林晓明 S0570516010001 研究员
黄晓彬 S0570516070001 研究员
张 泽 S0570118080149 联系人
报告发布时间:2020年9月1日
摘要
自2016年以来华泰金工已相继开发多类择时模型,本文综合考虑了量价择时模型、风险收益一致性模型、PE变动指标择时、牛熊指标择时和双均线策略的多空信号,并在历史上根据5类择时模型看多信号的加总个数进行回测验证,策略表现显著优于沪深300指数本身。截至2020年8月31日数据,5类择时模型有4类看好股市后一个月表现,根据多空信号个数决定股票仓位的等权方案和决定风险预算配比的权重方案发出的9月仓位分别为80%和100%。
8月风险资产普涨,A股食品饮料行业领涨,商品指数近3月持续上行
当前处于基钦周期上行区间,风险资产处于周期上行轨道,近一月股票、商品(2020/07/31-2020/08/31)表现优异。全球主要股指中,纳斯达克8月涨幅靠前,欧洲股市表现较差。A股各行业大多上涨,食品饮料行业领涨。周期和金融板块当前估值历史分位数低于消费成长,基钦周期上行阶段企业盈利复苏,或迎来配置机会。8月CRB指数普涨,家禽现货领涨,铜、锌、铝、铁等基本金属期货价格指数近三月持续上行。
美元指数持续走弱,中国债券资产表现欠佳,美欧长债利率上行
自今年3月份疫情在全球爆发以来,美元指数持续走弱,近3月跌幅达到6.08%。8月中国各期限国债利率持续走高,美欧长期限国(公)债利率也有所上升。中债新综合净价指数、国债净价指数、信用债净价指数近一月均下跌。
华泰金工根据多种市场规律开发了多类A股择时模型,历史预测效果佳
量价择时模型与华泰金工周期模型的思想一脉相承,采用价量的对数同比数据对市场进行判断;风险收益一致性择时模型从行业角度入手,测算贝塔与收益的相关关系并判断市场环境;利用PE变动指标构建量化择时策略,将估值因素纳入考虑;牛熊指标根据波动率和换手率构造,可以划分市场涨跌状态。回测结果显示,多类择时模型的综合策略表现显著优于沪深300。
贝塔、量价、估值、均线择时模型看多9月股市,配置仓位较高
综合5类择时模型的月度多空观点,股票仓位可由看多信号个数所决定。当看多信号个数越多,则股票持仓越高或股债风险预算比例越大。采用截至2020年8月31日的最新数据,5类模型有4类看好后一个月的沪深300走势。根据多空信号个数决定股票仓位的等权方案发出的9月仓位为80%,根据多空信号个数决定风险预算配比的权重方案发出的9月仓位为100%。
风险提示:本文基于系列研究对全球各类经济金融指标长达近百年样本的实证检验结果,确定使用的市场周期长度。然而市场存在短期波动与政策冲击,就每轮周期而言,暂无法判断具体长度。基于历史规律的总结存在失效风险。
8月境内外大类资产表现:风险资产表现明显优于债券资产
近3月(2020/06/01-2020/08/31)股票和商品表现优异,股票指数涨势靠前,商品持续上行。黄金近一月有所回落,中债-新综合财富指数整体表现弱势,美元指数表现较差。
风险资产周期上行,8月股市与商品双涨
8月全球主要股指上涨,美股涨幅居前,今年以来A股表现明显好于全球
8月份美国纳斯达克指数涨幅靠前,指数涨幅12.44%,欧洲股市表现相对较弱。A股各主要指数表现差异不大,上证50上涨5.73%,沪深300上涨6.04%。
8月A股行业指数大多录得正收益,食品饮料涨幅领先,商贸零售垫底
8月食品饮料行业指数收益最高,涨幅达11.41%;国防军工行业指数收益率次之,为6.71%。国内行业指数大多上涨,商贸零售、消费者服务、医药行业表现较差。
年初至今,食品饮料收益率最高,消费者服务和医药行业次之,银行和煤炭行业收益率较低。具体地,食品饮料行业收益率64.71%,消费者服务行业收益率59.98%,医药行业收益率57.52%。
今年以来,消费、成长风格指数涨幅领先,周期股表现较弱。在当前短周期上行、企业盈利复苏的环境下,估值相对较低的金融和周期股或将迎来配置机会。
8月商品普涨,基本金属持续上行,油价持续回升,黄金价格震荡
8月份商品市场普涨,CRB家禽现货涨幅最高,为9.19%,食用油、食品现货、工业、金属涨幅也均超过3%。美油和布油价格持续反弹,分别上涨7.26%和5.36%。黄金价格有所震荡,伦敦金涨幅0.57%,上海金下跌1.84%。
近三月来,在经济短周期上行的推动下,铜、锌、铝、铁等基本金属期货价格指数持续上行,LME锌涨幅达到24.31%, LME铜涨幅达到21.70%, LME铝涨幅达到16.90%,DCE铁矿石涨幅达到12.16%。
美元指数进入下行区间,中国国债利率持续走高
美元指数持续走弱,近三月跌幅达6.08%
今年以来美元指数整体呈现出从趋势上行到震荡再到下行的走势。近3月内,美元指数持续下跌。在美联储基准利率维持低位、美国二季度经济数据不容乐观的情况下,美元指数近一月(2020/08/01-2020/08/31)跌幅达到1.41%。
中国各期限国债利率持续走高,债券指数均下跌
近一月(截至2020/8/31)中国国债利率上行,3个月和5年期限国债利率上涨超过25BP,美国利率和欧盟长期限国(公)债利率小幅上行。中国主要债券净价指数均下跌。
华泰金工5类量化择时模型有4类看多A股9月表现
贝塔、量价、估值、均线择时模型看多9月股市
华泰金工在2016年9月《华泰价量择时模型》,2016年11月《技术指标与周期量价择时模型的结合》,2017年5月《华泰风险收益一致性择时模型》,2019年9月《波动率与换手率构造牛熊指标》的等深度报告中相继开发多类择时模型,具体包括:
(1)量价择时模型与华泰金工周期模型的思想一脉相承,采用行业价量的同比数据进行择时判断;
(2)风险收益一致性择时模型从行业贝塔与收益的相关关系判断市场环境;
(3)考虑股市估值因素,利用PE变动指标构建量化择时策略;
(4)根据波动率和换手率构造牛熊指标以刻画市场涨跌状态;
(5)另有利用经典的双均线指标开发一个简单的择时策略。
各模型的详细介绍和回测表现可参见附录部分。
