林晓明 S0570516010001 研究员
李 聪 S0570519080001 研究员
韩 晳 S0570520100006 研究员
王佳星 S0570119090074 联系人
报告发布时间:2021年1月25日
摘要
本文从多个维度实证了行业轮动策略在指数增强中的表现
本文延续上篇报告《行业配置策略:指数增强篇》中的研究思路,仍然从模拟策略测试和真实策略测试两个场景切入,实证行业轮动策略在指数增强中的表现,核心改进如下:1、模拟测试部分,基于指数成分股合成行业指数,批量生成指定胜率的轮动策略,旨在构建一张“行业轮动策略胜率→指数增强表现”的参照表,从广义角度解答多少胜率的策略才能带来显著的增强效果;2、真实策略测试部分,将景气度策略的构建思路移植到指数成分股内,构建针对性更强的行业轮动策略,提升模型表现。最终构建的沪深300增强模型相比指数年化超额收益率8.74%,信息比率2.43。
模拟测试:海量测试不同胜率的行业轮动策略,挖掘普适性规律
本文通过定量方法生成不同胜率的模拟行业轮动策略,在海量测试的基础上挖掘泛化规律,构建“行业轮动策略胜率→指数增强表现”的参照表,结果表明:1、在相同的参数设置下,沪深300增强中,指数内选股的信息比率普遍高于全市场选股;而中证500则正好相反;2、以中性策略为基准,沪深300增强中,当策略胜率达到65%时,信息比率就能超过1,当策略胜率达到70%时,超额收益Calmar比率能超过1;中证500增强中,当策略胜率达到65%时,信息比率也能接近或超过1,策略胜率达到75%时,超额收益Calmar比率才能超过1。
策略测试:定制版景气度轮动策略在指数增强中的表现
本文以景气度策略为例,分别构建了全市场轮动策略、沪深300定制版轮动策略、中证500定制版轮动策略,实证结果表明,定制版策略的增强表现要显著优于全市场策略,其中:1、沪深300增强策略相比于中性策略的年化超额收益率为2.69%,信息比率1.33,超额收益最大回撤2.33%,相比于指数基准的年化超额收益率为8.74%,信息比率2.43,超额收益最大回撤3.21%;2、中证500增强策略相比于中性策略的年化超额收益率为2.02%,信息比率1.07,超额收益最大回撤2.39%,相比于指数基准的年化超额收益率为14.25%,信息比率2.62,超额收益最大回撤7.09%。
实证结果表明,行业轮动策略在指数增强场景中有较高的应用价值
从多维度实证结果来看,行业轮动策略在指数增强中有较高的应用价值:1、模拟测试中,当行业轮动策略胜率达到65%时,增强策略相比于中性策略的信息比率就能超过1,当策略胜率达到70%时,沪深300增强的超额收益Calmar比率就能超过1,根据以往实证经验,65%~70%胜率的行业轮动策略是可以实现的;2、景气度策略实证中,沪深300增强策略相比于中性策略的年化超额收益率为2.69%,信息比率1.33,超额收益最大回撤2.33%,超额收益与其承担的超额风险是匹配的,而且沪深300内因子选股模型的开发相对困难,引入行业轮动来增厚收益显得更具吸引力。
本文研究导读
基本面轮动系列报告主要聚焦于中观层面行业轮动研究,在首篇报告《确立研究对象:行业拆分与聚类》(2020-03-03)中,我们进行了行业拆分和聚类研究,为后续系列报告确立了统一的研究对象;在系列报告二到五中,我们分别从宏观风险因子、中观风格因子、微观经营模式和产业链上下游关系四个视角进行行业画像分析,力求从不同维度对各行业的核心驱动因素进行梳理;在系列报告六到九中,我们分别从宏观因子、趋势追踪、景气度、拥挤度四个维度展开了具体的行业轮动策略开发。
在上篇报告《行业配置落地:指数增强篇》(2020-11-16)中,我们从指数增强的角度考察了模拟行业轮动策略和真实行业轮动策略的表现。其中,模拟策略是基于中信一级行业下一期的真实表现来批量生成指定胜率的行业轮动策略;真实策略则是前期系列报告中研发的趋势追踪、景气度等策略。报告核心结论如下:1、模拟测试场景下,同样胜率的行业轮动策略在沪深300上的增强效果显著优于中证500,原因是沪深300成分股内行业的相对表现与中信一级行业关联度更高(指数走势主要受大市值个股影响),侧面说明针对不同的指数,应该定制相匹配的行业轮动策略,换言之,基于一级行业层面开发的轮动策略很难在不同指数上都有较好的增强效果;2、真实策略测试场景下,景气度策略的表现显著优于其他策略。
