【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

来源：华泰金融工程

             SFC No. BPY421     研究员

陈   烨    S0570518080004    研究员

李子钰    S0570519110003    研究员

何   康    S0570118080081    联系人

报告发布时间：2020年8月24日

摘要

本文从网络结构和特征优化的角度改进AlphaNet，回测表现更好

华泰金工前期报告《AlphaNet：因子挖掘神经网络》(2020.6.14)提出了AlphaNet-v1模型。然而AlphaNet-v1在2019年下半年之后表现欠佳，针对该问题，我们分别从神经网络结构和特征的角度进行改进，构建了AlphaNet-v2和AlphaNet-v3两个升级模型，并在多个股票池内测试。结果显示，在全A股和中证800成分股中AlphaNet-v2表现优于AlphaNet-v1，在中证500成分股中AlphaNet-v3表现小幅优于AlphaNet-v2。另外，本文总结对比了“遗传规划+随机森林”模型和AlphaNet的优缺点。

本文介绍了两个改进模型：AlphaNet-v2和AlphaNet-v3的改进思路

相比AlphaNet-v1，AlphaNet-v2改进了以下几点：(1)考虑到比率类特征的有效性，扩充了6个比率类特征；(2)将池化层和全连接层替换为LSTM层，从而更好地学习特征的时序信息；(3)训练集和验证集划分从1：1变成4：1，验证集更关注近期样本的表现。相比AlphaNet-v2，AlphaNet-v3改进了以下几点：(1)扩充特征提取层，特征提取层1和特征提取层2中的运算函数具有不同的回看区间(10和5)；(2)将LSTM层替换为GRU，减少模型参数。

在全A股和中证800成分股中，AlphaNet-v2表现优于AlphaNet-v1

设定回测期为20110131～20200731，调仓周期为10个交易日。在全A股中，AlphaNet-v2相比AlphaNet-v1的RankIC均值从9.72%提升至10.76%，ICIR从1.00提升至1.15。构建相对于中证500 的行业、市值中性的全A 选股策略，年化超额收益率从17.17%提升至19.09%，信息比率从2.73提升至3.13。在中证800成分股中，AlphaNet-v2相比AlphaNet-v1的RankIC均值从8.37%提升至8.63%，ICIR从0.73提升至0.75。构建相对于中证800的行业、市值中性的选股策略，年化超额收益率从6.19%提升至7.84%，信息比率从1.65提升至2.00。

在中证500成分股中，AlphaNet-v3表现小幅优于AlphaNet-v2

设定回测期为20110131～20200731，调仓周期为10个交易日。在中证500成分股中，AlphaNet-v3相比AlphaNet-v2的RankIC均值从9.05%提升至9.70%，ICIR从0.89提升至1.00。构建相对于中证500的行业、市值中性的选股策略，年化超额收益率从9.40%提升至9.75%，信息比率从2.19提升至2.30。

本文总结对比了AlphaNet 和“遗传规划+随机森林”模型的优缺点

AlphaNet 和“遗传规划+随机森林”模型都是基于量价数据的人工智能选股模型，本文对比了二者的优缺点。AlphaNet的优点是：端到端学习使得因子挖掘和因子合成使用同一目标函数进行优化，且无需维护因子池，从而无需做大量的单因子测试、因子相关性分析、因子中性化等工作。另外，只需按情况对网络结构做一定调整，就可针对任意的股票池、预测周期、数据频率构建预测模型，省时省力。AlphaNet的缺点是：模型可解释性较低，目前可嵌入神经网络的特征提取层还比较有限，没有覆盖遗传规划中全部因子计算函数。“遗传规划+随机森林”模型的优缺点则正好相反。

风险提示：通过人工智能模型构建的选股策略是历史经验的总结，存在失效的可能。神经网络受随机性影响较大，使用需谨慎。机器学习模型解释方法存在过度简化的风险。

本文研究导读

在华泰金工2020年6月14日发布的报告《AlphaNet：因子挖掘神经网络》中我们指出：AlphaNet通过自定义特征提取层，能以端到端的方式有效提取股票原始量价数据中的特征，并展示了第一个版本：AlphaNet-v1的构建细节。然而AlphaNet-v1在2019年下半年之后表现欠佳，针对该问题，我们分别从神经网络结构和特征的角度进行改进，构建了AlphaNet-v2和AlphaNet-v3两个升级模型。对于AlphaNet-v2，我们在多个股票池内测试。对于AlphaNet-v3，由于模型复杂训练较慢，我们仅在中证500成分股内测试。

