① 【量化】各平台开源的选股策略汇总
大概收集了下各平台开源的量化选股策略。本意为供自己参考，顺手分享一下，希望能对有缘人有用，哈哈。
一、 多因子模型选股
多因子模型是应用最广泛的一种选股模型，基本原理是采念漏芹用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。
1 、大师系列——价值投资法整理归档（一共19个经典的大师策略）
2 、多因子换档反转策略
3 、Foster Friess积极成长策略
4 、Fama-French三因子火锅&五因子模型
5 、多因子模型+资产组合优化（加“社区神定律——每月25号以后不交易”）
6 、11年100倍以上的多因子策略-四因子选股策略研究
7 、光大多因子模型
《光大证券_多因子系列报告之一:因子测试框架》，
《光大证券_多因子系列报告之二：因子测试全集》，
《光大证券_多因子系列报告之三：多因子组合“光大Alpha1.0”》
https://uqer.io/community/share/5958e0bec9dd160057510df9
8 、小费雪选股法
（一）小费雪——静态市收率PS： https://www.joinquant.com/post/6944?tag=new
（二）小费雪——相对市收率： https://www.joinquant.com/post/7027?tag=new
（三）小费雪（终）： https://www.joinquant.com/post/7029?tag=new
参考研报：《 华泰价值选股之低市收率A股模型Ⅱ 》
9 、华泰价值选股之FFScore模型
来源:【聚宽社区】https://www.joinquant.com/post/4872
参考研报： 【华泰金工林晓明团队】华泰价值选股之FFScore模型
10、国信动态多因子算法的实现
参考研报：国信《45数量化投资技术系列之四十五：基于A股市场选股因子边际效用和有效分散的动态区分度动量策略》
二、风格轮动模型
1 、斗牛蛋卷二八轮动原版策略实现（本质为择时）
简介：“二八轮动”就是根据A股市场中大盘股和小盘股走势不同作为信号判断的仔毕。（所谓二，就是指数量占20%的大盘股、权重股；所谓的八,就是数量占80%左右的中小盘股，非权重股；其轮动就是指在两者之间不断切换，轮流持有。）
三、配对交易
所谓配对交易，就是利用两只股票（或基金、债券等其他品种）走势非常相似，如果出现一直股票正偏离，一只股票负偏离，那么做空正偏离的股票，做多负偏离的股票。
1. 工农配对（偏向择时）
2. 银行轮动（中、农、工、商）无止损，年化77%
附：质疑帖：https://www.joinquant.com/post/5377?tag=new
四、 行业选股
1. 【羊群效应系列】--寻找行业轮动中的龙头股：
https://www.joinquant.com/post/1038?tag=new
金融市场的羊群效应主要是指投资者在市场交易过程中的学习与模仿的现象，当市场中存在羊群效应时，投资者在做出自己的决策时更加依赖于他人的行为而忽略自己所获取的信息。
五、资金流模型
1、 资金流模型的研究：
https://www.joinquant.com/post/973?tag=new
2、 资金流数据+支持向量机——判断股价走势：
（资金流可以解释一部分股价的变化，这里的思路是不考虑基本面也不考虑时间序列，主要看大额资金是流入还是流出。因此，考虑搜档输入资金流数据，通过机器学习的方式来对未来股价的涨跌做分类预测。这里用的是支持向量机。）
https://www.joinquant.com/post/6744?tag=new
3 、个股资金流：
https://uqer.io/community/share/5696099e228e5b18dfba2c8b
六、事件选股：
1 、异动事件选股：
简介：在通常情况下，股票与指数的日内走势是随波逐流的关系。但是，在某些特殊的交易日里，股票可能在盘中频繁出现与指数走势背道而驰的情况。这种个性十足的价格异动，我们称之为“特立独行”事件。
策略中异动事件的筛选方法如下：
（1）取交易日t、股票stk的日内分钟收益率序列，计算其与上证综指当日分钟收益率序列的皮尔逊相关系数COV(stk,t)；
（2）将相关度因子COV(stk,t)低于阈值Lambda，视为发生“特立独行”异动事件。对于Lambda的选取，本文采用的计算方法是全部股票平均相关系数减去两倍标准差。
据此尝试构建一个基于“特立独行”异动事件的投资组合，在发生异动事件的样本中，选取“逆势涨”的部分，“逆市涨”指的是当日股票收益大于0，且市场收益率小于0。每日收盘后选出合格的股票标的，次日以开盘价等权买入，持有50个交易日后以收盘价卖出。由于事件发生的概率较低，为了防止空仓率高的情况，本文调长持有时间，这也一定程度减少了投资机会。
地址： https://uqer.io/community/share/57887bed228e5b8a099334a0
升级版： https://uqer.io/community/share/5795858d228e5ba29305f729
2 、事件驱动研究——财报对分析师评级上调事件的影响
https://uqer.io/community/share/59c9e27a0f66ae010a61be46
七、趋势追踪模型
（衡量股票趋势的指标最重要的就是均线系统，因为它是应用最为广泛的趋势追踪指标，
所以均线是不可或缺的，把它作为捕捉大盘主趋势的基石。但是纯粹的均线由于噪音等原因，使得经常会出现误操作，需要进行更多的处理机制，包括极点、过滤微小波动、高低点比较策略、高低点突破策略、长波的保护机制、长均线的保护机制等概念和技术细节；卡尔曼滤波）
1、 基于胜率的趋势交易策略：
简介：简单构建了一个基于胜率的趋势交易策略。认为过去一段时间（N天）内胜率较高、信息比率较高的股票会在紧随其后的几天有较好的表现
地址： https://uqer.io/community/share/565aeac3f9f06c6c8a91ae31
2、 海龟模型趋势跟随策略
简介：基于唐奇安突破通道，海龟模型的趋势捕捉是基于唐奇安突破通道系统，即价格突破20日最高价的最大值为入市信号，价格突破10日最低价的最小值为离场信号。