本文延续上篇报告的研究思路,仍然从模拟策略测试和真实策略测试两个场景切入,核心改进如下:1、模拟测试部分,基于指数成分股合成相应的行业指数,批量生成指定胜率的轮动策略,测试其在指数增强场景下的表现,旨在构建一张“行业轮动策略胜率→指数增强表现”的参照表,从广义角度解答多少胜率的策略才能带来显著的增强效果,也为后续策略开发提供实操指引;2、 真实策略测试部分,考虑到景气度模型的表现要显著优于其他模型,我们将报告《行业配置策略:景气度视角》(2020-11-05)中的策略构建思路移植到指数成分股内,构建针对性更强的景气度轮动策略,提升模型表现;3、参数部分,从更贴近实践的角度进行设置,比如上篇报告中选股范围集中在指数成分股内,本文将测试场景拓展至全市场选股,且成分股权重之和不低于80%。
模拟测试:实证不同胜率行业轮动策略的表现
在传统指数增强研究中,普遍认为引入行业轮动策略带来的超额收益,相比于其承担的超额风险是不划算的,也即信息比率较低。那么,如果想在指数增强上有显著超额表现,行业轮动策略应该具备什么胜率水平?本节通过模拟手段批量生成不同胜率的行业轮动观点,并实证其在指数增强场景下的表现,旨在构建一张“行业轮动策略胜率→指数增强表现”的参照表,从广义角度解答多少胜率的策略才能带来显著的增强效果。
不同胜率行业轮动观点的生成方法
在上篇报告《行业配置落地:指数增强篇》(2020-11-16)中,我们发现基于中信一级行业生成的模拟观点在沪深300和中证500上的适用性有较大的差别,为了在可比口径下考察不同指数上的增强效果,我们将基于指数成分股来构造行业指数,进而生成模拟策略。具体步骤如下:
结合多因子选股模型的指数增强测试
行业中性状态下的组合优化模型
在行业中性状态下(也即不引入行业轮动观点),组合优化模型如下:
引入行业观点后的组合优化模型
引入行业观点后,组合优化模型如下:
为了直观展示收益调整系数的影响,我们模拟一个简化场景,假设有6支股票,分别属于三个行业,这6支股票有原始的收益预测,也会受到行业多空观点带来的收益调整,分别考察行业中性和行业偏离场景下的优化结果,可以看到:行业中性场景下,由于行业内个股的相对排名并未改变,所以引入收益调整不会对优化结果造成影响;行业偏离场景下,由于收益调整会导致看多/看空行业的成分股排名集中提升/下降,从而影响优化结果。
结合多因子模型的指数增强实证分析
考察不同胜率的模拟策略在结合多因子模型的指数增强测试场景下的表现,回测设置如下:
1.回测时间:2011年1月31日至2020年12月31日。
2.调仓手续费:单边千2。
3.模拟策略生成:遍历50%至100%,以5%为步进的11个胜率水平。
4.组合构建:剔除上市不满一年、调仓日换手率为零等无法交易的股票,应用组合优化模型求解个股权重(优化参数设置如下表)。
5.比较基准:行业中性选股策略,以及指数基准。
6.业绩计算:对每种胜率水平,蒙特卡洛模拟100次,每次模拟中单独生成行业轮动观点,计算策略净值和业绩指标,将100次模拟的策略净值和业绩指标取平均得到最终的业绩表现。
下文四张表格给出了沪深300/中证500场景下,指数内选股/全市场选股的增强效果,全面展示了不同胜率行业轮动策略带来的增强表现。此外,根据以往的实证经验,大多数相对有效的月频行业轮动策略的胜率均落在65%至70%的区间内,表格中也已高亮标注。
1.行业中性场景下,无论是指数内选股,还是全市场选股,中证500上的表现都要显著好于沪深300。因为沪深300中,银行、非银行金融占据了约1/3的权重,而这两个行业内的成分股同质性非常高,难以构建有效的因子选股模型;相比之下,中证500中的权重行业主要是医药、基础化工、电子、机械,这些行业成分股众多,且分化显著,alpha挖掘空间较大,因此中性策略表现更好。(关于各行业alpha收益获取的难易程度,详见报告《行业全景画像:风格因子视角》(2020-06-02)中的描述)。
2.在相同的参数设置下,沪深300增强中,指数内选股的信息比率普遍高于全市场选股;而中证500则正好相反,全市场选股的表现显著优于指数内选股。由于测试过程中,针对指数内选股和全市场选股我们分别训练了不同的收益模型(也即一共有三个收益模型,分别是沪深300收益模型、中证500收益模型、全市场收益模型),从结果来看,全市场收益模型在沪深300中是有偏的,导致增强效果有限;在中证500中则适用性更强,而且利用了选股广度的优势,增强效果更显著。后文如无特殊说明,默认沪深300增强都是基于指数内选股,中证500增强则基于全市场选股。
