① 【量化】各平台開源的選股策略匯總
大概收集了下各平台開源的量化選股策略。本意為供自己參考，順手分享一下，希望能對有緣人有用，哈哈。
一、 多因子模型選股
多因子模型是應用最廣泛的一種選股模型，基本原理是采念漏芹用一系列的因子作為選股標准，滿足這些因子的股票則被買入，不滿足的則賣出。
1 、大師系列——價值投資法整理歸檔（一共19個經典的大師策略）
2 、多因子換檔反轉策略
3 、Foster Friess積極成長策略
4 、Fama-French三因子火鍋&五因子模型
5 、多因子模型+資產組合優化（加「社區神定律——每月25號以後不交易」）
6 、11年100倍以上的多因子策略-四因子選股策略研究
7 、光大多因子模型
《光大證券_多因子系列報告之一:因子測試框架》，
《光大證券_多因子系列報告之二：因子測試全集》，
《光大證券_多因子系列報告之三：多因子組合「光大Alpha1.0」》
https://uqer.io/community/share/5958e0bec9dd160057510df9
8 、小費雪選股法
（一）小費雪——靜態市收率PS： https://www.joinquant.com/post/6944?tag=new
（二）小費雪——相對市收率： https://www.joinquant.com/post/7027?tag=new
（三）小費雪（終）： https://www.joinquant.com/post/7029?tag=new
參考研報：《 華泰價值選股之低市收率A股模型Ⅱ 》
9 、華泰價值選股之FFScore模型
來源:【聚寬社區】https://www.joinquant.com/post/4872
參考研報： 【華泰金工林曉明團隊】華泰價值選股之FFScore模型
10、國信動態多因子演算法的實現
參考研報：國信《45數量化投資技術系列之四十五：基於A股市場選股因子邊際效用和有效分散的動態區分度動量策略》
二、風格輪動模型
1 、鬥牛蛋卷二八輪動原版策略實現（本質為擇時）
簡介：「二八輪動」就是根據A股市場中大盤股和小盤股走勢不同作為信號判斷的仔畢。（所謂二，就是指數量佔20%的大盤股、權重股；所謂的八,就是數量佔80%左右的中小盤股，非權重股；其輪動就是指在兩者之間不斷切換，輪流持有。）
三、配對交易
所謂配對交易，就是利用兩只股票（或基金、債券等其他品種）走勢非常相似，如果出現一直股票正偏離，一隻股票負偏離，那麼做空正偏離的股票，做多負偏離的股票。
1. 工農配對（偏向擇時）
2. 銀行輪動（中、農、工、商）無止損，年化77%
附：質疑帖：https://www.joinquant.com/post/5377?tag=new
四、 行業選股
1. 【羊群效應系列】--尋找行業輪動中的龍頭股：
https://www.joinquant.com/post/1038?tag=new
金融市場的羊群效應主要是指投資者在市場交易過程中的學習與模仿的現象，當市場中存在羊群效應時，投資者在做出自己的決策時更加依賴於他人的行為而忽略自己所獲取的信息。
五、資金流模型
1、 資金流模型的研究：
https://www.joinquant.com/post/973?tag=new
2、 資金流數據+支持向量機——判斷股價走勢：
（資金流可以解釋一部分股價的變化，這里的思路是不考慮基本面也不考慮時間序列，主要看大額資金是流入還是流出。因此，考慮搜檔輸入資金流數據，通過機器學習的方式來對未來股價的漲跌做分類預測。這里用的是支持向量機。）
https://www.joinquant.com/post/6744?tag=new
3 、個股資金流：
https://uqer.io/community/share/5696099e228e5b18dfba2c8b
六、事件選股：
1 、異動事件選股：
簡介：在通常情況下，股票與指數的日內走勢是隨波逐流的關系。但是，在某些特殊的交易日里，股票可能在盤中頻繁出現與指數走勢背道而馳的情況。這種個性十足的價格異動，我們稱之為「特立獨行」事件。
策略中異動事件的篩選方法如下：
（1）取交易日t、股票stk的日內分鍾收益率序列，計算其與上證綜指當日分鍾收益率序列的皮爾遜相關系數COV(stk,t)；
（2）將相關度因子COV(stk,t)低於閾值Lambda，視為發生「特立獨行」異動事件。對於Lambda的選取，本文採用的計算方法是全部股票平均相關系數減去兩倍標准差。
據此嘗試構建一個基於「特立獨行」異動事件的投資組合，在發生異動事件的樣本中，選取「逆勢漲」的部分，「逆市漲」指的是當日股票收益大於0，且市場收益率小於0。每日收盤後選出合格的股票標的，次日以開盤價等權買入，持有50個交易日後以收盤價賣出。由於事件發生的概率較低，為了防止空倉率高的情況，本文調長持有時間，這也一定程度減少了投資機會。
地址： https://uqer.io/community/share/57887bed228e5b8a099334a0
升級版： https://uqer.io/community/share/5795858d228e5ba29305f729
2 、事件驅動研究——財報對分析師評級上調事件的影響
https://uqer.io/community/share/59c9e27a0f66ae010a61be46
七、趨勢追蹤模型
（衡量股票趨勢的指標最重要的就是均線系統，因為它是應用最為廣泛的趨勢追蹤指標，
所以均線是不可或缺的，把它作為捕捉大盤主趨勢的基石。但是純粹的均線由於噪音等原因，使得經常會出現誤操作，需要進行更多的處理機制，包括極點、過濾微小波動、高低點比較策略、高低點突破策略、長波的保護機制、長均線的保護機制等概念和技術細節；卡爾曼濾波）
1、 基於勝率的趨勢交易策略：
簡介：簡單構建了一個基於勝率的趨勢交易策略。認為過去一段時間（N天）內勝率較高、信息比率較高的股票會在緊隨其後的幾天有較好的表現
地址： https://uqer.io/community/share/565aeac3f9f06c6c8a91ae31
2、 海龜模型趨勢跟隨策略
簡介：基於唐奇安突破通道，海龜模型的趨勢捕捉是基於唐奇安突破通道系統，即價格突破20日最高價的最大值為入市信號，價格突破10日最低價的最小值為離場信號。
地址： https://uqer.io/community/share/58161031228e5b43fd5c26f6
3、 多頭趨勢回踩策略
簡介：多頭趨勢回撤的思路，是根據若干條均線呈現出的形態判斷一支股票是否處於強勢狀態，並抓住回調的時機低位買入。顧名思義，這個策略的要點分為兩部分：多頭趨勢和回撤點。5、10、20、60、120五根均線為從上至下依次排序，由此判定股價處於多頭趨勢。均線呈完全相反的排列順序，是空頭趨勢。均線反復交叉的情況，則為震盪趨勢。
地址： https://www.joinquant.com/post/1901?tag=algorithm
② 金融模型——多因子模型歸因
本文主要詳細介紹怎麼使用多因子模型對組合資產進行歸因分析，歸因分析的內容為收益歸因和檔宏風險歸因。
上圖列出了由馬克維茨均值方差理論引出的三條路，其一為資產配置，我們本文不涉及，其二為資本資產定價（CAMP)的一條路，其三為套利定價理論（APT）的第三條路。第二條路和第三條路為本文討論重點。
第二條和第三條路都是屬於多因子分析的范疇，第二條路是知道因子收益的時間序列，通過時間序列上的回歸去求因子暴露，為的是解釋個券收益的組成部分。第三條路是知道截面因子暴露去回歸截面上的因子收益，為的是挖掘有效因子，找到這個因子帶來的超額收益。