地址： https://uqer.io/community/share/58161031228e5b43fd5c26f6
3、 多头趋势回踩策略
简介：多头趋势回撤的思路，是根据若干条均线呈现出的形态判断一支股票是否处于强势状态，并抓住回调的时机低位买入。顾名思义，这个策略的要点分为两部分：多头趋势和回撤点。5、10、20、60、120五根均线为从上至下依次排序，由此判定股价处于多头趋势。均线呈完全相反的排列顺序，是空头趋势。均线反复交叉的情况，则为震荡趋势。
地址： https://www.joinquant.com/post/1901?tag=algorithm
② 金融模型——多因子模型归因
本文主要详细介绍怎么使用多因子模型对组合资产进行归因分析，归因分析的内容为收益归因和档宏风险归因。
上图列出了由马克维茨均值方差理论引出的三条路，其一为资产配置，我们本文不涉及，其二为资本资产定价（CAMP)的一条路，其三为套利定价理论（APT）的第三条路。第二条路和第三条路为本文讨论重点。
第二条和第三条路都是属于多因子分析的范畴，第二条路是知道因子收益的时间序列，通过时间序列上的回归去求因子暴露，为的是解释个券收益的组成部分。第三条路是知道截面因子暴露去回归截面上的因子收益，为的是挖掘有效因子，找到这个因子带来的超额收益。
使用多因子模型进行投资组合的归因分析，也主要梁孝包括基于净值的归因方法和基于持仓的归因方法两大类。基于净值的归因方法是走的第二条路，比较简单。基于持仓的归因方法走的是第三条路，比较复杂。
两者的区别主要表现在三个方面：
1、基于净值橡蠢稿的归因方法是时间序列回归，基于持仓的归因方法是截面回归；
2、基于净值的归因方法主要来自CAMP（资本资产定价）模型，基于持仓的归因方法主要来自APT（套利定价）理论。
3、基于净值的归因方法要求比较简单，数据较少且较容易获取，仅需要组合的净值数据以及因子收益序列即可进行分析。而基于持仓的归因方法需要知道具体的组合权重、个股因子暴露等数据，来确定组合的因子暴露。
下面详细介绍两大类方法。
在介绍两个方法前，我们下面给出项目的框架如下图：
基于净值的归因方法，逻辑上很简单，它来自资本资产定价模型，用所有因子收益的时间序列去回归组合收益的时间序列。这样做的目的是，是把组合的收益分解在各个特定的因子上，认为组合或者个股的收益都可以被给定的特定因子收益加个股特质收益来解释，解释不了的部分直接扔给残差。这里要特别注意，此时特定因子收益在一个时间截面上是一个常数，对多所有股票都一样，这与另一种方法基于持仓的归因方法有本质的区别。
基于这种方法，人们开发出的模型很多，如下：
1、Fama-French三因子模型
2、Carhart四因子
在 FF 三因子模型的基础上，引入动量因子 UMD (高收益率股票组合与低收益率股票组合 收益率之差)
3、Fama五因子模型如下：
我们这里以Fama五因子模型为例，详细介绍这种方法的实现。
Fama五因子模型如下：
因为本文主要是项目实施前的参考文档，所以在此不介绍Fama五因子模型怎么得来的。只需要知道Fama五因子模型是上面公式。
其中，
表示资产 i 在时间 t 的收益率，
表示时间 t 的无风险收益率，
表示时间 t 的市场收益率，
即为时间 t 的风险溢价，
为时间 t 的市值因子的模拟组合收 益率(Small minus Big)，
为时间 t 的账面市值比因子的模拟组合收益率(High minus Low)，
为时间 t 的盈利因子的模拟组合收益率(Robust minus Weak)，
为时间 t 的投资因子的模拟组合收益率(Conservative minus Aggressive)，
为经过正交化 调整的估值因子模拟组合收益率，其余各变量含义与三因子模型相同。
均为回归待拟合系数，𝜖_{𝑖𝑡} 为残差项。
有了模型，下面我们具体去实现。
我们遵循机器学习项目的步骤，将Fama五因子模型归因分析的实现，归结为以下流程。
数据准备>>数据预处理>>构造Fama五因子>>数据分析>>回归分析>>归因分析
(1) 股票池:全A股，在每个时刻t均剔除ST、PT股票，剔除停牌及上市未满一个月的股票，剔除 BP 值为负的股票;
(2) 时间参数:2010年1月至2018年1月;
(3) 因子对应指标:
a) 市场因子指标:上证 指数;
b) 规模因子指标:总市值 = 每股股价 × 发行总股数;
c) 估值因子指标:账面市值比 BP，即市净率的倒数;
d) 盈利因子指标:扣除非经常性损益、摊薄的 ROE;
e) 投资因子指标:当期总资产相对上期总资产变化率;
f) 无风险利率设为零，个股收益率用 Wind 后复权收盘价核算;
g) 以自然月为频率，计算因子值并重新分层计算对应五因子收益率。
1、所有数据按同一时间，同一股票对齐，注意这里的财报指标相关的时间要使用财报公布时间不能使用财报报告期。
2、第一步产生的NA值，用前一个值去填充（因为这里回归的方式是时间序列回归）。
Fama 和 French(2015)原始的方法，是沿着某两个因子维度将股票分成 2x3=6 个组合(图表 2，3)。在这 2 个因子维度中，其中一个固定为规模，按照中位数分为两层， 另外一个为 BP、盈利或者投资因子，按照 30%，70%分位数分成 3 层(图表 3)。这样， 我们将得到 3 个 2x3 的股票资产组合(规模与 BP 两维度分组、规模与盈利两维度分组、 规模与投资两维度分组)。
因子的构造方法以及计算细节见下面表 1 和 2。在图表 2 中，我 们用 2 个字母来标记股票的分组，第一个字母表示规模大(B)或小(S)，第二个字母在 BP 分层中，表示 BP 高(H)、中(N)、低(L);在盈利分组中表示强(R)、中(N)、弱(W);在投资 分组中，表示投资保守(C)、中(N)或者强(A)。
表1
表2
最后我们得到除了市场因子以外的 4 个因子 收益率为:
(1) SMB (small minus big):小市值组股票减大市值组股票平均月收益率;
(2) HML(highminuslowBP):高BP组股票减低BP组股票平均月收益率;
(3) RMW(Robustminusweakprofit):高ROE组的股票减低ROE组股票平均月收益率;
(4) CMA():总资产增长率低组股票减总资产增长率高组股票平均月收益率。
数据分析部分主要分析五因子组成数据的特性。其主要分析四部分内容：