每个择时模型都会在月末发出看多或者看空的信号,如果我们综合各类择时模型的多空观点,加总可得到对于股市的最终看多信号个数。
根据2020年8月31日的最新数据对5类择时模型进行测算,结果显示,其中量价择时、风险收益一致性、PE变动指标和双均线指标均看好未来的股市表现,仅有牛熊指标未发出看多信号,各类择时模型整体对后市持乐观态度。下图展示了2010年4月至2020年8月每个月份的5类模型看多信号个数。
根据多空信号个数决定股票仓位的等权方案发出9月仓位80%的信号
我们采用沪深300和中债新综合财富指数进行回测检验,其中股票资产的配置比例由上述5个择时模型的看多信号个数决定。这相当于直接构建了股票权重与看多信号个数之间的关联关系。在回测时不考虑交易费用,采用月末固定调仓,不配置股票的仓位都用来配置中债新综合总财富指数。可以看到该策略历史回测表现明显优于沪深300指数,目前最新的8月份数据显示看多信号个数为4,所以指示股票仓位为100%。
根据多空信号个数决定风险预算配比的权重方案发出9月满仓的信号
我们采用沪深300和中债新综合财富指数进行回测检验,其中股债风险预算之比由上述5个择时模型的看多信号个数决定。这相当于先构建了看多信号个数与风险预算之间的关系,然后由风险预算模型决定最终的股票权重,好处在于可进一步将股市的波动风险纳入考虑。其中关于风险预算模型的原理介绍,可参考2020年2月的深度报告《风险预算模型的预算分配方式研究》。可以看到该策略历史回测表现明显优于沪深300指数,目前最新的8月份数据显示看多信号个数为4,所以设置股债风险预算之比为100:1,模型对应优化求解出的股票仓位为100%。
综上所述,根据5类择时模型看多信号个数采用的等比例加权重方案和风险预算方案都能取得较好的配置表现,相比于沪深300指数本身均具有较高的超额收益。根据2020年8月31日的最新数据对5类择时模型进行测算,结果显示,其中量价择时、风险收益一致性、PE变动指标和双均线指标均看好下一个月的股市表现,仅有牛熊指标未发出看多信号。根据100:1的股债风险预算得到的股票权重为100%,根据等比例加权重方案得到的股票权重为80%。各类择时模型整体对后市持乐观态度。
风险提示
本文基于系列研究对全球各类经济金融指标长达近百年样本的实证检验结果,确定使用的市场周期长度。然而市场存在短期波动与政策冲击,就每轮周期而言,暂无法判断具体长度。基于历史规律的总结存在失效风险。
附录:华泰金工择时模型简介
量价择时模型与华泰金工周期模型的思想一脉相承
华泰金工在2016年9月和2016年11月分别推出《华泰价量择时模型》和《技术指标与周期量价择时模型的结合》两篇深度报告,构建量价择时模型并回测分析模型表现。
模型构建的理念是,当A股大牛市来临时,所有行业都会上涨,熊市期间也少有行业能够独善其身,因此可以从行业层面对A股的整体市场环境进行观察。正所谓春江水暖鸭先知,当大级别行情来临之前,部分行业可能已经出现了一些迹象,这些行业的表现会是观察整体市场的领先指标。华泰量价择时模型从行业出发,根据价量信息对每个行业做出看多或者看空的判断,然后综合所有行业的多空观点对大盘做出判断。
成交价和成交量是反映行业表现的关键指标,二者的原始序列有较高的正相关性,但成交量的长期趋势斜率更大,两个数据匹配效果欠佳。然而对价格序列取和累积成交量取对数同比变换之后,二者的相关性有所增强。这一步的处理方法与我们华泰金工周期理论的数据处理方法一脉相承,我们认为使用同比序列观察价量关系更容易观测到供需理论中价量同涨同跌的效应。
如果按照上述多空信号构建择时策略,当看多时全仓配置沪深300,当看空时清仓,则回测净值曲线如下:
风险收益一致性择时模型从行业贝塔与收益的相关关系判断市场环境
华泰金工在2017年5月推出《华泰风险收益一致性择时模型》,利用行业收益率与贝塔之间的关系构造择时模型。
根据资本资产定价模型,行业的当期收益率为市场组合当期收益率乘以行业贝塔。在行业贝塔相对稳定的情况下,当市场上涨,高贝塔行业将会有更高的涨幅,市场下跌低贝塔行业更具有防守性质。这是市场涨跌相对稳定的结构关系,贝塔一定程度上反映了市场风险在资产上的表达密度。行业收益率与其贝塔之间存在相对稳定的关系,贝塔也是风险的度量。
基于此,华泰风险收益一致性择时模型的基本思想是,当行业的收益率与其贝塔呈现较好的正相关时,可以认为市场收益率为正,市场处于上涨状态;当行业的收益率与其贝塔呈现负相关时,可以认为市场收益率为负,市场处于下跌状态,利用这种关系即可构造择时模型。
本文采用的风险收益一致性模型判断市场多空的具体规则如下:
1) 选取沪深300指数与中信一级行业指数作为市场基准数据与行业基准数据,获取各自的周频数据,并计算行业贝塔值
2) 以Spearman秩相关系数衡量行业贝塔与收益的一致性,秩相关系数的绝对值越大,说明贝塔与收益趋于一致,即高贝塔的行业收益更高时,反之则是高贝塔的行业收益更低
3) 当Spearman秩相关系数的绝对值大于阈值,则记一次看多/空指令,连续两次看多/空则发出正式多空信号
4) 将周频信号转为月频,以每月最后一周的持仓信号作为下一个月的持仓信号
如果按照上述多空信号构建择时策略,当看多时全仓配置沪深300,当看空时清仓,则回测净值曲线如下:
考虑股市估值因素,利用PE变动指标构建量化择时策略
PE是市场的估值指标之一,是衡量股市贵贱的重要参考指标。PE原始序列波动大且具有趋势项,不利于作为择时指标。然而PE的变动值与股票指数的变动有着很强的相关性。当PE变动率增加且大于0的时候,股票指数上涨的概率也很大。
如果按照上述多空信号构建择时策略,当看多时全仓配置沪深300,当看空时清仓,则回测净值曲线如下:
根据波动率和换手率构造牛熊指标以刻画市场涨跌状态
2019年9月和2020年4月华泰金工分别推出《波动率与换手率构造牛熊指标》和《牛熊指标在择时轮动中的应用探讨》两篇报告,基于波动率和换手率构造出牛熊指标并对市场进行择时判断。
