优化的模型，相关性的影响可能会更大。因此，本文考虑在构建因子的时候就对于相关性进行剔除从而达到更为可控的因子暴露。

选股因子截面相关性波动较大。以市值因子与反转因子为例，虽然两因子截面相关性长期来看均值较

摘要

分析师预期数据与其他因子的结合方法

在多因子选股中使用分析师预期数据时，最常用的方法是将预期数据与其他因子合成，或共同用于预测股票收益，这相当于因子间的并联处理。但股票的分析师预期数据存在很多缺失值，这会影响到正常使用。BL 模型则很适合于处理这类有较多缺失值的因子。

我们在本篇报告中研究了分析师预期数据的串联使用方法：即先构造不含分析师预期数据的传统多因子组合，然后在组合外部通过 BL 模型及分析师预期数据重新计算股票权重，两部分结合后形成新的股票组合。

多数情况下串联组合有更好表现

本文的目的是进行方法上的对比，因此并没有对多因子组合做过多优化，仅按照

/wiki/static/upload/9f/9ff3537c-f8ec-4c65-9a4f-dcf9c1124789.pdf

\

/wiki/static/upload/07/07e75486-8706-4d01-b6d4-da053eb2f18e.pdf

\

问题

请问这个链接中的https://bigquant.com/wiki/doc/rengongzhineng-xilie-senlin-moxing-zhengquan-20170831-WPCkF2qaZd策略源码可否分享一下呢，新手小白对里面的一些细节难以复现出来，谢谢分享

问题

平台能不能实现 先选股+后排序？

解答

已有完善的选股策略，选股结果过多，没有找到好的排序方法。听说平台有一个stockranker很好用，我就想试试，在自己研究的时候发现，发现两种方案：1是传统方案，2是AI方案。

传统方案，比如海龟策略等，可以得到选股结果，但是里边没有模型训练，也就没有排序的功能；

AI方案，在输入特征因子的时候，只能输入选股结果相关的属性，所以不能实现先选出结果后用stockranker排序；（我理解是选股结果对AI来说就是0和1，所以什么都学不到？）

我在想如何把两者结合起来，先用传统方案选股，再用AI方案对选股结果排序

大家有什么好的

导语

大部分初学AI-量化的同学做选股策略的做法都是简单粗暴将全市场的股票数据都放入模型训练， 然后企图训练出一个万能模型-图灵机， 寄希望于仅仅只通过暴力的数据挖掘，或者某些因子，就可以打造出一个适应于 任何行情的选股模型--圣杯。

但遗憾的是，A股市场中的数据噪音是很大的，不同的市场环境，不同的因子的选股效

策略案例

https://bigquant.com/experimentshare/7f7021993a9f40149189be939e15c882

\