从AlphaNet-v1到AlphaNet-v2和AlphaNet-v3

本章我们首先以图表方式展现三个版本AlphaNet模型的构建细节和差异，再逐一阐述AlphaNet-v2和AlphaNet-v3相比AlphaNet-v1的改进逻辑。图表2和图表3展示了AlphaNet-v1的构建细节。

图表4和图表5展示了AlphaNet-v2的构建细节。相比AlphaNet-v1，AlphaNet-v2改进了以下几点：

1. 扩充了6个比率类特征，“数据图片”维度变为15*30。

2. 将池化层和全连接层替换为LSTM层，从而更好地学习特征的时序信息。

3. 训练集和验证集划分从1：1变成4：1，验证集更关注近期样本的表现。

图表6和图表7展示了AlphaNet-v3的构建细节。相比AlphaNet-v2改进了以下几点：

1. 扩充特征提取层，特征提取层1和特征提取层2中的运算函数具有不同的回看区间(10和5)。

2. 将LSTM层替换为GRU，减少模型参数。

改进说明1：扩充比率类特征

比率类特征具有丰富的信息。在遗传规划所挖掘出的因子中，我们观察到包含比率类特征的因子回测表现较好，图表8和图表9分别展示了包含比率类特征的因子1和因子2的分层回测表现。

因子1：ts_corr(div(open,free_turn),close,10)。

因子2：ts_corr(div(volume,low),close,10)。

我们在AlphaNet-v2和AlphaNet-v3中加入了以下6个比率类特征：

改进说明2：将池化层和全连接层替换为LSTM/GRU层

如图表11所示，由于特征提取层得到的特征依然具有时序信息，因此相比池化层，LSTM/GRU更合适作为后续的网络结构。

图表12和图表13分别是LSTM和GRU的隐藏状态结构，相比LSTM， GRU少了一个门控结构，待优化的参数量减少了四分之一，但性能基本一致，因此在更为复杂的AlphaNet-v3中，我们使用GRU来代替LSTM。

“遗传规划+随机森林”模型和AlphaNet的对比

到目前为止，华泰金工人工智能系列报告介绍了两套方法来通过个股量价数据构建多因子选股策略，分别是：

1. “遗传规划+随机森林”模型：先使用遗传规划挖掘因子，再用随机森林做因子合成，详见《基于量价的人工智能选股体系概览》(2020.2.18)。

2. AlphaNet模型：使用神经网络实现端到端的因子挖掘和因子合成。

“遗传规划+随机森林”模型是传统机器学习时代方法的体现，即首先进行特征工程，再做模型训练。而AlphaNet则是深度学习时代方法的体现，即实现原始数据到目标问题的端到端学习。对于多因子选股来说，二者各有优劣，我们在图表14中做了对比。