1、五因子的均值，方差等summary统计。这样能说明那个因子在市场的收益中起到作用。
2、求均值是否显着异于零的假设检验对应的 t 统计量。目的是检验哪一个因子最能带来超额的收益。
3、五因子累计收益分析，一般是规定一个日期为起始日期，形成五因子的累积净值曲线，目的是用来分析五因子在历史上和现在的表现，和预估未来的表现。后面归因分析中会用到这里的累积。
4、五因子间的相关性分析。其目的是提出多吃公线性，用作下一步回归用。
这里可以剔除多重共线性，也可以不剔除，因为Fama在原始论文中就发现了了五因子中存在多重公线性，但是Fama并没有处理这个问题。所以这里也可以不处理。
去除多重共线性的方法为：
分别用4个因子对另一个因子进行线性回归，可以找到共线性因子，找到共线性因子后。
用四个因子去回归这个共线性的因子，生成的残差，作为这个因子的新值，这样既做可以去掉共线性，也因为是线性变化，不改变因子的方向。这种去除共线性的方法，使用与所有的多因子模型。包括APT多因子模型。
我们有了Fama五因子，将组合的收益时间序列作为因变量，直接进行回归，即可求出模型：
在求出模型的同时，求出回归的可决系数，检验模型的因子解释的有效性。
我们由五因子的累积净值走势图，可以分析出历史和当前那个因子起到主要作用，通过上面方差的回归系数，我们可以发现我们组合的收益来源，如果组合的主要收益来源和当前五因子收益表现最好的不一致，就要考虑进行调仓，高配表现好的因子。这就是基于净值的收益归因。
既然这里目标变量是组合的收益率，那么有上面模型，我们可以由因子的风险矩阵求出组合的总风险，且每一个因子的风险贡献都可以求出，道理和风险预算模型一致。这就是基于净值的风险归因。
额外的，在这个模型可以用来选股，我们选择 很小的股票和资产，因为这种股票和资产收益和风险可以被五因子所解释，风险小， 大的说明还有很多不能被五因子解释的部分，风险也大。
所以，我们使用Fama多因子选股的时候，只需用五因子回归市场上每一个股票，对生成的残差 有小到大排序，选择残差 小的股票。
基于持仓的归因方法，逻辑上比基于净值的归因方法要复杂的多，它来自套利定价模型（APT），用所有所有股票截面的因子的暴露序列去回归所有股票的收益序列。这种做法的目的是找到个股收益和因子收益之间的关系，寻找有效因子，通过有效因子来选择好的股票。
这种做法把重点放在了因子挖掘和最后资产的打分模型的选择上。
最后的模型打分，最后主要开发出来以下模型：
分层打分法、简单线性回归、随机森林、逻辑回归、支持向量机回归。
本文以简单线性回归为例，详细介绍这种方法归因分析的实现。
我们还是遵循机器学习的项目流程，来进行实现：
数据准备>>数据预处理>>单因子有效性检验>>数据分析>>回归分析>>归因分析
(1) 股票池:全A股，在每个时刻t均剔除ST、PT股票，剔除停牌及上市未满一个月的股票，剔除 BP 值为负的股票;
(2) 时间参数:2010年1月至2018年1月;
(3) 因子对应指标:
a) 市场因子指标:上证 指数;
b) 行业因子指标:申万一级行业指数。
c) 风格因子指标：市值size，PE，EBITA.(这里以这三个因子为例，APT框架的优势就是因子可以随便加)
1、所有数据按同一时间，同一股票对齐，注意这里的财报指标相关的时间要使用财报公布时间不能使用财报报告期。虽然这种方法是截面回归，但是要研究每个因子的有效性，所以必须列出各个因子的历史时间序列数据。
2、第一步产生的NA值，用截面该因子的均值填充。（这与上面的做法不一样）。
3、若因子NA比率超过30%，则舍弃该因子。
4、对每个因子的暴露（就是因子值）分布分析，剔除3-sigma以外的公司。（最后回归用，因为回归对极值敏感）
5、z-score标准化所有因子。（最后回归用，去量纲）
通常我们总认为行业和市值两个因子对股票的收益影响较大，所以在单独分析其他因子时，要把这两个因子暴露引起的收益剔除掉，也就是所谓的因子中性化。经常使用的方法是，用因子暴露作为因变量，用行业因子和市值因子去回归因子暴露，得到的残差就是中性化后的因子。
在这个过程中，因为行业是类别变量，不能直接进行回归，要引入哑变量的方式进行回归。
注意：因子暴露此时已经变成中心化的，所以一下处理全在中性化因子的基础上。
整个模型最麻烦的一步，也是最琐碎的一步。
在剔除了极端公司和填充了因子NA值后，我们对每个单因子进行有效性检验。做法有以下几种：
1、IC值检验
2、RIC值检验
3、IR检验
4、方差分析(ANOVA)给出p-value
5、随机森林
这里我们要先再确认下因子收益和因子暴露的概念：
因子暴露是因子具体的值，例如60000.sh(浦发银行)的PE（因子）值为5.62.纳闷普法银行在因子PE上的暴露就是5.62。
因子收益是用截面因子暴露去回归个股收益时产生的各项因子的回归系数。
为什么这样定义，其实原因来自上面的基于CAMP模型多因子分析。
我们有各个因子的暴露值后，可以对各个因子进行单因子检验，我们求当期（t期）的因子暴露值和下一期（t+1期）的个股收益的相关性数,得到当期（t期）的该因子的IC值：
其中：
这样求出来的IC值的绝对值越大越好，求出所有因子历史一段时间的IC值走势。因子IC的绝对值长时间处于很大的值，说明这个因子长期有效性很强，若偶尔绝对值很大，说明因子偶尔有效，也要保留，我们剔除那些IC长期很小的因子。认为这些因子有效性不强。
RIC的用法与IC的用法完全一致，只有RIC的定义不一样，我们求当期（t期）的因子暴露值和下一期（t+1期）的个股收益的秩相关性数,得到当期（t期）的该因子的RIC值：
其中：
RIC使用方式和IC一致。
从上面使用IC和RIC时，不是很方便，我们要看IC和RIC长期表现，这种表现是定性看的，我们需要构造一个量，定量的去衡量因子的长期表现。我们很简单的一个想法是：用IC的均值来衡量IC的长期表现好坏，用IC的标准差来衡量表现的稳定性。
于是我们综合两个在一起，构造IR如下：
这里的符号IR与信息比率是一样的，因为两者是一个东西，可以通过数学推导得到。
我们选取IR高的因子，丢弃IR低的因子。
方差分析是用来分析多组数据之间均值是否一样的统计分析方法，当检验的p值大与0.05是，说明多组之前的均值没有差异，当p值小于0，05 时，说明各组之间存在差异。对于选因子来说，我们希望每组之前有差异。所以p-value需要小于0.05.
