林晓明 S0570516010001
SFC No. BPY421 研究员
李子钰 S0570519110003 研究员
何 康 S0570520080004 研究员
王晨宇 S0570519110038 联系人
报告发布时间:2020年11月4日
摘要
主动量化基金或成为投资A股的良好标的
主动量化基金一般指不进行空头对冲且没有明确跟踪误差要求的主动管理量化基金产品,其特点有:(1)基金以较高仓位持有股票多头,既能获得权益市场向上的Beta,也能通过主动管理获得长期的Alpha。(2)主动量化基金能充分利用市场中存在的大量数据对股票进行定价,且能覆盖市场中绝大多数股票,具有投资广度的优势。(3)主动量化基金一般持仓较为分散,通过持仓大量股票来降低组合风险,提升产品的收益风险比。当前我国的宏观环境和资本市场政策有利于主动量化基金发展。
当前我国的宏观环境和资本市场政策有利于主动量化基金发展
2019年以来,财政政策方面我国实行减税降费的一系列措施,货币政策方面则实行降准的措施。财政政策和货币政策都有利于实体经济的发展,为权益市场维持上升趋势提供坚实的基本面支持,主动量化基金也将受益于权益市场向上的Beta。2018年以来注册制持续推进,企业容易获得快速上市的机会,IPO数量攀升,A股可投资上市公司将不断增加,主动量化基金投资广度的优势将逐渐凸显。2020年以来,主动量化基金规模逐渐上升,主动量化基金的绝对收益中位数能战胜沪深300和中证500指数。
指数增强是稳健的主动量化基金投资方法
指数增强是主动量化基金的主要投资方法。指数增强方法分为仓位控制、行业轮动、选股三个方面。其中,量化选股模型的主流是多因子模型,通过构建收益模型和风险控制来获取稳定的超额收益。此外,投资管理人可以考虑配合衍生金融工具或一些其它方式进行增强,如通过打新或借助股指期货、融资融券、期权、可转债等工具进行增强。
主动量化基金分析:以信达澳银量化先锋为例
信达澳银量化先锋(A类代码:166109.OF,C类代码:166110.OF)成立日期为2020年2月4日,基金经理为王咏辉先生,业绩基准是沪深300指数收益率*95%+银行活期存款利率(税后)*5%。当前,沪深300指数成分股为大市值的核心资产,盈利能力较强,估值较低。信达澳银量化先锋的投资目标是在严格控制风险的前提下,追求资产的长期增值,力争实现超越业绩比较基准的投资回报。基金借助多因子和人工智能模型捕捉多种驱动股票价格变化的因素,并通过打新增厚收益。
风险提示:
本报告对历史数据进行梳理总结,历史结果不能简单预测未来,规律存在失效风险,投资需谨慎。基金过往业绩并不预示其未来表现,基金管理人管理的其它基金业绩并不构成对基金未来业绩表现的保证。
国内宏观环境和资本市场政策有利于主动量化基金发展
主动量化基金,一般指不进行空头对冲且没有明确跟踪误差要求的主动管理量化基金产品。具体来讲,主动量化基金有以下特点:
1. 一般以宽基指数(如沪深300、中证500)为主要业绩基准,以较高仓位持有股票多头,追求能持续战胜业绩基准的投资目标。在一个长期上涨的权益市场中,主动量化基金既能获得权益市场向上的Beta,也能获得长期的Alpha,实现丰厚的长期复利回报。
2. 主动量化基金一般使用量化多因子模型进行股票筛选和配置。量化多因子模型能充分利用市场中存在的大量基本面和交易类数据对股票进行全方位定价,且能覆盖市场中绝大多数股票,具有投资广度的优势,这样的优势在投资标的越来越多的A股市场中将会得到充分的发挥。
3. 主动量化基金一般持仓较为分散,通过持仓大量股票来降低组合风险,提升产品的收益风险比。
当前我国的宏观环境和资本市场政策有利于主动量化基金发展,我们将通过以下几点来说明。
财政政策:减税降费
近年来,我国劳动和资本增长率呈现下滑趋势,具体表现为人口红利消退,社会老龄化加剧,资本回报率下降,投资动力不足等。我国经济面临全面转型的挑战,未来将依靠效率驱动带动经济增长。减税可鼓励科技研发和创新,加快进入效率驱动的阶段。减税降费可产生以下影响,从而利好资本市场。