AlphaNet模型测试流程

数据准备

1. 股票池：全A股，中证500成分股，中证800成分股。剔除ST、PT股票，剔除每个截面期下一交易日涨跌停和停牌的股票。

2. 原始特征：个股日频量价信息，如图表15所示。对于每只股票，将其量价数据拼接成15*30的“数据图片”，30为历史时间天数。

3. 预测目标：个股10天后标准化的收益率。

4. 回测区间：2011年1月31日至2020年7月31日。

5. 样本内数据大小：每次训练都使用过去1500个交易日的数据作为样本内数据，每隔两天采样一次。

6. 训练集和验证集比例：按照时间先后进行4：1划分，训练集在前，验证集在后。

AlphaNet训练和预测方式

1. 模型训练：从2011年1月31日开始，每隔半年进行滚动训练。样本内数据为过去1500个交易日的数据，训练集和验证集按照4：1划分。

2. 模型预测：在每个样本外数据截面上，使用最新训练的模型预测个股未来10天的收益率。

考虑到神经网络的训练受随机数种子影响较大，我们会训练10个模型，并将10个模型的预测结果做等权平均，取该平均值为AlphaNet的合成因子。

组合构建和回测

对于AlphaNet-v2 合成的因子，在全A 股和中证800 成分股内测试，并与AlphaNet-v1进行对比。

1. 单因子IC 测试和分层测试。分析因子的RankIC 均值、ICIR、分层组合年化收益率等指标。

2. 对于全A 选股模型，构建行业市值中性的中证500 增强策略进行回测。分析策略的年化超额收益率、信息比率、超额收益最大回撤等指标。

3. 对于中证800 内选股模型，构建行业市值中性的中证800 增强策略进行回测。分析策略的年化超额收益率、信息比率、超额收益最大回撤等指标。

对于AlphaNet-v3 合成的因子，在中证500 成分股内测试，并与AlphaNet-v2 进行对比。

1. 单因子IC 测试和分层测试。分析因子的RankIC 均值、ICIR、分层组合年化收益率等指标。

2. 对于中证500 内选股模型，构建行业市值中性的中证500 增强策略进行回测。分析策略的年化超额收益率、信息比率、超额收益最大回撤等指标。

AlphaNet-v2测试结果

本章将对AlphaNet-v2进行以下两组测试：

1. 全A选股测试，并与AlphaNet-v1对比。

2. 中证800成分股内测试，并与AlphaNet-v1对比。

单因子IC测试的方法如下：

1. 样本空间：全A股，中证800成分股。剔除ST、PT股票，剔除每个截面期下一交易日涨跌停和停牌的股票。

2. 回测区间：2011年1月31日到2020年7月31日。

3. 截面期：每隔10个交易日，用当前截面期因子值与当前截面期至下个截面期内的个股收益计算RankIC 值。

4. 为了分析合成因子的增量信息，会展示因子进行行业、市值、10日收益率、10日波动率、10日换手率五因子中性化后的测试结果。

单因子分层测试的方法如下：

1. 股票池、回测区间、截面期均与IC测试一致。

2. 换仓：在每个截面期得到预测值，构建分层组合，在截面期下一个交易日按当日vwap换仓，交易费用为单边千分之二。

3. 分层方法：先将因子暴露度向量进行一定预处理，将股票池内所有个股按处理后的因子值从大到小进行排序，等分N层，每层内部的个股等权重配置。当个股总数目无法被N整除时采用任一种近似方法处理均可，实际上对分层组合的回测结果影响很小。分层测试中的基准组合为股票池内所有股票的等权组合。

4. 多空组合收益计算方法：用Top组每天的收益减去Bottom组每天的收益，得到每日多空收益序列 r1,r2,...,rn，则多空组合在第n天的净值等于(1+r1)(1+r2)...(1+rn)。

5. 为了分析合成因子的增量信息，会展示因子进行行业、市值、10日收益率、10日波动率、10日换手率五因子中性化后的测试结果。

构建行业市值中性的指数增强策略回测的方法如下：

1. 股票池、回测区间、截面期均与IC测试一致。

2. 换仓：在每个截面期得到预测值，通过组合优化模型得到新的持仓股票和权重，在截面期下一个交易日按当日vwap换仓，交易费用为单边千分之二，每次调仓双边换手率限制在60%。

全A选股测试

单因子IC测试

我们将AlphaNet-v1和AlphaNet-v2在每个截面上的预测结果视为合成的单因子，进行单因子IC测试。图表16和图表17展示了合成因子的IC测试结果，AlphaNet-v2在各项测试指标上都优于AlphaNet-v1。

单因子分层测试

我们将AlphaNet-v1和AlphaNet-v2在每个截面上的预测结果视为合成的单因子，进行单因子分5层测试。图表18~图表20展示了合成因子的分层测试结果，AlphaNet-v2在各项测试指标上都优于AlphaNet-v1。

构建行业市值中性的中证500增强策略进行回测

我们将AlphaNet-v1和AlphaNet-v2在每个截面上的预测结果视为合成的单因子，构建相对于中证500 的行业、市值中性的全A 选股策略并进行回测，图表21~图表23展示了个股权重偏离上限为1%时的回测结果。AlphaNet-v2在多项测试指标上都优于AlphaNet-v1。

