量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,曾荣获AMMA优秀品牌力、优秀洞察力大奖,连续4年被腾讯云+社区评选为“年度最佳作者”。 来自:Financial Analysts Journal 标题:Is Sector Neutrality in Factor Investing a Mistake? 作者:Sina Ehsani、Campbell R. Harvey、Feifei Li
之前做了很多因子测试的工作,但一直没有总结,感觉很凌乱,决定花时间把这部分东西写一写,温故知新,也为后续学习打基础。首先写一下单因子测试部分,分三篇,数据预处理一篇, 回归法一篇,分层测试法一篇。本篇首先说明多因子模型是什么,随后着重于单因子测试流程及数据预处理的细节,附代码。
量化策略中超额收益alpha的来源可以简单分为两部分(不考虑网下打新):pure alpha+风险风格收益。pure alpha,包括量价因子、基本面因子等,能够带来稳定的超额收益;风险风格收益由风险因子贡献,包括市场因子、市值因子、行业因子、成长因子等,收益的波动性非常大。
学术界很早就发现,股票市场存在显著的盈余公告后的价格偏移现象(Post-Earnings Announcement Drift PEAD)。通俗解释来说,投资者对于公司的盈利有一个预期值,如果财报公布后,公司的实际盈利超出了投资者预期,公司的股价会上升,会有明显的超额收益。如果实际盈利低于投资者预期,公司股价会下降,会有明显的负向收益。本文基于这一现象构造盈利超预期因子,并对因子进行测试。后台回复“业绩超预期”获取代码和参考文献,限时免费。
本文总结单因子测试的分层测试法。与回归法相比,分层测试法相对繁琐,但能展示更多细节。 分层测试法的思路是在统一的规则下, 利用单因子构建投资组合进行回测,然后对投资组合的表现进行全面评价,通过投资组合的表现说明因子的有效性。
从2018年6月4日起,公众号每发布一篇文章,就为大家分享一张Octodex的创意图。 # 002 今天我们为大家带来最新的研报内容,来自广发证券金工团队的《风险中性的深度学习选股策略》。下面让我们来
我们知道,一个因子值的处理大致分为三个步骤,去极值、标准化、中性化,上次我们对因子值进行了去极值和标准化,这一次,我们主要讲一讲中性化,也就是neut。
首先,这是一篇值得收藏的干货文。基本上覆盖到了因子评估的每个方面每个细节,小白友好型,很长,慢慢看。
SignalFactorAnalyse单因子测试框架哪些因子可以为组合提供超额收益?这是构建多因子模型的第一步,也是最关键一步。 特征选择非常关键,只有把握关键特征才能对数据达到重要性认识,选择好的因子,才能获取超额收益率。 对于传统交易经验、金融理论、微观市场、机器学习、深度学习等不断挖掘出来的巨量待验因子,一个快速且有效的因子测试框架,将是Multi-factor策略系统中最为关键的一环。 因子模型测试思路 因子有效性的判断与筛选: •备选因子确定: 数学意义、经济意义、统计意义 •预处理: 数据空缺与
在开发股票投资模型这项工作中,很少有凭空搭建的楼阁。尽管可以使用机器学习类的工具增强模型性能,但是大部分模型的基础结构,依然基于传统的资产定价模型和因子分析演化而来。
“是在一个大的平台里追求安稳,还是在去初创的公司搓破天花板,这其实是每个行业都会遇到的选择。但尤其在量化行业,你会发现这两种选择显得更为两极化。但当我看到国内量化行业的蓬勃发展,我还是毅然选择离开世坤,并深入的参与到国内的市场竞争中来。”
上图是是用五个行业中性化的估值因子等权合成后,计算的value spread,因为做了行业中性化,所以反映的是行业内的(with-industry)value spread。
规模因子是A股长期以来非常显著的一个负向因子,单调性表现非常好,本文共测试如下6个规模因子。
Style Analytics是一家面向投资专业人士的独立全球软件提供商。Style Analytics之前被称为Style Research,拥有超过20年的因子分析经验,为30个国家的280多家投资机构提供服务。
公众号与点宽DigQuant量化社区开展了本期研究合作。 大家应该前段时间就知道 Alpha 101 了吧,很多人有去做,但是做的大多数都是简单的进行了一个复现,没有过多的区深究每个因子的涵义。本期推文我们和点宽合作,推出一个系列。来很系统的介绍 Alpha 101 。 社区俱乐部成员把 WorldQuant Alpha 101 的每个因子都了做一次最详细的解释和回测研究,一层一层的去拆分因子,把每个公式都说清楚。我们不讨论这些因子是否都是有效的,我们更多的是希望通过我们分析因子背后的金融意义,帮助大家
本文参考了一些国外的文献和国内的报告,需要后文提到的报告的在后台回复“DCAM”获取。
在开始今天的内容前,我们要先了解几个概念。许多书本上,可能不会这样讲,这个仅仅是笔者的一些感悟。
今天,继续我们的机器学习应用量化投资系列。本期我们介绍一篇研究报告,详细的介绍了7中机器学习算法在因子有效性上的展现。希望给大家在写策略时做一些参考借鉴。 前言 逻辑依旧明了,机器学习并非黑箱 谈到机器学习,大家最忌讳的便是黑箱问题。其实不必,理解机器学习算法,逻辑实则简单,比如相同的因子特征将会有相同的表现。在实战中,我们发现, 该逻辑十分有效,在我们的机器学习选股模型中,该逻辑连续十几年不曾被打破。 Adaboost 最稳定,朴素贝叶斯收益最高 全市场选股,市值中性选股等权加权,行业中性选股等