1. 减税能提高资本存量,促进市场在资源配置的决定作用。
2. 减税增厚企业利润,提升企业活力。
3. 所得税减税提升劳动者实际收入,有助于提高劳动参与率。
2019年至2020年减税降费政策陆续推出:
1. 企业增值税16%的税率降至13%,10%的税率降至9%。
2. 提高个税起征点,上调出口退税率,降低进口关税。
3. 2019年全年减轻企业税收和社保缴费负担近两万亿元。
货币政策:降准
2020年1月1日以来,央行宣布下调金融机构存款准备金率0.5个百分点,1月6日起执行,这是2019年以来的第四次降准。央行表示,此次降准是全面降准,体现了逆周期调节,释放长期资金约8000多亿元,有效增加金融机构支持实体经济的稳定资金来源,降低金融机构支持实体经济的资金成本,直接支持实体经济。央行有关负责人表示,降准支持实体经济发展。此次降准增加了金融机构的资金来源,大银行要下沉服务重心,中小银行要更加聚焦主责主业,都要积极运用降准资金加大对小微、民营企业的支持力度。
当前的财政政策和货币政策都有利于实体经济的发展,为权益市场维持上升趋势提供坚实的基本面支持,主动量化基金也将受益于权益市场向上的Beta。
注册制持续推进:A股可投资上市公司不断增多
近年来注册制持续推进,下面梳理了科创板和创业板注册制推进的历程:
1. 国家领导人于2018年11月5日宣布设立科创板,并在该板块内进行注册制试点,随后在中央全面深化改革委员会第六次会议中通过了《在上海证券交易所设立科创板并试点注册制总体实施方案》。
2. 2018年科创板启动后,深交所随即提出将对创业板进行注册制改革,借鉴科创板经验。2019年8月18日,中共中央、国务院发布《关于支持深圳建设中国特色社会主义先行示范区的意见》(以下简称《意见》)。《意见》中明确提出“开展市场准入和监管体制机制改革试点,建立更具弹性的审慎包容监管制度。提高金融服务实体经济能力,研究完善创业板发行上市、再融资和并购重组制度,创造条件推动注册制改革。
3. 2020年4月27日,中央全面深化改革委员会第十三次会议通过了《创业板改革并试点注册制总体实施方案》,意味着创业板注册制改革大幕拉开。
4. 2020年8月24日,创业板首批18家实施注册制的新股集体上市,继科创板之后,创业板正式接棒成为A股第二个试试注册制的板块,加速推进注册制改革的全面落地。
注册制下,企业容易获得快速上市的机会,IPO数量攀升,A股可投资上市公司将不断增加,主动量化基金投资广度的优势将逐渐凸显。
主动量化基金的发展情况
我们按照Wind的主动量化基金分类标准,统计国内主动量化基金的规模和数量的变化,如图表2所示。主动量化基金的规模在2017年达到顶峰,随后有一定下降,2020年以来规模逐渐恢复。
图表3和图表4为主动量化基金分年度绝对收益。今年以来,主动量化基金的绝对收益中位数能战胜沪深300和中证500指数。
指数增强:稳健的主动量化基金投资方法
指数增强是主动量化基金的主要投资方法。指数增强的投资目标是在控制跟踪误差的前提下追求稳定、持续超越标的指数的表现。本章我们对指数增强的投资方法进行简要介绍。从主体上来说,指数增强方法可以从宏观到微观角度进行分解,具体主要指仓位控制(择时)、行业轮动、选股三个方面,这三方面在实践方式上又都可以统一区分成“主动”和“量化”两种,越靠近宏观层面主动与量化的差别越小,越靠近微观层面二者差别越大。不论采用以上哪种操作思路,投资管理人都可以考虑配合衍生金融工具或一些其它方式进行增强,如通过打新或借助股指期货、融资融券、期权、可转债等工具进行增强。本章我们主要对选股和打新进行详细介绍。
选股
根据选股范围的不同,可以分为在基准指数成份股内选股、在成份股以及部分指定股票中选股(例如在中证800成份股范围内选股进行沪深300指数增强)、在全部A股中选股等。三种方式的自由度依次提升,采用全部A股当作备选股票池的产品最多。实际上,由于基金公司内部常会有选股范围限制,所以在操作层面上采用第二种股票池的也比较多。