波动率和换手率是常见的市场监测指标。对于股票市场来说,下跌时的波动率往往比上涨时的波动率更高。换手率的上升与下降往往与股票市场本身有强相关性。借助于波动率与换手率能够很好的将市场进行分类,牛市与熊市都有与之对应的明确的组合特征。
我们借助于波动率与换手率可以将市场分为四种状态:波动率换手率同时上行、波动率换手率同时下行、波动率上行换手率下行、波动率下行换手率上行。在波动率上行、换手率下行的状态下,市场是典型的熊市特征,市场的下跌一方面会使得波动率上行,另一方面会使成交量萎缩;在波动率和换手率同时上行时,市场是典型的牛市特征,市场快速上涨使得波动率上行,投资者的交易热情高涨使得换手率上行;波动率下行、换手率上行时,市场表现也比较好,这个阶段经常是牛市的初期或者熊市之后的反弹;波动率和换手率同时下行,往往发生在震荡市中,市场方向不明确。
利用波动率和换手率能够构造出与市场长期走势明显负相关的指标,而且指标趋势性较好,可以用来判断股市牛熊。牛熊指标能够弥补单一使用波动率、换手率对震荡市涨跌方向无法判断的情况。当波动率和换手率都出现下行时,若波动率的下行速度更快,说明市场趋于稳定的速度要大于交易热情衰退的速度,这时牛熊指标下行,市场表现为上涨。若换手率下行速度更快,说明市场交易热情衰减的速度更快,牛熊指标表现为上升,市场发生下跌。
如果按照上述多空信号构建择时策略,当看多时全仓配置沪深300,当看空时清仓,则回测净值曲线如下:
双均线是最为经典的趋势跟踪指标之一,可据此开发简单择时策略
均线是股票交易最常使用的指标,其简单、有效、直接,在趋势指标中也许不是最优的,但是属于最经典的之一。在上述的择时模型当中,我们也多次利用到了双均线的思想,其中也专门探讨过量价择时模型与均线的结合。因此这里可以基于双均线指标构建一个简单的择时策略。
如果按照上述多空信号构建择时策略,当看多时全仓配置沪深300,当看空时清仓,则回测净值曲线如下:
免责声明与评级说明
公众平台免责申明
本公众号不是华泰证券股份有限公司(以下简称“华泰证券”)研究报告的发布平台,本公众号仅供华泰证券中国内地研究咨询服务客户参考使用。其他任何读者在订阅本公众号前,请自行评估接收相关推送内容的适当性,且若使用本公众号所载内容,务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。
本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点,完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容,可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容,请具体参见华泰证券所发布的完整报告。
本公众号内容基于华泰证券认为可靠的信息编制,但华泰证券对该等信息的准确性、完整性及时效性不作任何保证,也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期,华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。
在任何情况下,本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断,应自主做出投资决策并自行承担投资风险。订阅者若使用本资料,有可能会因缺乏解读服务而对内容产生理解上的歧义,进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果,华泰证券及作者均不承担任何法律责任。
本公众号版权仅为华泰证券所有,未经华泰证券书面许可,任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失,华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的“证券投资咨询”业务资格,经营许可证编号为:91320000704041011J。
华泰金工深度报告一览
金融周期系列研究(资产配置)
【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生,顾短也兼长20200121
【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日,大周期赢未来20200116
【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法
【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增,待趋势明朗把握或更大20191022
【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826
【华泰金工林晓明团队】如何有效判断真正的周期拐点?——定量测度实际周期长度提升市场拐点判准概率
【华泰金工林晓明团队】基钦周期的长度会缩短吗?——20190506
【华泰金工林晓明团队】二十载昔日重现,三四年周期轮回——2019年中国与全球市场量化资产配置年度观点(下)
【华泰金工林晓明团队】二十载昔日重现,三四年周期轮回——2019年中国与全球市场量化资产配置年度观点(上)
【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究
【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告(上)
【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(四)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(三)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(二)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(一)——华泰金工周期系列研究