之前公众号分享过网友自行编写的WorldQuant 101因子源代码,大家有需要可以点击链接进行免费获取。
之前两篇分别总结了因子数据的预处理和单因子测试的分层测试法,本篇总结回归测试法,相较于分层测试法,回归测试法更简洁。
回归作为数据分析中非常重要的一种方法,在量化中的应用也很多,从最简单的因子中性化到估计因子收益率,以及整个Barra框架,都是以回归为基础,本文总结各种回归方法以及python实现的代码。
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 量化投资与机器学习公众号独家解读 量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号全力打造的一档深度、前沿、高水准栏目。 公众号遴选了各大期刊前沿论文,按照理解和提炼的方式为读者
类比银行卡号,一个钱包对应一个私钥,一个人可同时拥有多张银行卡,所以可以拥有多个钱包地址以及钱包地址对应的私钥
博雯 发自 凹非寺 量子位 | 公众号 QbitAI 这次,iOS 15.4的更新带来了一个新Siri。 既不是男声,也不是女声。 外网媒体和各大社区中较为统一的描述是去性别化(less gendered)或者中性化(gender neutral)。 在测试版中,这个新声音被简单地命名为“Voice 5”,可以和已有的四种声音对比听听看: (顺序为Voice 5、Voice 1、Voice 2、Voice 3、Voice 4) 目前,苹果公司已经承认新声音是由“LGBTQ+”群体中的一员录制的。 啊这…
TSINGSEE青犀视频监控管理平台EasyCVR能在复杂的网络环境中,将分散的各类视频资源进行统一汇聚、整合、集中管理,实现视频资源的鉴权管理、按需调阅、全网分发、智能分析等,平台融合性强、开放度高、部署轻快,在智慧工地、智慧园区、智慧工厂、智慧码头、智慧水利等场景中有着广泛的应用前景。
📷 Teaser 本文作者均来自 Pinscreen,即杀马特🧑🏻🎤教授黎颢创办的专注于真实感虚拟角色生成的人工智能公司。文章提出了一种从任意人脸图片,生成 normalized avatar (即中性表情、标准光照下的3D人脸虚拟化身)。 论文:arxiv.org/abs/2106.11423 Method 文章的流程如下图所示,主要包含两个阶段: Inference Stage:输入一张人脸图片,首先使用预训练的人脸识别网络 FaceNet 提取人脸面部特征,然后该面部特征通过 Identity Re
本篇文章有别于传统的多因子研究,我们并未将重点放在阿尔法因子的挖掘上,而是通过对股票组合的权重优化计算,找到了在市值中性、行业中性、风格因子中性约束下的最优投资组合,以及验证得到的组合权重是否满足了约束条件。
2、智能标签识别:识别新闻中存在的法人及自然人实体、SAM产品、行业、事件及概念。除了识别出这些标签,算法还能给出这篇新闻与这些标签的相关程度。
SYN2407F型工业级IEEE1588从时钟模块是一款PTP精密授时从端模块。本PTP从时钟模块可搭配PTP主设备和普通交换机作为一整套精密时间同步系统,采用主从时钟方式,无需专用1588交换机,对时间信息进行编码,利用网络的对称性和延时测量技术,实现主从时间同步。在系统的同步过程中,本模块接收主时钟端口发来的时间戳信息,系统据此计算出主从线路时间延迟及主从时间差,并利用该时间差调整本地时间,使从设备时间保持与主设备时间一致的频率与相位。
中性粒细胞是人外周血中数量最多的白细胞,它专门捕捉和杀死微生物,这一过程被称为吞噬作用。吞噬细胞不止一种,而中性粒细胞是最具杀伤力的吞噬细胞。它们能迅速移动进入受感染的组织,能够在受损组织中普遍存在的厌氧条件下发挥作用。
原文题目为:Ischaemia reperfusion injury in liver transplantation: Cellular and molecular mechanisms 去年发表于Liver International杂志
心力衰竭(HF)是一种慢性进行性综合症,死亡率很高。HF是一种严重的心功能障碍,其特征是射血功能或心室充盈功能受损,或两者兼而有之。心衰给卫生保健系统带来了相当大的负担,而且发病率的上升与多种因素有关:年龄、肥胖、高血压、糖尿病、缺血性心脏病、合并症、遗传、环境等,使其难以预测。
ripro是一款为资源付费类型的WordPress主题,主要运营方向是会员余额中性化,无需任何插件,带会员中心,主题的会员制度采用:会员,非会员,非会员原价购买资源等,会员用户可更具设置的资源折扣等享受免费下载或者打折下载,会员到期是否采用常见的到期时间,续费,过期等,可自定义会员标识,网站货币等。
中性粒细胞是免疫系统中含量最丰富的白细胞,在对抗病原体感染时发挥了快速和有效的作用。
在测试因子时,一般会对因子进行排序,并使用传统资产定价模型(如Fama因子模型)对Top组与Bottom组的收益差进行回归分析,如果显著产生了Fama模型不可解释的收益,就说明这个因子有效。
意义:提供了单细胞分辨率的人血细胞转录图谱,从而为探索生理和病理造血提供了全面的参考。
1992年,尼尔·斯蒂芬森(Neal Stephenson)的科幻小说《雪崩》(Snow Crash)出版,好评如潮。《雪崩》描述的是脱胎于现实世界的一代互联网人对两个平行世界的感知和认识。
来自哈佛大学等机构的科学家们研究了一下,结果发现:按摩确实能对肌肉起到修复再生的作用,让你肌纤维变粗、肌肉弹性更强!