P值的计算方式很复杂，其思想是用组内方差处于组间方差构造统计量，进行F检验。可直接调用python方差分析函数。
本步主要查看上一步选出的各个因子之间相关系数,为解决下面回归中的两两共线性问题，我们要合并部分因子，我们设置阀值0.6.认为相关系数在0.6 以上的因子看作同一组因子。
对同一组的因子，我们采用IC_IR加权的方式合并这些因子，将其合成一个因子。
其具体加权方式为： 。
这样我们就得到了组合因子。但是这一步虽然剔除了两两间的共线性，但是未能剔除多重共线性。
本步对上面筛选出的因子，以个股收益为因变量惊喜建模，常用模型为多元线性回归，获得如下回归方程：
其中： 是股票n在因子k 上的暴露。 为因子k的因子收益， 为股票n的残差收益，既股票特有收益率。
由这个回归方程，用最小二乘发，我们可以得到因子k的收益 。
进一步的，若现有一组合P，则这个组合P的收益率为：
其中： 为组合P中股票n的权重。
所以组合在因子k上的暴露设为 为：
所以此时，我们知道了组合的因子暴露，各因子的收益，所以可以得到组合里面个因子的收益贡献 ：
所以，此时的多因子模型收益归因归因。
这里的风险归因分析和Barra一模一样：
由上面回归模型得到（将其向量化表示）：
其中：r为股票的收益向量，X因子的暴露矩阵，f为股票的因子收益向量，u为股票的特质收益。
则我们的组合P的波动率为：
其中： 为所有因子收益学列的协方差矩阵，𝛥为股票特质收益序列的协方差矩阵。w为持仓权重。具体推导详见马克维茨均值方差理论。
有了组合的风险（既波动率），就可以得到以下三个量：
组合的系统风险：
组合的特质风险：
因子𝑖对总风险的贡献比例为(推导详见风险预算):
以上就是多因子模型在风险归因上的应用。
传统的这一版多因子，另一大作用是用来选股的，我们得到以下回归方程的时候。
最简单的，可以把最新一期的因子带入到回归方程，计算出的个股的的未来收益，将其线性映射到1到100，可以直接作为分数，我们选择分数高的股票即可。一般都是直接做前10%,做空后10%获得超额收益。
③ 富时罗素指数9月18号调整的股票有什么
北京时间8月21日晚间，国际指数编制公司富时罗素公布了旗舰指数2020年8月的季度审议结果。本次调整不涉及纳入因子的变动，仅为正常的季度调整。本次变动将于9月18日收盘后（9月21日开盘前）正式生效。
公告显示，富时罗素旗舰指数——富时全球股票指数系列（下简称富时GEIS）本次新纳入150只中国A股，其中大盘A股共12只，中盘A股19只，小盘A股114只，以及微盘A股5只。还有部分此前已纳入的A股标的因市值大小变动进行了分类调整。
此外，还有2只A股被剔除指数。长久物流（6003569）为小盘股；亚翔集成（603929）为微盘股。
需要注意的是，此次公布的只是初步名单，富时罗素还将根据市场情况（如沪深股通标的调整）来对上述名单小幅调整，最终纳入名单将在指数生效日前确定。
6月22日，全球指数、数据和分析方案提供商富时罗素宣布，顺利完成将中国A股纳入全球股票基准指数的第一阶段。
2018年9月，富时罗素宣布将A股纳入其指数体系，分类为次级新兴市场，计划分三步实施。
根据富时罗素此前公布的方案，第一阶段分三步。第一步，2019年6月，A股以5%纳入因子首次纳入富时罗素指数；第二步，2019年9月，A股纳入因子将由5%升至15%；第三步，2020年3月，A股纳入因子将由15%升至25%。
3月17日，富时罗素临时公告称，A股最新一批纳入指数将分成两步实施。
公告显示，分两步走就是指，最新一批纳入规模的四分之一在2020年3月实施，其余四分之三在2020年6月的指数评估时实施。
此次纳入完成后，富时新兴市场全盘指数按25%的纳入因子纳入1051只大、中、小盘股，中国A股占富时新兴市场指数约6%。这是第一家国际指数提供商在纳入过程中囊括不同规模的公司。
当时，富时罗素方面表示，约1400亿美元资金正在跟踪富时新兴市场指数。下一阶段的纳入计划将基于未来市场
④ 投资学的一道论述题，求详解
所谓量化投资，就是通过定量或统漏碧姿计的方法，不断地从历史数据中挖掘有效的规律并在投资行为中加以利用，甚至通过计算机程序自动执行下单的动作。也就是说，量化投资方法是靠“概率”取胜，其最鲜明的特征就是可定量化描述的模型、规律或策略。
对于股票市场，量化投资主要包括量化选股、量化择时、算法交易、股票组合配置、资金或仓位管理、风险控制等。我们这里重点聊一聊量化选股和择时策略，其中前者解决哪些股票值得关注或持有，后者解决何时买入或卖出这些股票，以期在可承受的风险程度下，获得尽可能多的收益。
第一阶段：选股
选股的目标是从市场上所有可交易的股票中，筛选出适合自己投资风格的、具有一定安全边际的股票候选集合，通常称为“股票池”，并可根据慧带自己的操作周期或市场行情变化，不定时地调整该股票池，作为下一阶段择时或调仓的基础。
量化选股的依据可以是基本面，也可以是技术面，或二者的结合。常用的量化选股模型举例如下：
1多因子模型
多因子模型：采用一系列的“因子”作为选股标准，满足这些因子的股票将作为候选放入股票池，否则将被移出股票池。这些因子可以是一些基本面指标，如 PB、PE、EPS 增长率等，也可以是一些技术面指标，如动量、换手率、波动率等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发生作用。
2板块轮动模型
板块轮动模型：一种被称作风格轮动，它是根据市场风格特征进行投资，比如有时市场偏好中小盘股，有时偏好大盘股，如果在风格转换的初期介入，则可以获得较大的超额收益；另一种被称作行业轮动，即由于经济周期的原因，总有一些行业先启动行情，另有一些（比如处于产业链上下游的）行业会跟随。在经济周期过程中，依次对这些轮动的行业进行配置，比单纯的买入持有策略有更好的效果。
3一致性预期模型
一致性预期模型：指市场上的投资者可能会对某些信息产生一致的看法，比如大多数分析师看好某一只股票，可能这个股票在未来一段时间会上涨；如果大返绝多数分析师看空某一只股票，可能这个股票在未来一段时间会下跌。一致性预期策略就是利用大多数分析师的看法来进行股票的买入卖出操作。
与此类似的思路还有基于股吧、论坛、新闻媒体等对特定股票提及的舆情热度或偏正面/负面的消息等作为依据。还有一种思路是反向操作，回避羊群效应（物极必反），避免在市场狂热时落入主力资金出货的陷阱。
4资金流模型
资金流模型：其基本思想是根据主力资金的流向来判断股票的涨跌，如果资金持续流入，则股票应该会上涨，如果资金持续流出，则股票应该下跌。所以可将资金流入流出情况编制成指标，利用该指标来预测未来一段时间内股票的涨跌情况，作为选股依据。