使用多因子模型進行投資組合的歸因分析，也主要梁孝包括基於凈值的歸因方法和基於持倉的歸因方法兩大類。基於凈值的歸因方法是走的第二條路，比較簡單。基於持倉的歸因方法走的是第三條路，比較復雜。
兩者的區別主要表現在三個方面：
1、基於凈值橡蠢稿的歸因方法是時間序列回歸，基於持倉的歸因方法是截面回歸；
2、基於凈值的歸因方法主要來自CAMP（資本資產定價）模型，基於持倉的歸因方法主要來自APT（套利定價）理論。
3、基於凈值的歸因方法要求比較簡單，數據較少且較容易獲取，僅需要組合的凈值數據以及因子收益序列即可進行分析。而基於持倉的歸因方法需要知道具體的組合權重、個股因子暴露等數據，來確定組合的因子暴露。
下面詳細介紹兩大類方法。
在介紹兩個方法前，我們下面給出項目的框架如下圖：
基於凈值的歸因方法，邏輯上很簡單，它來自資本資產定價模型，用所有因子收益的時間序列去回歸組合收益的時間序列。這樣做的目的是，是把組合的收益分解在各個特定的因子上，認為組合或者個股的收益都可以被給定的特定因子收益加個股特質收益來解釋，解釋不了的部分直接扔給殘差。這里要特別注意，此時特定因子收益在一個時間截面上是一個常數，對多所有股票都一樣，這與另一種方法基於持倉的歸因方法有本質的區別。
基於這種方法，人們開發出的模型很多，如下：
1、Fama-French三因子模型
2、Carhart四因子
在 FF 三因子模型的基礎上，引入動量因子 UMD (高收益率股票組合與低收益率股票組合 收益率之差)
3、Fama五因子模型如下：
我們這里以Fama五因子模型為例，詳細介紹這種方法的實現。
Fama五因子模型如下：
因為本文主要是項目實施前的參考文檔，所以在此不介紹Fama五因子模型怎麼得來的。只需要知道Fama五因子模型是上面公式。
其中，
表示資產 i 在時間 t 的收益率，
表示時間 t 的無風險收益率，
表示時間 t 的市場收益率，
即為時間 t 的風險溢價，
為時間 t 的市值因子的模擬組合收 益率(Small minus Big)，
為時間 t 的賬面市值比因子的模擬組合收益率(High minus Low)，
為時間 t 的盈利因子的模擬組合收益率(Robust minus Weak)，
為時間 t 的投資因子的模擬組合收益率(Conservative minus Aggressive)，
為經過正交化 調整的估值因子模擬組合收益率，其餘各變數含義與三因子模型相同。
均為回歸待擬合系數，𝜖_{𝑖𝑡} 為殘差項。
有了模型，下面我們具體去實現。
我們遵循機器學習項目的步驟，將Fama五因子模型歸因分析的實現，歸結為以下流程。
數據准備>>數據預處理>>構造Fama五因子>>數據分析>>回歸分析>>歸因分析
(1) 股票池:全A股，在每個時刻t均剔除ST、PT股票，剔除停牌及上市未滿一個月的股票，剔除 BP 值為負的股票;
(2) 時間參數:2010年1月至2018年1月;
(3) 因子對應指標:
a) 市場因子指標:上證 指數;
b) 規模因子指標:總市值 = 每股股價 × 發行總股數;
c) 估值因子指標:賬面市值比 BP，即市凈率的倒數;
d) 盈利因子指標:扣除非經常性損益、攤薄的 ROE;
e) 投資因子指標:當期總資產相對上期總資產變化率;
f) 無風險利率設為零，個股收益率用 Wind 後復權收盤價核算;
g) 以自然月為頻率，計算因子值並重新分層計算對應五因子收益率。
1、所有數據按同一時間，同一股票對齊，注意這里的財報指標相關的時間要使用財報公布時間不能使用財報報告期。
2、第一步產生的NA值，用前一個值去填充（因為這里回歸的方式是時間序列回歸）。
Fama 和 French(2015)原始的方法，是沿著某兩個因子維度將股票分成 2x3=6 個組合(圖表 2，3)。在這 2 個因子維度中，其中一個固定為規模，按照中位數分為兩層， 另外一個為 BP、盈利或者投資因子，按照 30%，70%分位數分成 3 層(圖表 3)。這樣， 我們將得到 3 個 2x3 的股票資產組合(規模與 BP 兩維度分組、規模與盈利兩維度分組、 規模與投資兩維度分組)。
因子的構造方法以及計算細節見下面表 1 和 2。在圖表 2 中，我 們用 2 個字母來標記股票的分組，第一個字母表示規模大(B)或小(S)，第二個字母在 BP 分層中，表示 BP 高(H)、中(N)、低(L);在盈利分組中表示強(R)、中(N)、弱(W);在投資 分組中，表示投資保守(C)、中(N)或者強(A)。
表1
表2
最後我們得到除了市場因子以外的 4 個因子 收益率為:
(1) SMB (small minus big):小市值組股票減大市值組股票平均月收益率;
(2) HML(highminuslowBP):高BP組股票減低BP組股票平均月收益率;
(3) RMW(Robustminusweakprofit):高ROE組的股票減低ROE組股票平均月收益率;
(4) CMA():總資產增長率低組股票減總資產增長率高組股票平均月收益率。
數據分析部分主要分析五因子組成數據的特性。其主要分析四部分內容：
1、五因子的均值，方差等summary統計。這樣能說明那個因子在市場的收益中起到作用。
2、求均值是否顯著異於零的假設檢驗對應的 t 統計量。目的是檢驗哪一個因子最能帶來超額的收益。
3、五因子累計收益分析，一般是規定一個日期為起始日期，形成五因子的累積凈值曲線，目的是用來分析五因子在歷史上和現在的表現，和預估未來的表現。後面歸因分析中會用到這里的累積。
4、五因子間的相關性分析。其目的是提出多吃公線性，用作下一步回歸用。
這里可以剔除多重共線性，也可以不剔除，因為Fama在原始論文中就發現了了五因子中存在多重公線性，但是Fama並沒有處理這個問題。所以這里也可以不處理。
去除多重共線性的方法為：
分別用4個因子對另一個因子進行線性回歸，可以找到共線性因子，找到共線性因子後。
用四個因子去回歸這個共線性的因子，生成的殘差，作為這個因子的新值，這樣既做可以去掉共線性，也因為是線性變化，不改變因子的方向。這種去除共線性的方法，使用與所有的多因子模型。包括APT多因子模型。
我們有了Fama五因子，將組合的收益時間序列作為因變數，直接進行回歸，即可求出模型：
在求出模型的同時，求出回歸的可決系數，檢驗模型的因子解釋的有效性。
我們由五因子的累積凈值走勢圖，可以分析出歷史和當前那個因子起到主要作用，通過上面方差的回歸系數，我們可以發現我們組合的收益來源，如果組合的主要收益來源和當前五因子收益表現最好的不一致，就要考慮進行調倉，高配表現好的因子。這就是基於凈值的收益歸因。
既然這里目標變數是組合的收益率，那麼有上面模型，我們可以由因子的風險矩陣求出組合的總風險，且每一個因子的風險貢獻都可以求出，道理和風險預算模型一致。這就是基於凈值的風險歸因。
額外的，在這個模型可以用來選股，我們選擇 很小的股票和資產，因為這種股票和資產收益和風險可以被五因子所解釋，風險小， 大的說明還有很多不能被五因子解釋的部分，風險也大。
所以，我們使用Fama多因子選股的時候，只需用五因子回歸市場上每一個股票，對生成的殘差 有小到大排序，選擇殘差 小的股票。
基於持倉的歸因方法，邏輯上比基於凈值的歸因方法要復雜的多，它來自套利定價模型（APT），用所有所有股票截面的因子的暴露序列去回歸所有股票的收益序列。這種做法的目的是找到個股收益和因子收益之間的關系，尋找有效因子，通過有效因子來選擇好的股票。
這種做法把重點放在了因子挖掘和最後資產的打分模型的選擇上。
最後的模型打分，最後主要開發出來以下模型：
分層打分法、簡單線性回歸、隨機森林、邏輯回歸、支持向量機回歸。