量化选股模型的主流是多因子模型,还有基本面量化选股、事件驱动选股等模型,主动方法选股则主要依靠公司研究,选择被错误低估的股票。此外还可以借鉴期货管理策略中的配对交易应用于股票市场进行个股权重配置。量化多因子选股模型的长处在于科学跟踪误差控制,而主动方法选股方式下跟踪误差难以定量感知,容易造成比较大的波动。
使用多因子模型进行量化选股的流程包含两部分:
1. 收益预测。通过各种数据来源构建alpha因子(alpha因子是指对于未来股票收益具有显著且稳定预测能力的因子)。单个alpha 因子提供了全市场股票一个维度的评分,投资经理通常会根据不同alpha 因子的收益预测能力,对多个alpha因子进行加权,得到一个最终的合成评分,以此为基础构建组合。
2. 风险控制。这部分使用的因子通常称为风险因子,这类因子的特征是能够对于未来股票的风险有显著且稳定的预测能力。此外,组合通常还有持仓最大权重、换手率、波动率、相对基准的跟踪误差、最大回撤等诸多限制条件。最简单直观的风险控制手段是行业中性和市值中性,因为行业、市值是最显著的风险因子,股票的收益波动很大程度来自行业端和市值端。实际中运用的风险模型可能更为复杂精细,但它们的目的都是使组合运行在产品的约束框架内。
打新
一般投资于股票的公募基金都可以通过打新获得收益,主动量化基金也不例外。下图展示了2010~2020年间A股每年的首发家数和首发募集资金。2010~2013年IPO数量与规模逐年递减,2013年IPO暂停。2014年IPO重启后,每年的首发数量与规模稳步增加,于2017年迎来首发数量的高峰,虽然在2018年IPO有所遇冷,但随后的2019~2020年新股发行市场迅速回暖。
2019年推出了科创板注册制及2020年三季度开始执行的创业板注册制,截至2020年10月31日2020年累计的新股首发数量已达到320家,首发募集资金规模达到3952.03亿元,可以预见今年又将形成一个IPO的高峰年份。随着新股发行市场的升温,基金参与打新也存在更多的潜在机会。
信达澳银量化先锋投资价值分析
基金简介
基本信息
信达澳银量化先锋基金基本信息如下表所示。
费用信息
信达澳银量化先锋基金的费用信息如下表所示。
信达澳银量化先锋的业绩基准:沪深300指数投资价值分析
信达澳银量化先锋的业绩基准是沪深300指数收益率*95%+银行活期存款利率(税后)*5%。说明沪深300指数本身的表现在很大程度上决定了信达澳银量化先锋的业绩表现。本节我们对沪深300指数进行多角度的投资价值分析。
沪深300的成分股:大市值的核心资产,行业大金融+大消费为主
沪深300指数由上海和深圳证券市场中市值大、流动性好的300只股票组成,是A股市场代表性的宽基指数。沪深300指数受到投资者的广泛认可,目前跟踪沪深300的指数基金总规模达到2518.24亿。图表9为沪深300指数前50大成分股,成分股中包含各大行业龙头,属于A股的核心资产。
行业分布方面,沪深300指数以大金融(非银金融+银行,约30%)和大消费(食品饮料+医药生物+家用电器,约25%)为主,风格整体偏价值,业绩优秀且稳健。
目前中证500正持续消化此前的高估值,相对于沪深300和中证100的估值优势逐步显现,中证500指数的相对估值走势如图表9所示。
沪深300成分股的盈利能力较强
价值投资的先驱本杰明·格雷厄姆认为,在投资决策中,公司质量是价值投资成功的关键;作为格雷厄姆衣钵的继承人,巴菲特直言 ROE 是自己最重视的选股指标。ROE主要体现了公司的盈利能力。图表11中,对比了沪深300、中证500、创业板指三大指数的ROE_TTM,可见,沪深300的ROE_TTM在绝大多数时间都高于中证500和创业板指,说明沪深300成分股的盈利能力较强,这对指数未来的良好表现提供了基本面支撑。
沪深300指数估值较低