第二阶段：择时
择时的目标是确定股票的具体买卖时机，其依据主要是技术面。取决于投资周期或风格（例如中长线、短线，或超短线），择时策略可以从比较粗略的对股票价位相对高低位置的判断，到依据更精确的技术指标或事件消息等作为信号来触发交易动作。
一般来说，择时动作的产生可以基于日K线（或周K线），也可以基于日内的小时或分钟级别K线，甚至tick级的分时图等。具体的量化择时策略可以分为如下几种：
1趋势跟踪型
趋势跟踪型策略适用于单边上升或单边下降（如果可做空的话）的行情——当大盘或个股出现一定程度的上涨和一定程度的下跌，则认为价格走势会进一步上涨或下跌而做出相应操作（买入->持有->加仓->继续持有->卖出）。
2高抛低吸型
高抛低吸型：高抛低吸型策略适用于震荡行情——当价格走势在一定范围的交易区间（箱形整理）或价格通道（平行上升或下降通道）的上下轨之间波动时，反复地在下轨附近买入，在上轨附近卖出，赚取波段差价利润（下轨买入->上轨卖出->下轨买入->上轨卖出->…）。
3横盘突破型
横盘突破型：价格走势可能在一定区间范围内长时间震荡，总有一天或某一时刻走出该区间，或者向上突破价格上轨（如吸筹阶段结束开始拉升），或者向下突破价格下轨（如主力出货完毕，或向下一目标价位跌落以寻找有效支撑），此时行情走势变得明朗。
横盘突破型策略就是要抓住这一突破时机果断开多或开空，以期用最有利价位和最小风险入场，获得后续利润（空仓或持仓等待机会->突破上轨则买入或平空/突破下轨则卖出或做空）。
常见的趋势跟踪型策略有：短时和长时移动均线交叉策略，均线多头排列和空头排列入场出场策略，MACD的DIFF和DEA线交叉策略等。如下图所示：
常见的高抛低吸型策略一般通过震荡类技术指标，如KDJ、RSI、CCI等，来判断价格走势的超卖或超卖状态，或通过MACD红绿柱或量能指标与价格走势间的背离现象，来预测波动区间拐点的出现。如下图所示：
常见的横盘突破策略包括布林带上下轨突破、高低价通道突破、Hans-123、四周法则等。如下图所示：
必须要强调的是，趋势跟踪型策略和高抛低吸型策略适用于完全不同的市场行情阶段——如果在单边趋势中做高抛低吸，或是在震荡行情中做趋势跟踪，则可能会造成很大亏损。因此，对这二者的使用，最关键的是，第一要尽量准确地判断当前行情类型，第二是要时刻做好止损保护（和及时止盈）。
⑤ 性价比最高的因子组合技术
性价比最高的因子组台技术是指硬件、软件和服务皮搏组合，它使企业可以在更短的时间燃绝祥内更高效地实现业务目标。它可以提高效率，提高生产效率，降低成本，节省时间，提高客户满意度，提高员工满意度，并帮助企业实现创新和可持续性发展。此外，此技术还可以帮助企业更好地支持业务发展，提高管理水平，改善人力资源管理宏罩，提高沟通能力，提高安全性，更好地支持协同办公，改善网络连接，增强业务流程，实现数据共享等。
⑥ “聪明基金“Smart beta策略能赚大钱吗
自2000年以后，股票已经经历了两轮大熊市，而现在又开始有走软迹象。养老基金，保险公司以及捐献基金寻找新的回报来源就没什么奇怪的了。“smart-beta”正是最新的基金管理业的术语。
“Alpha”是选择单个标的资产超越大盘的技能。
“beta”则是资产组合相对于整体市场(如以某个指数基金为代表)的相对收益。
传统的“市值加权”法，是投资者按市值等比例购买股票或者债券的方法，
而“smart beta”则是尝试在跟踪某一大类资产的同时，调整成份证券权扒闹念重，以获取增强性收益的投资方法。
[Smart Beta]
众所周知，beta在CAPM模型中衡量了相对于持有整个市场所带来的风险溢价（risk premium）的大小。整个市场通常用市场投资组合（market portfolio）或市场指数基金（market index fund）来表示。市场指数通常都是市值加权（market capitalization weighted）。如果把市场指数换成按非市值加权的指数或投资组合，其得到的beta即为smart beta，又被称为alternative beta或exotic beta。理由是因为这些新指数的权重是由某些量化算法得出的，看上去比最普通简单的市值加权要更“聪明”些。
现在比较流行的算法有：
等权重加权（Equal Weight, EW）:
等风险加权（Risk Parity），可以看作是调节波动率后的等权重
等风险贡献加权（Equal Risk Contribution ，ERC），可以看作是考虑了资产回报率之间协方差后的risk parity
最小方差加权（Minimum Variance, MV
最大多样化加权（Maximum Diversification，MD
如下图所示，从左至右，这些加权法需要的参数逐渐增加。ERC，MV，和MD都属于“robust risk parity”因为它们把协方差考虑在内。最经典的均值-方差优化法（mean-variance optimization）需要知道预期回报，方差与协方差，因为此优化法同时使风险最小化，预期回报最大化，不过，这里涉及到因子对准问题（Factor Alignment Problem, FAP），下文中会提到。smart beta策略只考虑波动率与协方差，所以，我们把它们看作只关注风险（risk-based）而不关注预期回报（return-based）的策略。
[随机折现因子，SDF]
事实上，CAPM模型是资产定价模型（asset pricing model）的一个比较有名的特例，因为广义的随机折现因子（stochastic discount factor，SDF）在CAPM中被狭义的市场投资组合所代表了。
按资产定价模型的定义：p = E(mx)，任何资产的价格就是折现后所得回报的期望，其中x是资产在未来的回报，m就是春困随机折现因子SDF。利用协方差的定义，我们得到
所以，任何资产的价格等于用无风险率折现后所得回报的期望再加上一个风险溢价（risk premium），而这个溢价是SDF与未来回报的协方差。
按照芝加哥大学经济学教授John Cochrane的说法，投资者的状态有‘好’和‘坏’之分（good vs. bad times）。‘坏’的状态一般指个人财富降低，导致其发生的原因可以是由于个人负债过高，或收入降低等等造成的。而SDF是定义这个状态‘坏’时的指标，状态越‘坏’，指标越高。由于大部分资产在状态‘好’时，回报很高弯袜，所以这个协方差通常为负。更重要的是，如果一个资产的回报与个人状态好坏无关，即与SDF无关（风险中性状态，risk-neutral），那它的价格只能由无风险率决定（协方差为零）。