本文以簡單線性回歸為例，詳細介紹這種方法歸因分析的實現。
我們還是遵循機器學習的項目流程，來進行實現：
數據准備>>數據預處理>>單因子有效性檢驗>>數據分析>>回歸分析>>歸因分析
(1) 股票池:全A股，在每個時刻t均剔除ST、PT股票，剔除停牌及上市未滿一個月的股票，剔除 BP 值為負的股票;
(2) 時間參數:2010年1月至2018年1月;
(3) 因子對應指標:
a) 市場因子指標:上證 指數;
b) 行業因子指標:申萬一級行業指數。
c) 風格因子指標：市值size，PE，EBITA.(這里以這三個因子為例，APT框架的優勢就是因子可以隨便加)
1、所有數據按同一時間，同一股票對齊，注意這里的財報指標相關的時間要使用財報公布時間不能使用財報報告期。雖然這種方法是截面回歸，但是要研究每個因子的有效性，所以必須列出各個因子的歷史時間序列數據。
2、第一步產生的NA值，用截面該因子的均值填充。（這與上面的做法不一樣）。
3、若因子NA比率超過30%，則舍棄該因子。
4、對每個因子的暴露（就是因子值）分布分析，剔除3-sigma以外的公司。（最後回歸用，因為回歸對極值敏感）
5、z-score標准化所有因子。（最後回歸用，去量綱）
通常我們總認為行業和市值兩個因子對股票的收益影響較大，所以在單獨分析其他因子時，要把這兩個因子暴露引起的收益剔除掉，也就是所謂的因子中性化。經常使用的方法是，用因子暴露作為因變數，用行業因子和市值因子去回歸因子暴露，得到的殘差就是中性化後的因子。
在這個過程中，因為行業是類別變數，不能直接進行回歸，要引入啞變數的方式進行回歸。
注意：因子暴露此時已經變成中心化的，所以一下處理全在中性化因子的基礎上。
整個模型最麻煩的一步，也是最瑣碎的一步。
在剔除了極端公司和填充了因子NA值後，我們對每個單因子進行有效性檢驗。做法有以下幾種：
1、IC值檢驗
2、RIC值檢驗
3、IR檢驗
4、方差分析(ANOVA)給出p-value
5、隨機森林
這里我們要先再確認下因子收益和因子暴露的概念：
因子暴露是因子具體的值，例如60000.sh(浦發銀行)的PE（因子）值為5.62.納悶普法銀行在因子PE上的暴露就是5.62。
因子收益是用截面因子暴露去回歸個股收益時產生的各項因子的回歸系數。
為什麼這樣定義，其實原因來自上面的基於CAMP模型多因子分析。
我們有各個因子的暴露值後，可以對各個因子進行單因子檢驗，我們求當期（t期）的因子暴露值和下一期（t+1期）的個股收益的相關性數,得到當期（t期）的該因子的IC值：
其中：
這樣求出來的IC值的絕對值越大越好，求出所有因子歷史一段時間的IC值走勢。因子IC的絕對值長時間處於很大的值，說明這個因子長期有效性很強，若偶爾絕對值很大，說明因子偶爾有效，也要保留，我們剔除那些IC長期很小的因子。認為這些因子有效性不強。
RIC的用法與IC的用法完全一致，只有RIC的定義不一樣，我們求當期（t期）的因子暴露值和下一期（t+1期）的個股收益的秩相關性數,得到當期（t期）的該因子的RIC值：
其中：
RIC使用方式和IC一致。
從上面使用IC和RIC時，不是很方便，我們要看IC和RIC長期表現，這種表現是定性看的，我們需要構造一個量，定量的去衡量因子的長期表現。我們很簡單的一個想法是：用IC的均值來衡量IC的長期表現好壞，用IC的標准差來衡量表現的穩定性。
於是我們綜合兩個在一起，構造IR如下：
這里的符號IR與信息比率是一樣的，因為兩者是一個東西，可以通過數學推導得到。
我們選取IR高的因子，丟棄IR低的因子。
方差分析是用來分析多組數據之間均值是否一樣的統計分析方法，當檢驗的p值大與0.05是，說明多組之前的均值沒有差異，當p值小於0，05 時，說明各組之間存在差異。對於選因子來說，我們希望每組之前有差異。所以p-value需要小於0.05.
P值的計算方式很復雜，其思想是用組內方差處於組間方差構造統計量，進行F檢驗。可直接調用python方差分析函數。
本步主要查看上一步選出的各個因子之間相關系數,為解決下面回歸中的兩兩共線性問題，我們要合並部分因子，我們設置閥值0.6.認為相關系數在0.6 以上的因子看作同一組因子。
對同一組的因子，我們採用IC_IR加權的方式合並這些因子，將其合成一個因子。
其具體加權方式為： 。
這樣我們就得到了組合因子。但是這一步雖然剔除了兩兩間的共線性，但是未能剔除多重共線性。
本步對上面篩選出的因子，以個股收益為因變數驚喜建模，常用模型為多元線性回歸，獲得如下回歸方程：
其中： 是股票n在因子k 上的暴露。 為因子k的因子收益， 為股票n的殘差收益，既股票特有收益率。
由這個回歸方程，用最小二乘發，我們可以得到因子k的收益 。
進一步的，若現有一組合P，則這個組合P的收益率為：
其中： 為組合P中股票n的權重。
所以組合在因子k上的暴露設為 為：
所以此時，我們知道了組合的因子暴露，各因子的收益，所以可以得到組合裡面個因子的收益貢獻 ：
所以，此時的多因子模型收益歸因歸因。
這里的風險歸因分析和Barra一模一樣：
由上面回歸模型得到（將其向量化表示）：
其中：r為股票的收益向量，X因子的暴露矩陣，f為股票的因子收益向量，u為股票的特質收益。
則我們的組合P的波動率為：
其中： 為所有因子收益學列的協方差矩陣，𝛥為股票特質收益序列的協方差矩陣。w為持倉權重。具體推導詳見馬克維茨均值方差理論。
有了組合的風險（既波動率），就可以得到以下三個量：
組合的系統風險：
組合的特質風險：
因子𝑖對總風險的貢獻比例為(推導詳見風險預算):
以上就是多因子模型在風險歸因上的應用。
傳統的這一版多因子，另一大作用是用來選股的，我們得到以下回歸方程的時候。
最簡單的，可以把最新一期的因子帶入到回歸方程，計算出的個股的的未來收益，將其線性映射到1到100，可以直接作為分數，我們選擇分數高的股票即可。一般都是直接做前10%,做空後10%獲得超額收益。
③ 富時羅素指數9月18號調整的股票有什麼
北京時間8月21日晚間，國際指數編制公司富時羅素公布了旗艦指數2020年8月的季度審議結果。本次調整不涉及納入因子的變動，僅為正常的季度調整。本次變動將於9月18日收盤後（9月21日開盤前）正式生效。
公告顯示，富時羅素旗艦指數——富時全球股票指數系列（下簡稱富時GEIS）本次新納入150隻中國A股，其中大盤A股共12隻，中盤A股19隻，小盤A股114隻，以及微盤A股5隻。還有部分此前已納入的A股標的因市值大小變動進行了分類調整。
此外，還有2隻A股被剔除指數。長久物流（6003569）為小盤股；亞翔集成（603929）為微盤股。
需要注意的是，此次公布的只是初步名單，富時羅素還將根據市場情況（如滬深股通標的調整）來對上述名單小幅調整，最終納入名單將在指數生效日前確定。
6月22日，全球指數、數據和分析方案提供商富時羅素宣布，順利完成將中國A股納入全球股票基準指數的第一階段。
2018年9月，富時羅素宣布將A股納入其指數體系，分類為次級新興市場，計劃分三步實施。
根據富時羅素此前公布的方案，第一階段分三步。第一步，2019年6月，A股以5%納入因子首次納入富時羅素指數；第二步，2019年9月，A股納入因子將由5%升至15%；第三步，2020年3月，A股納入因子將由15%升至25%。
3月17日，富時羅素臨時公告稱，A股最新一批納入指數將分成兩步實施。
公告顯示，分兩步走就是指，最新一批納入規模的四分之一在2020年3月實施，其餘四分之三在2020年6月的指數評估時實施。
此次納入完成後，富時新興市場全盤指數按25%的納入因子納入1051隻大、中、小盤股，中國A股占富時新興市場指數約6%。這是第一家國際指數提供商在納入過程中囊括不同規模的公司。