我们从市盈率、市净率、股息率三个角度来对比海内外的多个指数。由图表12可见,沪深300市盈率、市净率水平在国内外主要股市指数中排在低位,股息率水平在国内外主要股市指数中排在高位。沪深300的估值较低,具有显著的价值属性。
信达澳银量化先锋的投资方法介绍
作为主动量化基金,信达澳银量化先锋的投资目标是利用定量投资模型,在严格控制风险的前提下,追求资产的长期增值,力争实现超越业绩比较基准的投资回报。该产品充分利用多因子模型和人工智能技术,从各方面捕捉个股的错误定价以达到持续的超额收益。
基于量化投资的方法论
信达澳银量化先锋使用多个相关性较低的子模型来提高胜率,包括时间序列回归多因子模型、ICIR配权多因子模型、AI选股模型,三个模型综合使用来提高胜率。逻辑上,三个模型的出发点、使用的方法论不一样,保证了三个模型的相关性较低,即alpha的来源不一样。各自模型均通过长期检验,是胜率较好、能提供alpha的模型,综合使用就能提供稳定的高胜率。
量化投资策略:多因子模型和人工智能算法
信达澳银量化先锋使用多因子模型进行投资,通过捕捉多种驱动股票价格变化的因素(因子),对股票的预期收益率和风险进行预测。目前多因子模型选取的因子分别包括价值、质量、技术、情绪、成长和一致预期六个大类。
信达澳银量化先锋也利用人工智能算法进行全方位自动化学习,对市场行业、公司、卖方明星分析师、行业专家、基金经理等的各类与投资相关的信息数据深入学习,并更快、更准确的处理信息、数据,提升投资效率。同时,人工智能对历史数据和情形的回测分析提升了投资胜率,减少市场噪音和情绪干扰,可以更快更好的捕捉市场投资机会。
通过打新增厚收益
主动量化基金可通过打新增厚收益。大部分2014年后上市的非科创板新股在首日都能达到涨幅上限(44%),而科创板股票上市前5个交易日没有涨跌幅限制,2019、2020年(截至2020-10-31)科创板新股上市首日涨幅中位数分别为97.9%、155%。
2018年以后,一字板连涨天数中位数基本稳定在5.5~8的区间范围内。一般只专注于打新的机构者,会在开板日把新股卖出。假设新股上市后一字板连涨7天,则在上市后第7个交易日收盘时,该股票相对发行价格1.44*(1.1^6)-1=155.1%。所以打新的收益比较丰厚,这也是机构投资者趋之若鹜的原因。
信达澳银基金在打新方面有以下优势:
1. 投行资源丰富。在科创板的首发定价过程中,与投行之间的互动将成为至关重要的因素。信达澳银与华泰、中金、中信、中信建投、招商、民生等重点券商ECM有着多年密切合作的关系。
2. 团队经验丰富。信达澳银的打新策略团队曾任职于国内知名PE、投行,熟悉一级市场项目定价及估值体系,并曾参与数百个项目定增报价,管理规模超百亿,对于市场化项目定价有着丰富的经验,具备海外投资高科技股票经验,熟悉海外估值体系。
3. 公司基金中签率市场领先。公司多只公募基金积极参与科创板新股申购以增厚收益,中签率全市场排名领先。
4. 公募基金公司政策红利。科创板政策从配售价格、数量、优先配售权等方面给予了公募基金最高优先级,各类合作伙伴通过公募基金参与科创板将从最大程度上享受制度红利。
信达澳银量化先锋近期净值表现
截至2020年10月31日,信达澳银量化先锋净值为1.1999。信达澳银量化先锋4月完成建仓完成以来相对沪深300超额收益1.16%。
信达澳银基金管理团队介绍
信达澳银基金于2006年6月5日成立,是国内首家由国有资产管理公司控股,也是澳洲唯一在中国合资设立的基金管理有限公司。截止2020年3季度,公司共管理产品覆盖股票、指数、量化、债券、货币,其中公募基金总规模344.37亿元,权益类基金总规模247.46亿元。
信达澳银的公募投资研究团队共有34人,共拥有基金经理10人。截至2020年3季度,信达澳银基金旗下权益类基金最近一年收益率为63.83%,最近两年收益率为125.15%。另外,信达澳银的智能量化团队发展迅速,团队首创了量化LOF+科创网下申购的投资策略,采用主动量化模型在沪深A股以及科创板股票中择优投资,并在不断推广量化多因子LOF、量化先锋LOF、量化科技龙头LOF和量化新经济LOF等产品。