中证800成分股内测试

单因子IC测试

我们将AlphaNet-v1和AlphaNet-v2在每个截面上的预测结果视为合成的单因子，进行单因子IC测试。图表24和图表25展示了合成因子的IC测试结果，AlphaNet-v2在RankIC均值，IC_IR优于AlphaNet-v1。

单因子分层测试

我们将AlphaNet-v1和AlphaNet-v2在每个截面上的预测结果视为合成的单因子，进行单因子分5层测试。图表26~图表28展示了合成因子的分层测试结果。AlphaNet-v2的TOP组合超额收益率、TOP组合信息比率、多空组合夏普比率优于AlphaNet-v1。

构建行业市值中性的中证500增强策略进行回测

我们将AlphaNet-v2在每个截面上的预测结果视为合成的单因子，构建相对于中证800 的行业、市值中性选股策略并进行回测。图表29~图表31展示了个股权重偏离上限为1%时的回测结果。AlphaNet-v2在多项测试指标上都优于AlphaNet-v1。

AlphaNet-v3测试结果

由于AlphaNet-v3结构较为复杂，对算力要求较高，本章仅在中证500成分股内测试AlphaNet-v3，并与AlphaNet-v2进行对比。

单因子IC测试的方法如下：

1. 样本空间：中证500成分股。剔除ST、PT股票，剔除每个截面期下一交易日涨跌停和停牌的股票。

2. 回测区间：2011年1月31日到2020年7月31日。

3. 截面期：每隔10个交易日，用当前截面期因子值与当前截面期至下个截面期内的个股收益计算RankIC 值。

4. 为了分析合成因子的增量信息，会展示因子进行行业、市值、10日收益率、10日波动率、10日换手率五因子中性化后的测试结果。

单因子分层测试的方法如下：

1. 股票池、回测区间、截面期均与IC测试一致。

2. 换仓：在每个截面期得到预测值，构建分层组合，在截面期下一个交易日按当日vwap换仓，交易费用为单边千分之二。

3. 分层方法：先将因子暴露度向量进行一定预处理，将股票池内所有个股按处理后的因子值从大到小进行排序，等分N层，每层内部的个股等权重配置。当个股总数目无法被N整除时采用任一种近似方法处理均可，实际上对分层组合的回测结果影响很小。分层测试中的基准组合为股票池内所有股票的等权组合。

4. 多空组合收益计算方法：用Top组每天的收益减去Bottom组每天的收益，得到每日多空收益序列 r1,r2,...,rn，则多空组合在第n天的净值等于(1+r1)(1+r2)...(1+rn)。

5. 为了分析合成因子的增量信息，会展示因子进行行业、市值、10日收益率、10日波动率、10日换手率五因子中性化后的测试结果。

构建行业市值中性的指数增强策略回测的方法如下：

1. 股票池、回测区间、截面期均与IC测试一致。

2. 换仓：在每个截面期得到预测值，通过组合优化模型得到新的持仓股票和权重，在截面期下一个交易日按当日vwap换仓，交易费用为单边千分之二，每次调仓双边换手率限制在60%。

中证500成分股内测试

单因子IC测试

我们将AlphaNet-v2和AlphaNet-v3在每个截面上的预测结果视为合成的单因子，进行单因子IC测试。图表32和图表33展示了合成因子的IC测试结果，AlphaNet-v3在各项测试指标上都优于AlphaNet-v2。

单因子分层测试

我们将AlphaNet-v2和AlphaNet-v3在每个截面上的预测结果视为合成的单因子，进行单因子分5层测试。图表34~图表36展示了合成因子的分层测试结果，AlphaNet-v3在各项测试指标上都优于AlphaNet-v2，但优势并不显著。

构建行业市值中性的中证500增强策略进行回测

我们将AlphaNet-v2和AlphaNet-v3在每个截面上的预测结果视为合成的单因子，构建相对于中证500 的行业、市值中性的全A 选股策略并进行回测，图表37~图表39展示了个股权重偏离上限为1%时的回测结果。AlphaNet-v3在各项测试指标上都优于AlphaNet-v2，但优势并不显著。