當時，富時羅素方面表示，約1400億美元資金正在跟蹤富時新興市場指數。下一階段的納入計劃將基於未來市場
④ 投資學的一道論述題，求詳解
所謂量化投資，就是通過定量或統漏碧姿計的方法，不斷地從歷史數據中挖掘有效的規律並在投資行為中加以利用，甚至通過計算機程序自動執行下單的動作。也就是說，量化投資方法是靠「概率」取勝，其最鮮明的特徵就是可定量化描述的模型、規律或策略。
對於股票市場，量化投資主要包括量化選股、量化擇時、演算法交易、股票組合配置、資金或倉位管理、風險控制等。我們這里重點聊一聊量化選股和擇時策略，其中前者解決哪些股票值得關注或持有，後者解決何時買入或賣出這些股票，以期在可承受的風險程度下，獲得盡可能多的收益。
第一階段：選股
選股的目標是從市場上所有可交易的股票中，篩選出適合自己投資風格的、具有一定安全邊際的股票候選集合，通常稱為「股票池」，並可根據慧帶自己的操作周期或市場行情變化，不定時地調整該股票池，作為下一階段擇時或調倉的基礎。
量化選股的依據可以是基本面，也可以是技術面，或二者的結合。常用的量化選股模型舉例如下：
1多因子模型
多因子模型：採用一系列的「因子」作為選股標准，滿足這些因子的股票將作為候選放入股票池，否則將被移出股票池。這些因子可以是一些基本面指標，如 PB、PE、EPS 增長率等，也可以是一些技術面指標，如動量、換手率、波動率等，或者是其它指標，如預期收益增長、分析師一致預期變化、宏觀經濟變數等。多因子模型相對來說比較穩定，因為在不同市場條件下，總有一些因子會發生作用。
2板塊輪動模型
板塊輪動模型：一種被稱作風格輪動，它是根據市場風格特徵進行投資，比如有時市場偏好中小盤股，有時偏好大盤股，如果在風格轉換的初期介入，則可以獲得較大的超額收益；另一種被稱作行業輪動，即由於經濟周期的原因，總有一些行業先啟動行情，另有一些（比如處於產業鏈上下游的）行業會跟隨。在經濟周期過程中，依次對這些輪動的行業進行配置，比單純的買入持有策略有更好的效果。
3一致性預期模型
一致性預期模型：指市場上的投資者可能會對某些信息產生一致的看法，比如大多數分析師看好某一隻股票，可能這個股票在未來一段時間會上漲；如果大返絕多數分析師看空某一隻股票，可能這個股票在未來一段時間會下跌。一致性預期策略就是利用大多數分析師的看法來進行股票的買入賣出操作。
與此類似的思路還有基於股吧、論壇、新聞媒體等對特定股票提及的輿情熱度或偏正面/負面的消息等作為依據。還有一種思路是反向操作，迴避羊群效應（物極必反），避免在市場狂熱時落入主力資金出貨的陷阱。
4資金流模型
資金流模型：其基本思想是根據主力資金的流向來判斷股票的漲跌，如果資金持續流入，則股票應該會上漲，如果資金持續流出，則股票應該下跌。所以可將資金流入流出情況編製成指標，利用該指標來預測未來一段時間內股票的漲跌情況，作為選股依據。
第二階段：擇時
擇時的目標是確定股票的具體買賣時機，其依據主要是技術面。取決於投資周期或風格（例如中長線、短線，或超短線），擇時策略可以從比較粗略的對股票價位相對高低位置的判斷，到依據更精確的技術指標或事件消息等作為信號來觸發交易動作。
一般來說，擇時動作的產生可以基於日K線（或周K線），也可以基於日內的小時或分鍾級別K線，甚至tick級的分時圖等。具體的量化擇時策略可以分為如下幾種：
1趨勢跟蹤型
趨勢跟蹤型策略適用於單邊上升或單邊下降（如果可做空的話）的行情——當大盤或個股出現一定程度的上漲和一定程度的下跌，則認為價格走勢會進一步上漲或下跌而做出相應操作（買入->持有->加倉->繼續持有->賣出）。
2高拋低吸型
高拋低吸型：高拋低吸型策略適用於震盪行情——當價格走勢在一定范圍的交易區間（箱形整理）或價格通道（平行上升或下降通道）的上下軌之間波動時，反復地在下軌附近買入，在上軌附近賣出，賺取波段差價利潤（下軌買入->上軌賣出->下軌買入->上軌賣出->…）。
3橫盤突破型
橫盤突破型：價格走勢可能在一定區間范圍內長時間震盪，總有一天或某一時刻走出該區間，或者向上突破價格上軌（如吸籌階段結束開始拉升），或者向下突破價格下軌（如主力出貨完畢，或向下一目標價位跌落以尋找有效支撐），此時行情走勢變得明朗。
橫盤突破型策略就是要抓住這一突破時機果斷開多或開空，以期用最有利價位和最小風險入場，獲得後續利潤（空倉或持倉等待機會->突破上軌則買入或平空/突破下軌則賣出或做空）。
常見的趨勢跟蹤型策略有：短時和長時移動均線交叉策略，均線多頭排列和空頭排列入場出場策略，MACD的DIFF和DEA線交叉策略等。如下圖所示：
常見的高拋低吸型策略一般通過震盪類技術指標，如KDJ、RSI、CCI等，來判斷價格走勢的超賣或超賣狀態，或通過MACD紅綠柱或量能指標與價格走勢間的背離現象，來預測波動區間拐點的出現。如下圖所示：
常見的橫盤突破策略包括布林帶上下軌突破、高低價通道突破、Hans-123、四周法則等。如下圖所示：
必須要強調的是，趨勢跟蹤型策略和高拋低吸型策略適用於完全不同的市場行情階段——如果在單邊趨勢中做高拋低吸，或是在震盪行情中做趨勢跟蹤，則可能會造成很大虧損。因此，對這二者的使用，最關鍵的是，第一要盡量准確地判斷當前行情類型，第二是要時刻做好止損保護（和及時止盈）。
⑤ 性價比最高的因子組合技術
性價比最高的因子組台技術是指硬體、軟體和服務皮搏組合，它使企業可以在更短的時間燃絕祥內更高效地實現業務目標。它可以提高效率，提高生產效率，降低成本，節省時間，提高客戶滿意度，提高員工滿意度，並幫助企業實現創新和可持續性發展。此外，此技術還可以幫助企業更好地支持業務發展，提高管理水平，改善人力資源管理宏罩，提高溝通能力，提高安全性，更好地支持協同辦公，改善網路連接，增強業務流程，實現數據共享等。
⑥ 「聰明基金「Smart beta策略能賺大錢嗎
自2000年以後，股票已經經歷了兩輪大熊市，而現在又開始有走軟跡象。養老基金，保險公司以及捐獻基金尋找新的回報來源就沒什麼奇怪的了。「smart-beta」正是最新的基金管理業的術語。
「Alpha」是選擇單個標的資產超越大盤的技能。
「beta」則是資產組合相對於整體市場(如以某個指數基金為代表)的相對收益。
傳統的「市值加權」法，是投資者按市值等比例購買股票或者債券的方法，
而「smart beta」則是嘗試在跟蹤某一大類資產的同時，調整成份證券權扒鬧念重，以獲取增強性收益的投資方法。
[Smart Beta]
眾所周知，beta在CAPM模型中衡量了相對於持有整個市場所帶來的風險溢價（risk premium）的大小。整個市場通常用市場投資組合（market portfolio）或市場指數基金（market index fund）來表示。市場指數通常都是市值加權（market capitalization weighted）。如果把市場指數換成按非市值加權的指數或投資組合，其得到的beta即為smart beta，又被稱為alternative beta或exotic beta。理由是因為這些新指數的權重是由某些量化演算法得出的，看上去比最普通簡單的市值加權要更「聰明」些。
現在比較流行的演算法有：
等權重加權（Equal Weight, EW）:
等風險加權（Risk Parity），可以看作是調節波動率後的等權重
等風險貢獻加權（Equal Risk Contribution ，ERC），可以看作是考慮了資產回報率之間協方差後的risk parity
最小方差加權（Minimum Variance, MV
最大多樣化加權（Maximum Diversification，MD