把上式写成预期回报率（expected return）的形式，会更直观些
进一步推导得到预期资产回报率的“beta表达式”
换句话说，人们只有承担系统性风险（systemic risk，与SDF相关）才能取得收益。如果承担非系统性风险（idiosyncratic risk），则无任何益处。
由此可见，SDF作用很重要，但是它只存在于理论中。人们千方百计地在真实世界里寻找替代品，即所谓的风险因子（risk factor）。所以，我们也可以这样认为：人们承担的（系统性）风险越大（尤其在状态‘坏’时），作为补偿的因子风险溢价（factor risk premium）也越大（尤其在状态‘好’时）。高风险的资产必须有足够高的预期回报率，即足够低的价格，才能吸引人们来购买并持有它。
[多因子模型]
由于我们在CAPM中假设SDF只与市场投资组合回报有关，所以市场投资组合是CAPM中唯一的因子。在此基础上，我们也可以进一步假设SDF与多个因子线性相关
由此得到多因子模型。因子不同，对投资者状态‘坏’时的定义也不同，由此承担的风险敞口以及获得的溢价也会不同。Fama-French三因子模型是多因子模型中的经典代表。诺奖得主Gene Fama和Dartmouth大学教授Ken French通过对大量股票中某些共同特征进行筛选，从而得到有别于大盘因子的两个新因子：规模与价值（HML，SMB）用以组成三因子模型。这个模型恰好能很好地解释股票的预期回报。后来，该模型又加上了动量因子（momentum），遂成四因子模型。从结构上讲，这与Stephen Ross提出的套利定价理论（arbitrage pricing theory）相似。唯一不同的是，APT直接从统计的层面入手，假设资产回报率可以由一系列因子表示。
[基于因子的资产配置策略]
前面啰里啰唆说了这么多，我只想强调因子的重要性。需要指出的是，上文中提到的广义资产定价模型与风险因子不只局限于股票市场，而是适合任何资产和资本市场。可以这么说，风险因子才是资产之间联动的根本原因，资产配置实际上是因子的配置。
我们可以把各种资产比作各种食物，把各种因子比作各种营养，比如维生素。理论上来说，我们既可以通过摄取不同食物来获得不同维生素，也可以通过直接服用维生素来获得所需营养。比如，为了治疗脚气，人们即可以多吃谷物，猕猴桃，蓝莓等富含维生素B1的食物，也可以直接服用维生素B1药片。
如同某一食物含有多种营养一样，买入并持有某一个资产可能会带来不同的因子风险敞口（factor risk exposure）。比如，在美国NASDAQ上市的网络，它的股票价格即包含了科技板块的风险，也包含了中小版块的风险，另外，由于公司的总部在中国，它还包含了中国经济发展的风险。当然，还可能包括一些其他未知风险。这也是多因子模型中资产表现评估（performance assessment）的精髓。
同样道理，如果我们只想要某单一风险，如同维生素B1药片，我们就要巧妙选取资产来达到此目的。在上文提到的Fama-French三因子模型中，Fama和French为我们很好地展示了如何对大量股票进行筛选，把具有共性的多支股票组合在一起，构造出所需要的因子（factor mimicking portfolio）。人们根据不同的风险偏好选择不同因子，以获得不同的因子风险敞口从而赚取不同的因子风险溢价，比如，动量因子，基本面指数。
至于如何发现新的有用的风险因子，则不在本帖讨论范围内。不过，下图展示了资产配置策略的发展过程与新风险因子的发现密不可分。这些新因子现在已被大众广泛应用于投资中了
70年代，人们开始将投资组合用于主动投资管理中（active management）。
80年代，市场指数基金的流行使人们更加便捷且廉价地投资整个市场，因为CAPM模型让他们意识到只有承担系统性风险（systemic risk）才能取得收益，其风险及收益的大小由beta来衡量。而那些市场超额回报则由alpha来衡量。
90年代，人们不再局限于市场这个单一因子，APT和Barra多因子模型扩大了人们选择因子的范围，其中包括国家地域因子，行业因子，宏观因子等。
2000年之后，人们对因子的认识又扩展到了新领域：风格因子与策略因子。比如，Fama-French三因子及Carhart四因子模型中的规模，价值，和动量因子。新的因子又比如carry，低波动率，流动性（liquidity），基本面因子，以及本帖介绍的smart beta策略等。更重要的是，人们意识到之前他们认为的alpha，其中有很大一部分是非传统的beta。那些业内人士把这些beta包装成alpha在推销（sell beta as alpha，见下文“另类投资”部分）。
随着ETF的流行，人们能够越来越方便地接触到不同因子并直接应用于投资中，尤其是应用于被动投资中。与对冲基金，共同基金，期货等相比，ETF的优点是更透明，成本更低，进入市场的门槛更低。一些较受欢迎的因子ETF或smart beta ETF包括：RSP（标准普尔500等权ETF），SPLV（标准普尔500低波动率ETF），FNDB（Schwab美国基本面指数ETF）等等。
[全天候式投资组合（All-weather Portfolio）]
上文中提到了宏观因子（macro factors），就不得不提一下与之有关的资产配置策略：全天候式投资组合（All-weather Portfolio）。此策略是美国知名对冲基金Bridgewater的负责人Ray Dalio长期研究的成果，其核心观点是将宏观因子，经济情景（economic scenario），和上文中提到的等风险权重（risk parity）结合在一起。
宏观因子与资产回报之间的相关性很低，尤其是在短期，但使用经济情景可以在长线投资中弥补这个不足。另外，由于一般投资者不喜欢借钱来投资（leverage aversion），这造成了投资组合中股票等高风险资产的权重高于理论中的最优值。使用等风险权重可以纠正这一偏差。
这里，宏观因子主要考察的是经济增长和通货膨胀，并由此定义四种经济情景：
（1）经济增长上升，通胀上升
（2）经济增长上升，通胀下降
（3）经济增长下降，通胀上升
（4）经济增长下降和通胀下降。
然后，从历史数据中找出资产价格的变化与这些经济情景的关系，从而确定可投资的资产以及相应的权重，使得投资组合在每个经济情景中分配到的风险相等（如下图所示）。这样，随着时间的推移，该投资组合能够经受住各种宏观风险的冲击，“全天候式”的名称由此而来