细胞因子可以调节细胞间相互作用,调控免疫应答。那些你听说过的“细胞因子风暴”,“致热与炎症病理损害”,“肿瘤发生及免疫逃逸”,
免疫细胞在人类疾病的发生、发展和治疗中起着重要作用。中性粒细胞作为人类血液中最丰富的白细胞,可以迅速募集到炎症部位抵御病原体入侵。然而,对于肿瘤治疗,仅仅依靠免疫细胞自身的功能无法应对复杂的肿瘤环境,很难治愈它们。因此,针对免疫细胞在肿瘤治疗中遇到的障碍,有针对性地赋予其新的功能以获得多功能免疫细胞药物,可能是肿瘤治疗的有效手段。
最近比特币以及各种数字货币火的不行,区块链这个概念也三天两头霸占各种科技头条。以前虽然经常能听到「比特币」这个字眼,可完全没有足够的诱惑力吸引到我, 直到最近,因为曝光度实在太大,频繁出现在我的电脑和
今天和大家分享的是2020年发表在 Aging(IF:4.831) 上的一篇文章,“Elevated lymphocyte specific protein 1 expression is involved in the regulation of leukocyte migration and immunosuppressive microenvironment in glioblastoma ”。作者使用CGGA和TCGA的数据,分析GBM中白细胞迁移相关基因的表达,发现LSP1不仅表达升高,而且还作为GBM的独立预测因子,在临床肿瘤样本中进一步验证了该结果。此外,通过KM生存分析得:LSP1的表达与GBM肿瘤对放疗和化疗的反应密切相关;并通过功能基因富集分析和MCP-counter分析得:LSP1有助于GBM的肿瘤免疫抑制微环境。
研究者主要使用单细胞测序分析了超过25000个分化和成熟的小鼠中性粒细胞,提供中性粒细胞在稳态和细菌感染期间成熟、功能和命运决定的综合转录图谱。鉴定出8个亚群,3个成熟的外周血中性粒细胞亚群来自不同的成熟骨髓中性粒细胞亚群。在已知和未表征的转录因子的驱动下,中性粒细胞逐渐获得杀死微生物能力,代表了一种对有效但平衡的中性粒细胞反应进行微调调节的进化机制。细菌感染对中性粒细胞群的遗传结构进行重新编程,改变亚群之间的动态转变,并在不影响整体异质性的情况下启动中性粒细胞以增强功能。总之,这些数据为在单细胞分辨率下研究中性粒细胞相关疾病机制、生物标志物和治疗靶点建立了参考模型和一般框架。
前天去陆家嘴参加了通联量化的一个公开课。通联量化才两周年,所以我还是比较早的知道这个平台的人,至少一年多以前就知道有这样一个东西,可惜当时太年轻,二级市场的知识也很匮乏,更加重要的是,没有经历过A股暴跌,没有被市场教育过。
原文题目为:A single-cell atlas of the peripheral immune response in patients with severe COVID-19
在IDEA最新研究报告中首次提出了Quant 4.0的研究流程,在深度学习不断融入量化研究的时代,非常值得处于量化行业的我们仔细研读。
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业20W+关注者,连续2年被腾讯云+社区评选为“年度最佳作者”。
上次,我们利用get_clean_factor_and_forward_returns这个函数,可以获得alphalens能够接受的一种factor数据,接下来,我们就是利用这个函数返回给我们的数据去进行因子的分析。我们队这个函数的返回值命名为factor_data,即factor_date = get_clean_factor_and_forward_returns(......)。
https://onlinelibrary.wiley.com/doi/full/10.1111/jvs.12159
领取专属 10元无门槛券
手把手带您无忧上云