如下圖所示，從左至右，這些加權法需要的參數逐漸增加。ERC，MV，和MD都屬於「robust risk parity」因為它們把協方差考慮在內。最經典的均值-方差優化法（mean-variance optimization）需要知道預期回報，方差與協方差，因為此優化法同時使風險最小化，預期回報最大化，不過，這里涉及到因子對准問題（Factor Alignment Problem, FAP），下文中會提到。smart beta策略只考慮波動率與協方差，所以，我們把它們看作只關注風險（risk-based）而不關注預期回報（return-based）的策略。
[隨機折現因子，SDF]
事實上，CAPM模型是資產定價模型（asset pricing model）的一個比較有名的特例，因為廣義的隨機折現因子（stochastic discount factor，SDF）在CAPM中被狹義的市場投資組合所代表了。
按資產定價模型的定義：p = E(mx)，任何資產的價格就是折現後所得回報的期望，其中x是資產在未來的回報，m就是春困隨機折現因子SDF。利用協方差的定義，我們得到
所以，任何資產的價格等於用無風險率折現後所得回報的期望再加上一個風險溢價（risk premium），而這個溢價是SDF與未來回報的協方差。
按照芝加哥大學經濟學教授John Cochrane的說法，投資者的狀態有『好』和『壞』之分（good vs. bad times）。『壞』的狀態一般指個人財富降低，導致其發生的原因可以是由於個人負債過高，或收入降低等等造成的。而SDF是定義這個狀態『壞』時的指標，狀態越『壞』，指標越高。由於大部分資產在狀態『好』時，回報很高彎襪，所以這個協方差通常為負。更重要的是，如果一個資產的回報與個人狀態好壞無關，即與SDF無關（風險中性狀態，risk-neutral），那它的價格只能由無風險率決定（協方差為零）。
把上式寫成預期回報率（expected return）的形式，會更直觀些
進一步推導得到預期資產回報率的「beta表達式」
換句話說，人們只有承擔系統性風險（systemic risk，與SDF相關）才能取得收益。如果承擔非系統性風險（idiosyncratic risk），則無任何益處。
由此可見，SDF作用很重要，但是它只存在於理論中。人們千方百計地在真實世界裡尋找替代品，即所謂的風險因子（risk factor）。所以，我們也可以這樣認為：人們承擔的（系統性）風險越大（尤其在狀態『壞』時），作為補償的因子風險溢價（factor risk premium）也越大（尤其在狀態『好』時）。高風險的資產必須有足夠高的預期回報率，即足夠低的價格，才能吸引人們來購買並持有它。
[多因子模型]
由於我們在CAPM中假設SDF只與市場投資組合回報有關，所以市場投資組合是CAPM中唯一的因子。在此基礎上，我們也可以進一步假設SDF與多個因子線性相關
由此得到多因子模型。因子不同，對投資者狀態『壞』時的定義也不同，由此承擔的風險敞口以及獲得的溢價也會不同。Fama-French三因子模型是多因子模型中的經典代表。諾獎得主Gene Fama和Dartmouth大學教授Ken French通過對大量股票中某些共同特徵進行篩選，從而得到有別於大盤因子的兩個新因子：規模與價值（HML，SMB）用以組成三因子模型。這個模型恰好能很好地解釋股票的預期回報。後來，該模型又加上了動量因子（momentum），遂成四因子模型。從結構上講，這與Stephen Ross提出的套利定價理論（arbitrage pricing theory）相似。唯一不同的是，APT直接從統計的層面入手，假設資產回報率可以由一系列因子表示。
[基於因子的資產配置策略]
前面啰里啰唆說了這么多，我只想強調因子的重要性。需要指出的是，上文中提到的廣義資產定價模型與風險因子不只局限於股票市場，而是適合任何資產和資本市場。可以這么說，風險因子才是資產之間聯動的根本原因，資產配置實際上是因子的配置。
我們可以把各種資產比作各種食物，把各種因子比作各種營養，比如維生素。理論上來說，我們既可以通過攝取不同食物來獲得不同維生素，也可以通過直接服用維生素來獲得所需營養。比如，為了治療腳氣，人們即可以多吃穀物，獼猴桃，藍莓等富含維生素B1的食物，也可以直接服用維生素B1葯片。
如同某一食物含有多種營養一樣，買入並持有某一個資產可能會帶來不同的因子風險敞口（factor risk exposure）。比如，在美國NASDAQ上市的網路，它的股票價格即包含了科技板塊的風險，也包含了中小版塊的風險，另外，由於公司的總部在中國，它還包含了中國經濟發展的風險。當然，還可能包括一些其他未知風險。這也是多因子模型中資產表現評估（performance assessment）的精髓。
同樣道理，如果我們只想要某單一風險，如同維生素B1葯片，我們就要巧妙選取資產來達到此目的。在上文提到的Fama-French三因子模型中，Fama和French為我們很好地展示了如何對大量股票進行篩選，把具有共性的多支股票組合在一起，構造出所需要的因子（factor mimicking portfolio）。人們根據不同的風險偏好選擇不同因子，以獲得不同的因子風險敞口從而賺取不同的因子風險溢價，比如，動量因子，基本面指數。
至於如何發現新的有用的風險因子，則不在本帖討論范圍內。不過，下圖展示了資產配置策略的發展過程與新風險因子的發現密不可分。這些新因子現在已被大眾廣泛應用於投資中了
70年代，人們開始將投資組合用於主動投資管理中（active management）。
80年代，市場指數基金的流行使人們更加便捷且廉價地投資整個市場，因為CAPM模型讓他們意識到只有承擔系統性風險（systemic risk）才能取得收益，其風險及收益的大小由beta來衡量。而那些市場超額回報則由alpha來衡量。
90年代，人們不再局限於市場這個單一因子，APT和Barra多因子模型擴大了人們選擇因子的范圍，其中包括國家地域因子，行業因子，宏觀因子等。
2000年之後，人們對因子的認識又擴展到了新領域：風格因子與策略因子。比如，Fama-French三因子及Carhart四因子模型中的規模，價值，和動量因子。新的因子又比如carry，低波動率，流動性（liquidity），基本面因子，以及本帖介紹的smart beta策略等。更重要的是，人們意識到之前他們認為的alpha，其中有很大一部分是非傳統的beta。那些業內人士把這些beta包裝成alpha在推銷（sell beta as alpha，見下文「另類投資」部分）。
隨著ETF的流行，人們能夠越來越方便地接觸到不同因子並直接應用於投資中，尤其是應用於被動投資中。與對沖基金，共同基金，期貨等相比，ETF的優點是更透明，成本更低，進入市場的門檻更低。一些較受歡迎的因子ETF或smart beta ETF包括：RSP（標准普爾500等權ETF），SPLV（標准普爾500低波動率ETF），FNDB（Schwab美國基本面指數ETF）等等。
[全天候式投資組合（All-weather Portfolio）]
上文中提到了宏觀因子（macro factors），就不得不提一下與之有關的資產配置策略：全天候式投資組合（All-weather Portfolio）。此策略是美國知名對沖基金Bridgewater的負責人Ray Dalio長期研究的成果，其核心觀點是將宏觀因子，經濟情景（economic scenario），和上文中提到的等風險權重（risk parity）結合在一起。