不过，全天候式投资组合在2013年遇到了些小麻烦。在标准普尔500指数增长30%的情况下，Ray Dalio旗下的全天候式投资组合基金的回报率为-3.9%。于是，全天候式投资这个概念也遭受了质疑 。但我认为资产配置的重要功能之一就是帮助保护投资者的财富，防范风险。所以其分散风险的优势要在长线投资中才能显现出来，人们不应该太在意短期的失利，下文中会提到。
[耶鲁模式 Yale Model]
耶鲁大学捐赠基金（Yale Endowment）由于其在同行中长期傲人的投资表现，已经被视为是资产配置行业的一个榜样，简称耶鲁模式（Yale Model）或常春藤投资组合（Ivy Portfolio）。耶鲁模式之所以能取得不错的收益，主要得益于其在另类投资（alternative investment）中的高配置，包括各种私募基金，对冲基金，风险资本（venture capital），房地产等。近年来，其占整个投资组合的比重高达60%。耶鲁基金从上世纪90年代就开始投资当时颇具神秘色彩的私募基金和对冲基金了。这些基金的特点是乏人问津，投资准入门槛高，因此其收益可以说是来源于价值因子和低流动性因子。
虽然，这些因子给耶鲁基金带来了可观的回报，但在08金融危机中，由于人们的恐慌性抛售，低流动性资产重创了该基金。从理论上来讲，这符合上文中提到的因子投资的特性，即人们承担的（系统性）风险越大（尤其在状态‘坏’时），作为补偿的因子风险溢价（factor risk premium）也越大（尤其在状态‘好’时）。
然而08金融危机过后，在标准普尔500屡创新高的情况下，耶鲁基金的资产始终没有超过08年的最高点。一个很重要的原因是因为耶鲁基金的成功模式开始被不少养老金机构和规模较小的大学捐赠基金效仿，导致了在另类投资中的风险溢价大幅减少。耶鲁基金在其年报中也承认了这一点。但它近年来仍能在投资表现上对同行保持微弱的优势，其成功的关键在于它能够找到最优秀的基金经理来管理投资，这在其年报中也提到了。可惜的是，这些最优秀的基金经理中的大部分都已不接受新的资金。因此，这个成功的关键只适用于耶鲁自己而无法被他人复制。
由此可见，耶鲁基金在可预见的未来仍可能继续领跑这个行业，但它作为一种已被大众所熟悉的投资模式不可能在短期内重塑辉煌。
[另类投资不另类]
随着耶鲁基金的成功，那些往日不为人知的另类投资（alternative investment）也掀开了它们神秘的面纱。以其中的对冲基金为例，其高回报及低相关性吸引了人们来研究它。
研究结果显示对冲基金的回报能提供的alpha非常有限，而有很大一部分是来自各种beta，我有一个帖子专门讨论了这个现象。除去少数明星基金，大部分对冲基金能取得回报的一个重要原因并不是因为它们能提供下行风险的对冲（protection on downside risk），恰恰相反，而是因为它们在市场下行的时候回报足够糟糕，也就是说它们对尾部风险（tail risk）的敞口很大。这与我们之前的认知不太一样，但符合因子投资的特征。
大家可能都知道股神巴菲特与另类投资公司Protege Partners之间的十年赌约吧。巴菲特在2008年初跟对方打赌说“an index fund will beat a fund of hedge funds over ten years”。那到目前为止（2014年）结果怎样呢？有“好事”者把两者做了一个比较，发现巴菲特建议的投资暂时领先（见下图）
进一步的研究发现，如果我们把指数基金降低杠杆并收取费用，我们竟然得到了与对冲基金同样的收益！（见下图）
另一方面，如果想要得到私募基金的回报，我们只有增加杠杆并收取费用即可。由此可见，另类投资行业经常把已知的beta当成alpha来推销。然而，随着因子研究的不断深入，人们对另类投资的理解也越来越深刻。另类投资已变得不再另类。
[重新审视Smart Beta]
在了解了因子与资产之间的关系后，我们现在再来重新审视一下Smart Beta策略，看看它们是不是有特别之处呢？回答是否定的。
研究显示这些Smart Beta策略其实都是某些因子的组合。比如，等权重加权法偏向于规模因子。这个很容易理解，因为这种加权法使小盘股获得与大盘股同样的权重。又比如，最小方差加权法偏向于低beta因子与低波动率因子。然而，等风险加权法与等风险贡献加权法更偏向于低beta因子和规模因子。
如下图所示，Smart Beta策略与上文中提到的其他因子策略同属一个均值-方差框架内，但正如上文中提到的，Smart Beta策略的着重点是风险，而其他因子策略的着重点是预期回报（risk-based vs. return-based）。不过，最后的效果是相似的，都具有某些因子偏向（factor tilt）
更令人意想不到的是，与Smart Beta正好反向操作的策略竟然也能赚钱。究其原因，原来这些反向策略仍就偏向规模与价值因子。即使是随机投资组合（random portfolio，即着名的“猩猩掷飞镖选股法”，在《漫步华尔街》一书中屡次被提及）也有类似的因子偏向（factor tilt，下图所示）。由此可见，Smart Beta策略能跑赢大盘就不足为奇了，因为它们承担了一定的因子风险。
既然谈到了均值-方差优化框架，这里就顺便提一下因子对准的问题（Factor Alignment Problem）。此问题的出现是因为在均值-方差优化法中的预期回报，风险与优化问题的约束条件（optimization constraints）三者所侧重的因子有时不尽相同（misalignment）。比如，在预测预期回报中使用的因子可能在风险模型中没有被使用到。当我们运用优化算法时，更恶化了这个问题，因为我们可能低估了那部分因子的风险，从而在使预期回报最大化的过程中，高估了与风险模型无关的那部分因子的预期回报。庆幸的是，Smart Beta策略和其他因子策略都只侧重均值-方差优化法中的一部分，从而避免了此问题。
虽然Smart Beta策略只是普通的因子配置，但它如此受欢迎有它的道理。我认为主要原因有下列几个：
（1）美联储的QE大幅降低了固定收益类资产的回报，使得投资者不得不寻找其他投资门道来增加收益。
（2）08金融危机中的恐慌和之后美联储的QE都影响了市场对各种资产的真实定价功能，资产与资产间原有的联系减弱了。取而代之的是，大部分资产都随着美联储的货币政策起舞。“risk-on/off”模式使得传统的资产分散化投资（diversification）失灵了。
（3）投资者们仍然对08金融危机时财富大幅缩水记忆犹新，所以比起资产的预期回报，他们更注重风险的控制，更偏爱能控制风险的策略。
（4）08金融危机后，投资者希望在投资中减少人为操纵的因素，更偏爱透明度高，原理简单的投资产品。