总结

本文结论如下：

1. 本文介绍了两个AlphaNet 改进模型：AlphaNet-v2 和AlphaNet-v3 的改进思路。相比AlphaNet-v1，AlphaNet-v2改进了以下几点：(1)考虑到比率类特征的有效性，扩充了6个比率类特征；(2)将池化层和全连接层替换为LSTM层，从而更好地学习特征的时序信息；(3)训练集和验证集划分从1：1变成4：1，验证集更关注近期样本的表现。相比AlphaNet-v2，AlphaNet-v3改进了以下几点：(1)扩充特征提取层，特征提取层1和特征提取层2中的运算函数具有不同的回看区间(10和5)；(2)将LSTM层替换为GRU，减少模型参数。

2. 在全A 股和中证800 成分股中，AlphaNet-v2 表现优于AlphaNet-v1。设定回测期为20110131～20200731，调仓周期为10个交易日。在全A股中，AlphaNet-v2相比AlphaNet-v1的RankIC均值从9.72%提升至10.76%，ICIR从1.00提升至1.15。构建相对于中证500 的行业、市值中性的全A 选股策略，年化超额收益率从17.17%提升至19.09%，信息比率从2.73提升至3.13。在中证800成分股中，AlphaNet-v2相比AlphaNet-v1的RankIC均值从8.37%提升至8.63%，ICIR从0.73提升至0.75。构建相对于中证800的行业、市值中性的选股策略，年化超额收益率从6.19%提升至7.84%，信息比率从1.65提升至2.00。

3. 在中证500 成分股中，AlphaNet-v3 表现小幅优于AlphaNet-v2。设定回测期为设定回测期为20110131～20200731，调仓周期为10个交易日。在中证500成分股中，AlphaNet-v3相比AlphaNet-v2的RankIC均值从9.05%提升至9.70%，ICIR从0.89提升至1.00。构建相对于中证500的行业、市值中性的选股策略，年化超额收益率从9.40%提升至9.75%，信息比率从2.19提升至2.30。

4. 本文总结对比了AlphaNet 和“遗传规划+随机森林”模型的优缺点。AlphaNet 和“遗传规划+随机森林”模型都是基于量价数据的人工智能选股模型，本文对比了二者的优缺点。AlphaNet的优点是：端到端学习使得因子挖掘和因子合成使用同一目标函数进行优化，且无需维护因子池，从而无需做大量的单因子测试、因子相关性分析、因子中性化等工作。另外，只需按情况对网络结构做一定调整，就可针对任意的股票池、预测周期、数据频率构建预测模型，省时省力。AlphaNet的缺点是：模型可解释性较低，目前可嵌入神经网络的特征提取层还比较有限，没有覆盖遗传规划中全部因子计算函数。“遗传规划+随机森林”模型的优缺点则正好相反。

风险提示

通过人工智能模型构建的选股策略是历史经验的总结，存在失效的可能。神经网络受随机性影响较大，使用需谨慎。机器学习模型解释方法存在过度简化的风险。

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】周期轮动下的BL资产配置策略

【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】市场拐点的判断方法

【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】市场周期的量化分解

【华泰金工林晓明团队】周期研究对大类资产的预测观点

【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

行业指数频谱分析及配置模型：市场的周期分析系列之三

【华泰金工林晓明团队】市场的频率——市场轮回，周期重生

【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】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八

【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七

【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】不确定性与缓冲机制——华泰周期起源系列研究报告之五

【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

【华泰金工林晓明团队】因子收益率的周期性研究初探

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】A股市场低开现象研究

【华泰金工林晓明团队】华泰风险收益一致性择时模型

【华泰金工林晓明团队】技术指标与周期量价择时模型的结合

【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

【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三

【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二

【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一

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】五因子模型A股实证研究

【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】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】对抗过拟合：从时序交叉验证谈起

【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】酌古御今：指数增强基金收益分析

【华泰金工林晓明团队】基于回归法的基金持股仓位测算

【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FFScore模型

【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究

【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】大成旗下基金2018定投策略研究

【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

【华泰金工林晓明团队】基金定投3—马科维茨有效性检验

【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法

【华泰金工林晓明团队】基金定投1—分析方法与理论基础

免责声明：自媒体综合提供的内容均源自自媒体，版权归原作者所有，转载请联系原作者并获许可。文章观点仅代表作者本人，不代表新浪立场。若内容涉及投资建议，仅供参考勿作为投资依据。投资有风险，入市需谨慎。

海量资讯、精准解读，尽在新浪财经APP