宏觀因子與資產回報之間的相關性很低，尤其是在短期，但使用經濟情景可以在長線投資中彌補這個不足。另外，由於一般投資者不喜歡借錢來投資（leverage aversion），這造成了投資組合中股票等高風險資產的權重高於理論中的最優值。使用等風險權重可以糾正這一偏差。
這里，宏觀因子主要考察的是經濟增長和通貨膨脹，並由此定義四種經濟情景：
（1）經濟增長上升，通脹上升
（2）經濟增長上升，通脹下降
（3）經濟增長下降，通脹上升
（4）經濟增長下降和通脹下降。
然後，從歷史數據中找出資產價格的變化與這些經濟情景的關系，從而確定可投資的資產以及相應的權重，使得投資組合在每個經濟情景中分配到的風險相等（如下圖所示）。這樣，隨著時間的推移，該投資組合能夠經受住各種宏觀風險的沖擊，「全天候式」的名稱由此而來
不過，全天候式投資組合在2013年遇到了些小麻煩。在標准普爾500指數增長30%的情況下，Ray Dalio旗下的全天候式投資組合基金的回報率為-3.9%。於是，全天候式投資這個概念也遭受了質疑 。但我認為資產配置的重要功能之一就是幫助保護投資者的財富，防範風險。所以其分散風險的優勢要在長線投資中才能顯現出來，人們不應該太在意短期的失利，下文中會提到。
[耶魯模式 Yale Model]
耶魯大學捐贈基金（Yale Endowment）由於其在同行中長期傲人的投資表現，已經被視為是資產配置行業的一個榜樣，簡稱耶魯模式（Yale Model）或常春藤投資組合（Ivy Portfolio）。耶魯模式之所以能取得不錯的收益，主要得益於其在另類投資（alternative investment）中的高配置，包括各種私募基金，對沖基金，風險資本（venture capital），房地產等。近年來，其占整個投資組合的比重高達60%。耶魯基金從上世紀90年代就開始投資當時頗具神秘色彩的私募基金和對沖基金了。這些基金的特點是乏人問津，投資准入門檻高，因此其收益可以說是來源於價值因子和低流動性因子。
雖然，這些因子給耶魯基金帶來了可觀的回報，但在08金融危機中，由於人們的恐慌性拋售，低流動性資產重創了該基金。從理論上來講，這符合上文中提到的因子投資的特性，即人們承擔的（系統性）風險越大（尤其在狀態『壞』時），作為補償的因子風險溢價（factor risk premium）也越大（尤其在狀態『好』時）。
然而08金融危機過後，在標准普爾500屢創新高的情況下，耶魯基金的資產始終沒有超過08年的最高點。一個很重要的原因是因為耶魯基金的成功模式開始被不少養老金機構和規模較小的大學捐贈基金效仿，導致了在另類投資中的風險溢價大幅減少。耶魯基金在其年報中也承認了這一點。但它近年來仍能在投資表現上對同行保持微弱的優勢，其成功的關鍵在於它能夠找到最優秀的基金經理來管理投資，這在其年報中也提到了。可惜的是，這些最優秀的基金經理中的大部分都已不接受新的資金。因此，這個成功的關鍵只適用於耶魯自己而無法被他人復制。
由此可見，耶魯基金在可預見的未來仍可能繼續領跑這個行業，但它作為一種已被大眾所熟悉的投資模式不可能在短期內重塑輝煌。
[另類投資不另類]
隨著耶魯基金的成功，那些往日不為人知的另類投資（alternative investment）也掀開了它們神秘的面紗。以其中的對沖基金為例，其高回報及低相關性吸引了人們來研究它。
研究結果顯示對沖基金的回報能提供的alpha非常有限，而有很大一部分是來自各種beta，我有一個帖子專門討論了這個現象。除去少數明星基金，大部分對沖基金能取得回報的一個重要原因並不是因為它們能提供下行風險的對沖（protection on downside risk），恰恰相反，而是因為它們在市場下行的時候回報足夠糟糕，也就是說它們對尾部風險（tail risk）的敞口很大。這與我們之前的認知不太一樣，但符合因子投資的特徵。
大家可能都知道股神巴菲特與另類投資公司Protege Partners之間的十年賭約吧。巴菲特在2008年初跟對方打賭說「an index fund will beat a fund of hedge funds over ten years」。那到目前為止（2014年）結果怎樣呢？有「好事」者把兩者做了一個比較，發現巴菲特建議的投資暫時領先（見下圖）
進一步的研究發現，如果我們把指數基金降低杠桿並收取費用，我們竟然得到了與對沖基金同樣的收益！（見下圖）
另一方面，如果想要得到私募基金的回報，我們只有增加杠桿並收取費用即可。由此可見，另類投資行業經常把已知的beta當成alpha來推銷。然而，隨著因子研究的不斷深入，人們對另類投資的理解也越來越深刻。另類投資已變得不再另類。
[重新審視Smart Beta]
在了解了因子與資產之間的關系後，我們現在再來重新審視一下Smart Beta策略，看看它們是不是有特別之處呢？回答是否定的。
研究顯示這些Smart Beta策略其實都是某些因子的組合。比如，等權重加權法偏向於規模因子。這個很容易理解，因為這種加權法使小盤股獲得與大盤股同樣的權重。又比如，最小方差加權法偏向於低beta因子與低波動率因子。然而，等風險加權法與等風險貢獻加權法更偏向於低beta因子和規模因子。
如下圖所示，Smart Beta策略與上文中提到的其他因子策略同屬一個均值-方差框架內，但正如上文中提到的，Smart Beta策略的著重點是風險，而其他因子策略的著重點是預期回報（risk-based vs. return-based）。不過，最後的效果是相似的，都具有某些因子偏向（factor tilt）
更令人意想不到的是，與Smart Beta正好反向操作的策略竟然也能賺錢。究其原因，原來這些反向策略仍就偏向規模與價值因子。即使是隨機投資組合（random portfolio，即著名的「猩猩擲飛鏢選股法」，在《漫步華爾街》一書中屢次被提及）也有類似的因子偏向（factor tilt，下圖所示）。由此可見，Smart Beta策略能跑贏大盤就不足為奇了，因為它們承擔了一定的因子風險。
既然談到了均值-方差優化框架，這里就順便提一下因子對準的問題（Factor Alignment Problem）。此問題的出現是因為在均值-方差優化法中的預期回報，風險與優化問題的約束條件（optimization constraints）三者所側重的因子有時不盡相同（misalignment）。比如，在預測預期回報中使用的因子可能在風險模型中沒有被使用到。當我們運用優化演算法時，更惡化了這個問題，因為我們可能低估了那部分因子的風險，從而在使預期回報最大化的過程中，高估了與風險模型無關的那部分因子的預期回報。慶幸的是，Smart Beta策略和其他因子策略都只側重均值-方差優化法中的一部分，從而避免了此問題。
雖然Smart Beta策略只是普通的因子配置，但它如此受歡迎有它的道理。我認為主要原因有下列幾個：
（1）美聯儲的QE大幅降低了固定收益類資產的回報，使得投資者不得不尋找其他投資門道來增加收益。
（2）08金融危機中的恐慌和之後美聯儲的QE都影響了市場對各種資產的真實定價功能，資產與資產間原有的聯系減弱了。取而代之的是，大部分資產都隨著美聯儲的貨幣政策起舞。「risk-on/off」模式使得傳統的資產分散化投資（diversification）失靈了。
（3）投資者們仍然對08金融危機時財富大幅縮水記憶猶新，所以比起資產的預期回報，他們更注重風險的控制，更偏愛能控制風險的策略。
（4）08金融危機後，投資者希望在投資中減少人為操縱的因素，更偏愛透明度高，原理簡單的投資產品。
（5）依照某些演算法或規則產生的投資策略（rule-based strategy）可以大大降低由於人們行為上的偏差（behaviour bias）而造成的損失。