4.以增强策略相比于中性策略的超额表现为考察对象(剥离掉选股模型的影响),结果表明:沪深300增强中,当策略胜率达到65%时,信息比率就能超过1,当策略胜率达到70%且收益调整系数大于0时,超额收益Calmar比率能超过1;中证500增强中,当策略胜率达到65%时,信息比率也能接近或超过1,策略胜率达到75%时,超额收益Calmar比率才能超过1。整体而言,当行业轮动策略的胜率达到65%及以上时,就能带来较为显著的增强效果。而在月频场景下,该胜率水平并不难达到,因而我们判断行业轮动策略在指数增强场景中有着较高的应用价值,尤其是在沪深300增强中,多因子选股模型的边际提升已经相对困难,通过引入行业轮动模型来增厚超额收益显得更具吸引力。
策略测试:景气度行业轮动模型在指数增强中的表现
本节我们将以景气度策略为例,考察真实行业轮动策略在指数增强场景下的表现,后文内容如下:1、首先回顾《行业配置策略:景气度视角》(2020-11-05)报告中景气度策略的构建思路,同时以该报告中构建的最终策略作为对比基准(后文统称为全市场景气度轮动策略);2、分别针对沪深300和中证500定制相应的景气度轮动策略;3、考察定制版景气度轮动策略和全市场景气度轮动策略的表现。
全市场景气度轮动策略构建方法
在报告《行业配置策略:景气度视角》(2020-11-05)中,我们基于业绩预告、业绩快报、正式财报以及一致预期数据构建了多种行业景气度指标,通过回测验证景气度指标的有效性,最后将回测有效且相关性低的指标进行复合来构建景气度轮动策略。
具体而言,景气度轮动策略的构建过程如下:
首先,景气度指标的数学形式非常简单,所有的景气度指标数值被限定为1、-1和0三种形式,分别表示对行业看多、看空和无观点。一般而言,如果企业业绩或是一致预期指标出现增长时我们会对行业给出看多判断,反之则看空。
其次,我们从财报和一致预期数据出发构建了五大类景气度指标,形成基础指标池:
1. 定期业绩指标:基于个股正式财报构建,通过整体法将个股数据合成行业指标。
2. 即时业绩指标:基于业绩预告、业绩快报以及正式财报三种财务报表数据进行构建。纳入业绩预告和业绩快报数据,是为了提高业绩指标的时效性。
3. 行业一致预期指标:基于行业一致预期数据计算,根据行业一致预期数据的变化情况判断行业景气度。
4. 个股合成一致预期指标:基于个股一致预期数据计算,筛选有分析师覆盖的个股一致预期数据,通过汇总成分股数据变化情况来判断行业景气度。
关注度指标:基于关注度类一致预期数据计算,通过市场关注度的变化判断行业景气度是否改善。
最后,每个单项指标相当于从特定角度对行业进行打分,将单项指标的打分汇总就得到复合指标得分。指标复合过程中,我们优先筛选回测收益较高的单项行业景气度指标,在此基础上控制纳入指标的相关性,保持最终入选的指标间相互独立,详细的构建步骤为:
1. 将所有单项景气度指标按照回测年化收益率排序,优先纳入收益最高的单项指标。
2. 按照年化收益排序逐一选择单项指标,如果新指标和指标池中现有指标的相关系数小于0.5,则将此指标纳入指标池。
3. 重复上述过程,直至对所有单项指标进行计算。
根据报告《行业配置策略:景气度视角》(2020-11-05),我们最终选取了17个单项景气度指标进行复合景气度指标的构建,复合指标得分越高的行业越景气。
以2010年1月至2020年12月作为回测区间,底层资产为中信行业指数,依据复合景气度得分,选取得分最高的5个行业构建多头组合,得分最低的5个行业构建空头组合。结果表明,多头和空头组合分别录得10.31%和-9.09%的年化超额收益,多空胜率可以达到68.33%,具有明显的多头和空头效应。
目标指数内定制版景气度轮动策略构建方法
前期报告《行业配置落地:指数增强篇》(2020-11-16)中,我们指出,基于一级行业指数生成的行业轮动观点在沪深300和中证500中的适用性不同,原因是沪深300成分股内行业的相对表现与中信一级行业关联度更高(指数走势主要受大市值个股影响),这从侧面说明针对不同的指数,应该定制相匹配的行业轮动策略。
在前文提出的景气度策略构建逻辑上,我们针对宽基指数进行了针对性调整,具体如下:
1. 基于沪深300和中证500的成分股权重以及行业归属信息,合成“沪深300行业指数”和“中证500行业指数”,作为验证景气度策略有效性的底层资产。
2. 基于指数成分股信息为沪深300和中证500构建定制化的行业景气度策略。考虑到指数内单行业成分股的数量有限,我们调整了基础指标池,只进行了定期业绩指标、个股合成一致预期指标以及关注度类景气度指标的构建。
3. 为了保证最终构建的策略具有稳定的多空表现,仅筛选多头以及空头超额收益均在2%以上的单项指标进行复合景气度指标的构建。
在单项指标复合时,优先纳入回测多空收益较高的单项指标,并且保证最终纳入的指标间多空收益相关系数小于0.5。
经过筛选,在沪深300和中证500测试场景下,我们分别选出了11个和6个多空超额收益均在2%以上的单项景气度指标。从多个景气度指标叠加的结果来看,纳入的单项景气度指标个数越多,回测多空收益和多空胜率表现也越趋向于稳定。最终,在沪深300场景下,我们选择了9指标复合的方案,此时策略多空年化超额收益率23.65%,多空胜率70%;在中证500场景下,我们选择了5指标复合的方案,此时策略多空年化超额收益率17.22%,多空胜率68.33%。可以看到,无论是有效的单项指标个数,还是复合指标的年化超额收益率和多空胜率表现,沪深300定制景气度策略都要优于中证500。这在一定程度上说明,沪深300内更适合采用景气度逻辑进行行业轮动。
景气度轮动策略在沪深300增强上的表现
首先以沪深300成分股权重以及行业归属信息,合成“沪深300行业指数”,并作为底层资产,测试沪深300景气度策略和全市场景气度策略的表现。结果表明,2011年至2020年底,定制版景气度策略多头组合年化超额收益率13.75%,调仓胜率65%,多空胜率70%;而全市场景气度策略多头组合年化超额收益率11.58%,调仓胜率62.5%,多空胜率67.5%;整体而言,定制版策略的表现更优。
接下来考察定制版策略和全市场策略在增强场景下的表现,所有参数设置与前文模拟测试中保持一致,核心结论如下:
景气度轮动策略在中证500增强上的表现
首先以中证500成分股权重以及行业归属信息,合成“中证500行业指数”,并作为底层资产,测试中证500景气度策略和全市场景气度策略的表现。结果表明,2011年至2020年底,定制版景气度策略多头组合年化超额收益率11.66%,调仓胜率61.67%,多空胜率68.33%;而全市场景气度策略多头组合年化超额收益率11.08%,调仓胜率62.50%,多空胜率60%;整体而言,定制版策略的表现更优。
接下来考察定制版策略和全市场策略在增强场景下的表现,所有参数设置与前文模拟测试中保持一致,核心结论如下:
风险提示
模型根据历史规律总结,历史规律可能失效。市场出现超预期波动,导致拥挤交易。
免责声明与评级说明
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】行业配置落地:指数增强篇——华泰中观基本面轮动系列之十
【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生成:从单资产到多资产——华泰人工智能系列之三十八
【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七
【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六
【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
ETF季度盘点
【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高,行业主题类ETF渐成市场新主角20210112
【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟,规模创新高20201021
【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803
【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点
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