【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索
【华泰金工林晓明团队】金融经济系统周期的确定(下)——华泰金工周期系列研究
【华泰金工林晓明团队】金融经济系统周期的确定(上)——华泰金工周期系列研究
【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列
【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探
周期起源
【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六
【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四
【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三
【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二
【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一
FOF与金融创新产品
【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究
【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一
因子周期(因子择时)
【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三
【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二
择时
【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列
【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用
中观基本面轮动
【华泰金工林晓明团队】行业全景画像:投入产出表视角——华泰中观基本面轮动系列之五
【华泰金工林晓明团队】行业全景画像:改进杜邦拆解视角——华泰中观基本面轮动系列之四
行业轮动
【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二
【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一
【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十
【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九
【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八
【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七
【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六
【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五
【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四
【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三
【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二
【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一
Smartbeta
【华泰金工林晓明团队】重剑无锋:低波动 Smart Beta——华泰 Smart Beta 系列之四
【华泰金工林晓明团队】投资优质股票:红利类Smart Beta——华泰Smart Beta系列之三
【华泰金工林晓明团队】博观约取:价值和成长Smart Beta——华泰Smart Beta系列之二
【华泰金工林晓明团队】Smart Beta:乘风破浪趁此时——华泰Smart Beta系列之一
【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一
多因子选股
【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三
【华泰金工林晓明团队】桑土之防:结构化多因子风险模型——华泰多因子系列之十二
【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一
【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十
【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九
【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八
【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七
【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六
【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五
【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四
【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三
【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二
【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一
【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二
人工智能
【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五
【华泰金工林晓明团队】再探AlphaNet:结构和特征优化——华泰人工智能系列之三十四
【华泰金工林晓明团队】数据模式探索:无监督学习案例——华泰人工智能系列之三十三
【华泰金工林晓明团队】AlphaNet:因子挖掘神经网络——华泰人工智能系列之三十二
【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一
【华泰金工林晓明团队】从关联到逻辑:因果推断初探——华泰人工智能系列之三十
【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九
【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八
【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七
【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六
【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五
【华泰金工林晓明团队】投石问路:技术分析可靠否?——华泰人工智能系列之二十四
【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三
【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二
【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一
【华泰金工林晓明团队】必然中的偶然:机器学习中的随机数——华泰人工智能系列之二十
【华泰金工林晓明团队】偶然中的必然:重采样技术检验过拟合——华泰人工智能系列之十九
【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八
【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七
【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六
【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五
【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三
【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二
【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一
【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十
【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九
【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八
【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七
【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六
【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五
【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四
【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三
【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二
指数增强基金分析
【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告
【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证
基本面选股
【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究
【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究
【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究
【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究
基金定投
【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四
基金评价
【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法
其它
【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二