（6）傳統的對沖基金和共同基金的高費用一直受人詬病。
因此，這些主題明確，成本更低，且看上去能控制風險的Smart Beta策略在經過精心包裝後迅速受到了大眾的追捧。目前掌握著金融市場大部分資金的機構投資者（institutional investors），比如養老基金，大學捐贈基金，資產管理公司，保險公司等都在往這個方向發展，這股趨勢對人們投資理念的影響深遠。
[市場與因子風險溢價]
雖然因子投資有種種優點，但是，我們沒有任何理論可以保證某一個因子策略可以始終跑贏市場。
事實上，我們經常看到的是這樣的情形：某一個策略或資產在某一段時間內的表現持續地領先整個市場，通過媒體的報道和業界專業人士的包裝，普通投資者們立刻對它們趨之若鶩。於是，這些策略中對應的資產價格井噴式地被抬高，預期回報大幅降低，直到泡沫破裂，重新回歸長期均線為止。這樣的例子比比皆是，比如90年代的增長型股票策略，08金融危機前的新興市場策略，危機後的黃金，低波動率策略，高股息策略等等。
投資者持有資產時因為包含了風險因子才會得到風險溢價，用以補償他們所承擔的某一種系統性風險，我們知道風險溢價是隨時間變動的（time varying），我們不知道何時能夠得到補償。這也是為什麼股神巴菲特不斷鼓勵人們不要在意一時的得失也不要隨意改變投資風格，而要做長線投資。只有這樣獲得溢價補償才是大概率事件。巴菲特本人就用他大半生的經歷來證明這個理念的正確性。如果我們用多個因子構造出一個投資組合，我們就可以利用它們之間穩定的低關聯性等優點進行分散化投資，以避免上述單因子策略出現的損失。美國著名對沖基金AQR就巧妙地利用了因子的這些優點構造投資組合並取得了持久且不錯的收益。
市場是個零合游戲（zero-sum game），任何異於市場的投資，必定有一個與之對應的反向投資，而它們在長期都將回歸到市場這個動態的均衡點上（equilibrium）。任何想跑贏市場的投資策略（包括因子策略，擇時策略等）只適用於一部分人，因為這需要另一部分人反向操作來支持他們。如果市場內的大部分人都採用同一種策略，那新的市場均衡點就形成了，投資策略也就失去了意義。這也是為什麼包括對沖基金在內的另類投資在被大眾熟悉後就失去了往日的光環。
有人擔心如果市場上大量的資金流向指數基金和被動投資策略，主動投資的交易減少會導致市場失去發現資產真實價值的功能。我倒不這么認為，因為從本帖的分析中我們了解了，只有長期持有整個市場投資組合才是真正的被動投資。除此之外的其它異於市場權重加權的策略或指數都是主動投資，因為它們都具有某些因子的偏向。為了保持這些因子敞口，人們要定期地主動地進行再平衡調整（rebalance，即始終持有對某個因子偏向最強的資產，拋棄偏向最弱的資產）。只不過，主動投資的控制權不在投資者而在指數或ETF管理公司那裡。無論如何，主動投資仍是市場中的大多數。
另一方面，傳統意義上的主動投資（包括共同基金，對沖基金）從長遠看並不會消失。盡管主動投資的表現不盡如意，收費也較高。如下圖所示，以代表對沖基金整體水平的指數HFRX已經連續十年跑輸僅由股票和債券組成的簡單投資組合了
但是投資者們寄希望於將來能夠選到更優秀的基金經理來跑贏被動投資，而且主動投資的參與者越少，能跑贏的概率越大，因此，投資者們仍然堅守著自己的主動投資倉位盡管有一些下降。投資者的這個看似愚蠢的決定其實是經過理性思考後做出的。
這就是主動投資與被動投資之間此消彼長的辯證關系，假設在極端情況下，資產的價格反映了所有信息，那麼人們就沒有動力去主動尋找新的信息。大家都被動接受信息的結果是整個市場沒有信息。那麼，這時候主動尋找新信息就可以佔得先機。此關系可以看作是對有效市場假說（EMH）的一個註解。所以，完全有效的市場是不穩定的均衡點，永遠不可能達到。市場始終處在半informative 半uninformative的狀態，兩者的人數多少取決於信息的成本和市場本身的結構。比如，在像中國這樣不成熟市場中，由於種種原因使得獲得信息的成本較高，從而使主動投資者更可能取得較高的回報。不過，隨著市場的不斷完善，獲得信息的成本降低，越來越多的投資者會加入到被動投資的陣營中。
[結語]
總而言之，風險因子才是資產之間聯動的根本原因，它描述了資產間某些共同特徵。資產配置的實質是因子的配置。大規模的資產配置投資很難不涉及到某些因子敞口，而且，因子投資的特性會不斷激勵人們挖掘新的因子。隨著資產定價理論的不斷發展，我們不知道的beta會越來越少。
⑦ 三因子中,系數越大,該股票超額回報越多嗎
三因子中，系數越大，該股票超額回報越多。平均回報反應的是基金收益高低的一個指標，代表的山帆是基金在一定時間內的平均回報率的多少。不用說，平均回報當然是行游越高檔唯銷越好，數值越大，說明收益就越高。
⑧ 什麼是多因子模型法瑪-弗倫齊三因子模型具體包括哪些因子
多因悄豎子模型：多因子模型是應用最廣泛的一種選股模型,基本原啟磨大理是採用一系列的因子作為選股標准,滿足這些因子的股票則被買入,不滿足的則賣出。
三個因子：市場資產組合、游數市值因子、賬面市值比因子。
⑨ 標普納A富時羅素擴容：千億資金入A股 64股迎雙重利好
9月23日，A股雙喜臨門，標普道瓊斯納A正式生效，富時羅素擴容，機構預測，兩項利好有望吸引超千億資金流入A股。
9月23日，A股雙喜臨門。
標普道瓊斯納A於9月23日開盤正式生效。這是繼MSCI、富時羅素之後，第三家國際指數公棚如司將A股納入其全球指數體系。
9月23日開盤前，富時羅素季度調整名單也將生效，此次富時羅素擴容是富時羅素A股納入計劃第一階段的第二步。正式生效後，A股在相應指數中的納入因子將從5%提升至15%。
根據招商證券測算，9月23日，標普道瓊斯納入A股將為後者帶來11億美元的被動增量資金。據富時羅素官方測算，預計二次擴容將為A股帶來40億美元的被動資金。兩項合計摺合人民幣約360億元。主動資金方面，據民生證券測算，「入富」第二步將帶來60億元人民幣主動資金，標普道瓊斯納入A股將帶來近650億元人民幣主動資金流入。
也就是說，主動加被動，A股將迎來超千億資金流。
窗口同步開啟
外資加碼A股市場的窗口正集中開啟。
明晟公司(MSCI)搶先一步，8月27日A股收盤後，明晟公司(MSCI)的二階段擴容決定已正式生效。
標普道瓊斯、富時羅素緊隨其後。
9月7日，標普道瓊斯正式公布納入A股的個股名單，於9月23日開盤正式生效。此次名單共納入1099隻A股，其中大盤股147隻、中盤股251隻，小盤股701隻。
在此之前，標普道瓊斯觀察A股市場已久。
早在2018年12月5日，標普道瓊斯指數公司就對外宣布，將可以通過滬港通、深港通機制進行交易的合格中國A股納入其新興市場分類的全球基準指數。標普道瓊斯透露，A股將按照25%的納入因子納入包括標普BMI指數、道瓊斯全球指數在內的六個指數。
2018年年底，標普道瓊斯公布了初篩後的納A個股名單，共有1241隻A股入選。2019年9月7日，標普道瓊斯將入選個股名單調整至1099隻，以25%的納入因子納入之後，A股在標普道瓊斯新興市場指數中所佔權重為6.2%，中國市場(含A股、港股、海外上市中概股)在該指數占權重36%。
不過，標普道瓊斯表示，納入A股名單在9月23日生效前仍有可能根據市場情況發生變化。
9月23日，富時羅素指數季度調整也將生效。
根據富時羅素公布的計劃，A股納入其全球股票指數系列第一階段將分三步走：2019年6月納入20%，2019年9月納入40%，2020年3月納入40%，此次富時羅素擴容是計劃第一階段的第二步。