信达澳银量化先锋基金经理为王咏辉先生。王咏辉先生是英国牛津大学工程科学本科,牛津大学计算机科学硕士,现担任信达澳银基金副总经理兼权益投资总部总监、智能量化与资产配置总部总监,21年证券基金从业经验。自1998起曾任职于伦敦摩根大通投资基金管理公司、HSBC、BarclaysGlobalInvestor、BarclaysCapital等知名公司。2008年1月回到中国担任泰达宏利基金公司国际投资部负责人、量化投资部负责人等职,2010年4月至2012年8月担任泰达宏利沪深300指数增强指数型证券投资基金基金经理,2011年7月至2012年8月担任泰达宏利全球新格局(QDII-FOF)证券投资基金基金经理。2013年12月起担任鹏华中证500量化指数增强证券投资基金(LOF)基金经理,2014年12月起担任鹏华沪深300量化指数增强证券投资基金(LOF)基金经理。同时负责管理鹏华基金的量化对冲套利专户组合和股票市场中性量化对冲专户组合,总规模500亿人民币。王咏辉先生2018年加盟信达澳银基金管理有限公司, 2018年6月起担任信达澳银新起点定期开放灵活配置混合型基金基金经理,2018年12月起担任信达澳银领先增长混合型基金基金经理, 2019年4月起担任信达澳银转型创新股票型基金基金经理,信达澳银中证沪港深高股息精选指数型证券投资基金基金经理。王咏辉先生是中国量化投资俱乐部第三任理事长,具有英国基金经理从业资格(IMC)和英国IET颁发的特许工程师(CEng)认证资格,是中国科学院大学管理学院MBA企业导师。
风险提示
本报告对历史数据进行梳理总结,历史结果不能简单预测未来,规律存在失效风险,投资需谨慎。基金过往业绩并不预示其未来表现,基金管理人管理的其它基金业绩并不构成对基金未来业绩表现的保证。
公众平台免责申明
本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求,本公众号内容仅面向华泰证券客户中的专业投资者,请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者,请取消关注本公众号,不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限,若给您造成不便,烦请谅解!本公众号旨在沟通研究信息,交流研究经验,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。
本公众号研究报告有关内容摘编自已经发布的研究报告的,若因对报告的摘编而产生歧义,应以报告发布当日的完整内容为准。如需了解详细内容,请具体参见华泰证券所发布的完整版报告。
本公众号内容基于作者认为可靠的、已公开的信息编制,但作者对该等信息的准确性及完整性不作任何保证,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客户私人投资建议。订阅人不应单独依靠本订阅号中的信息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。普通投资者若使用本资料,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股份有限公司所有,未经公司书面许可,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。本公司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
【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力
【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金
其它