富時羅素此次擴容將新納入87隻A股，其中大盤股14隻，中盤股15隻，小盤股50隻，微盤股8隻，自9月23日開盤起正式生效。不過在第一階段，由於富時羅素的旗艦指數只納入大中小盤個股，因此新納入個股為79隻。
此次擴容後，A股在相應指數中的納入因子將從5%提升至15%，A股被納入的可投資比例將從今年6月的1.4%提升至4.2%，可投資市值將從10億美元上升至30億美元。
64股迎雙重利好
9月20日，A股震盪收紅。據東方財富網資金流向統計，截至收盤，北向資金合計凈流入184.58億元。
數據顯示，今年9月以來，北向資金除9月17日出現5.18億元的小幅凈流出外，其餘交易日均保持凈流入態勢。2019年以來，滬深股通合計凈流入額已突破1800億元，達到1823.67億元。
根據以往經驗，北向資金往往在指數調整生效前進行尾盤「掃貨」。無論是MSCI在5月、8月的兩次調整，還是富時羅素在6月的納A生效，北向資金無一例外出現異動，凈流入資金顯著抬升。
業內人士分析，此次也不例外，北向資金很有可能已提前建倉。
據富時羅素此前的官方測算，預計二次擴容將為A股帶來40億美元的被動資金，而按照招商證券的測算，標普道瓊斯指數有望為A股帶來11億美元山羨被動資金流入。也就是說，合計約51億美元(約合362億元人民幣)的被動增量資金將有望入場。
哪些行業和個股將受益外資入場？
對此，富時羅素解釋稱，「『創業板公司都是初創型公司』是一個常見的誤解。如果仔細研究創業板公司，就很容易證明這逗和拍種說法並不真實。因為目前，除小型公司外，創業板還有許多大中型股票。例如，在2019年3月的指數評估中，創業板的溫氏股份就被納入了富時中國A50指數，而這個指數是囊括滬深兩地50家最大上市公司的超級大盤指數。這也體現了創業板對海外投資者投資A股的重要性。」
政策推動開放
外資加碼布局A股的步伐還在繼續，如2020年3月，富時羅素納A第一階段第三步安排將生效。
為了便利境外投資者投資境內金融市場，中國資本市場對外開放正在層層推進。
9月10日，國家外匯管理局發布消息稱，決定取消合格境外機構投資者(QFII)和人民幣合格境外機構投資者(RQFII)(以下合稱「合格境外投資者」)投資額度限制。RQFII試點國家和地區限制也一並取消。該決定是進一步滿足境外投資者對我國金融市場投資需求而主動推出的改革舉措。
MSCI近期研究顯示，無論是全球型還是新興市場型基金，其投資組合中中國股票的權重還都偏低。盡管中國目前佔全球經濟總量和企業盈利水平都有提高，但中國市場僅佔全球市值加權指數的4%。根據MSCI的回測，如果投資者之前在新興市場配置中增加了中國權重(例如將中國權重提升到50%或60%)，其可持續收益增長率將得到改善，或者總體新興市場投資組合的風險會減少。
「我們期待未來能出現提高外商持股比例、引入券款對付制度以及增加經紀商等進一步的開放舉措，以方便境外投資者在A股市場進行交易。如果這些問題得到解決，未來我們就可以通過QFII、RQFII渠道納入A股，而不僅限於目前的互聯互通渠道。」白美蘭說。
⑩ 資產定價因子
在金融市場里，資產中間的聯動性是投資者最大的風險點所在。聯動性風險是投資風險的主要組成部分。所以要給金融資產定價的話，就要給這些聯動性定價。
一個證券資產的風險可以分解為兩個部分，一個是跟整個市場相關聯的部分，就是系統性風險；是自己獨有的部分，叫做個體風險。其中在投資的過程中個體風險主要包含公司行業和經營風險褲物襲，比如說近期的中興事件。個體風險難以判斷，也可以通過投資組合來分散，這里就沒有過多研究。重點是需要找到系統性風險，就是資產與市場波動的部分。
把一個資產和市場組合的相關性定義為「beta」。這個資產比市場風險大還是小，beta大於1，這個資產的風險比市場要大，反之，比市場風險小。如果這個資產的beta為2，那這個資產的價格應該是市場2被的議價，如果這個資產的市場價格大於2倍，就可以稱為高估值。
這就是資產定價理論（Capital Asset Pricing Model，CAPM）。是由夏普等幾個金融學家在1964年提出的，與有效市場假說一起，是現代金融學的兩大基石。
一、資產定價三因子模型（市場、規模和價值)
在15年牛市的時候，有出現一些牛叉基金，比如說匯添富的幾個專們投資神創板的幾個高價股全通教育、安碩信息。他們的業績比滬深300的表現好很多。在這種情況下，當時覺得這些基金經理超級牛。
然而事實並非如此。
Fama-French模型，除了上面講的市場風險之外，資產的系統性風險還包括另外兩個因素： 規模因子和價值因子 。這兩個因素也是資產的定價因子。
規模因子：市值小的公司，承擔著更大的風險，有更高的風險溢價。意思就是規模小的資產，它與市場組合（滬深300）的相關性「beta」是大於1的。在市場較好的時候，它的收益也會大；然而當市場走低，他的虧損也是大於市場組合的。
價值因子：市凈率低的公司，或許由於基本面不佳、波動較大，比市凈率高的成長型公司有風險溢價；或許是投資者的誤判，當估螞簡值修正時，也會有高的回報。
最後，通過多年的數據認證，什麼資產的收益率更高，用這三個因子可以解釋其中的90%，基本上解釋了各種股票收益率的差異。
當看到這個模型，可以知道原來很多時候，基金經理取得了超額的收益不是因為他們的能力，而是運用了以上的兩個風險因子 。
二、動量因子（趨胡兄勢交易）
在A股市場里，經常聽到媒體評論，散戶追漲殺跌不理性，造成市場的過度波動。其實這很業余，在金融的研究里，散戶根本沒有追漲殺跌，而是在追跌殺漲。
實際在過去的數據中，機構最賺錢的策略就是「追漲殺跌」，這也叫做動量交易。在資產定價因子中，還是一個著名在定價因子。
機構就這樣使用了相應的交易策略，買入上個月收益最高的資產，賣出收益最低的那組。然後發現在接下來的3-12個月中，這個策略獲得了不錯的超額收益。在五十年代被發現後，之後的30年美國市場上大部分基金都使用了這樣的策略贏得超額收益。
那如果動量這個現象是錯誤定價，而市場又是有效的。那這個超額收益的套利空間就應該很快消失，不會出現長久超額收益的情況。超額收益一直存在的可能性就是動量也是一種系統性風險，需要風險溢價。所以它也應該當作一個定價因子。
動量這個策略的風險很大，在市場良好的時候，可以獲得超額收益。而在市場不好的時候，卻容易賠錢。而在A股市場中，由於交易較大，動量持續的時間較短，只能持續2-4周。如果這一周大漲，後面的2-4周可能跟著漲；反之，後面2-4周繼續跟著跌。
三、投機因子
Fama-French的三因子模型中，價值因子在中國市場沒有在美國市場那麼明顯。大量的數據證明在A股市場中，投機因子對價格有很強的解釋力。
大量的投資者很難准確判斷資產的內在價值，都是傾向於選擇那些其他人也會買，因而會漲的資產。這種行為在市場上是常態，資產的價格就面臨長期偏離基本面的風險。所以資產價格也應該包含投機行為的風險溢價，也就是投機因子。
投機衡量指標：異常換手率（abnormal turnover）。在發展中國家，發展中的市場，異常換手率特別高；而在成熟的資本市場都比較低。
構建對應的交易策略，每個月買入異常換手率最低，賣空異常換手率最高的組合。這個策略年化收益率穩定達到21%，異常換手率確實能夠影響A股股票未來的收益率，是中國市場獨有的定價因子。
炒作在中國市場里不是個別現象，不是個體性風險，而是一個系統性風險。當投機變成是從的系統性風險以後，它其實是有風險溢價的，可以成為一個風險定價因子，聰明的人可以用它來賺錢。而且在A股市場里投機的成分遠大於價值，所以這個因子的作用也遠大於價值因子，留到以後再深入講解。
以上就是資產定價的五個因子，通過這些，也就更加准確的描繪了市場的畫像。對於市場的風險，讓我感覺就是自己在一步步從迷信、蠻荒，從觀察性的總結，一點點科學的找出其中背後深層次的道理。