（5）依照某些算法或规则产生的投资策略（rule-based strategy）可以大大降低由于人们行为上的偏差（behaviour bias）而造成的损失。
（6）传统的对冲基金和共同基金的高费用一直受人诟病。
因此，这些主题明确，成本更低，且看上去能控制风险的Smart Beta策略在经过精心包装后迅速受到了大众的追捧。目前掌握着金融市场大部分资金的机构投资者（institutional investors），比如养老基金，大学捐赠基金，资产管理公司，保险公司等都在往这个方向发展，这股趋势对人们投资理念的影响深远。
[市场与因子风险溢价]
虽然因子投资有种种优点，但是，我们没有任何理论可以保证某一个因子策略可以始终跑赢市场。
事实上，我们经常看到的是这样的情形：某一个策略或资产在某一段时间内的表现持续地领先整个市场，通过媒体的报道和业界专业人士的包装，普通投资者们立刻对它们趋之若鹜。于是，这些策略中对应的资产价格井喷式地被抬高，预期回报大幅降低，直到泡沫破裂，重新回归长期均线为止。这样的例子比比皆是，比如90年代的增长型股票策略，08金融危机前的新兴市场策略，危机后的黄金，低波动率策略，高股息策略等等。
投资者持有资产时因为包含了风险因子才会得到风险溢价，用以补偿他们所承担的某一种系统性风险，我们知道风险溢价是随时间变动的（time varying），我们不知道何时能够得到补偿。这也是为什么股神巴菲特不断鼓励人们不要在意一时的得失也不要随意改变投资风格，而要做长线投资。只有这样获得溢价补偿才是大概率事件。巴菲特本人就用他大半生的经历来证明这个理念的正确性。如果我们用多个因子构造出一个投资组合，我们就可以利用它们之间稳定的低关联性等优点进行分散化投资，以避免上述单因子策略出现的损失。美国着名对冲基金AQR就巧妙地利用了因子的这些优点构造投资组合并取得了持久且不错的收益。
市场是个零合游戏（zero-sum game），任何异于市场的投资，必定有一个与之对应的反向投资，而它们在长期都将回归到市场这个动态的均衡点上（equilibrium）。任何想跑赢市场的投资策略（包括因子策略，择时策略等）只适用于一部分人，因为这需要另一部分人反向操作来支持他们。如果市场内的大部分人都采用同一种策略，那新的市场均衡点就形成了，投资策略也就失去了意义。这也是为什么包括对冲基金在内的另类投资在被大众熟悉后就失去了往日的光环。
有人担心如果市场上大量的资金流向指数基金和被动投资策略，主动投资的交易减少会导致市场失去发现资产真实价值的功能。我倒不这么认为，因为从本帖的分析中我们了解了，只有长期持有整个市场投资组合才是真正的被动投资。除此之外的其它异于市场权重加权的策略或指数都是主动投资，因为它们都具有某些因子的偏向。为了保持这些因子敞口，人们要定期地主动地进行再平衡调整（rebalance，即始终持有对某个因子偏向最强的资产，抛弃偏向最弱的资产）。只不过，主动投资的控制权不在投资者而在指数或ETF管理公司那里。无论如何，主动投资仍是市场中的大多数。
另一方面，传统意义上的主动投资（包括共同基金，对冲基金）从长远看并不会消失。尽管主动投资的表现不尽如意，收费也较高。如下图所示，以代表对冲基金整体水平的指数HFRX已经连续十年跑输仅由股票和债券组成的简单投资组合了
但是投资者们寄希望于将来能够选到更优秀的基金经理来跑赢被动投资，而且主动投资的参与者越少，能跑赢的概率越大，因此，投资者们仍然坚守着自己的主动投资仓位尽管有一些下降。投资者的这个看似愚蠢的决定其实是经过理性思考后做出的。
这就是主动投资与被动投资之间此消彼长的辩证关系，假设在极端情况下，资产的价格反映了所有信息，那么人们就没有动力去主动寻找新的信息。大家都被动接受信息的结果是整个市场没有信息。那么，这时候主动寻找新信息就可以占得先机。此关系可以看作是对有效市场假说（EMH）的一个注解。所以，完全有效的市场是不稳定的均衡点，永远不可能达到。市场始终处在半informative 半uninformative的状态，两者的人数多少取决于信息的成本和市场本身的结构。比如，在像中国这样不成熟市场中，由于种种原因使得获得信息的成本较高，从而使主动投资者更可能取得较高的回报。不过，随着市场的不断完善，获得信息的成本降低，越来越多的投资者会加入到被动投资的阵营中。
[结语]
总而言之，风险因子才是资产之间联动的根本原因，它描述了资产间某些共同特征。资产配置的实质是因子的配置。大规模的资产配置投资很难不涉及到某些因子敞口，而且，因子投资的特性会不断激励人们挖掘新的因子。随着资产定价理论的不断发展，我们不知道的beta会越来越少。
⑦ 三因子中,系数越大,该股票超额回报越多吗
三因子中，系数越大，该股票超额回报越多。平均回报反应的是基金收益高低的一个指标，代表的山帆是基金在一定时间内的平均回报率的多少。不用说，平均回报当然是行游越高档唯销越好，数值越大，说明收益就越高。
⑧ 什么是多因子模型法玛-弗伦齐三因子模型具体包括哪些因子
多因悄竖子模型：多因子模型是应用最广泛的一种选股模型,基本原启磨大理是采用一系列的因子作为选股标准,满足这些因子的股票则被买入,不满足的则卖出。
三个因子：市场资产组合、游数市值因子、账面市值比因子。
⑨ 标普纳A富时罗素扩容：千亿资金入A股 64股迎双重利好
9月23日，A股双喜临门，标普道琼斯纳A正式生效，富时罗素扩容，机构预测，两项利好有望吸引超千亿资金流入A股。
9月23日，A股双喜临门。
标普道琼斯纳A于9月23日开盘正式生效。这是继MSCI、富时罗素之后，第三家国际指数公棚如司将A股纳入其全球指数体系。
9月23日开盘前，富时罗素季度调整名单也将生效，此次富时罗素扩容是富时罗素A股纳入计划第一阶段的第二步。正式生效后，A股在相应指数中的纳入因子将从5%提升至15%。
根据招商证券测算，9月23日，标普道琼斯纳入A股将为后者带来11亿美元的被动增量资金。据富时罗素官方测算，预计二次扩容将为A股带来40亿美元的被动资金。两项合计折合人民币约360亿元。主动资金方面，据民生证券测算，“入富”第二步将带来60亿元人民币主动资金，标普道琼斯纳入A股将带来近650亿元人民币主动资金流入。
也就是说，主动加被动，A股将迎来超千亿资金流。
窗口同步开启
外资加码A股市场的窗口正集中开启。
明晟公司(MSCI)抢先一步，8月27日A股收盘后，明晟公司(MSCI)的二阶段扩容决定已正式生效。
标普道琼斯、富时罗素紧随其后。
9月7日，标普道琼斯正式公布纳入A股的个股名单，于9月23日开盘正式生效。此次名单共纳入1099只A股，其中大盘股147只、中盘股251只，小盘股701只。
在此之前，标普道琼斯观察A股市场已久。
早在2018年12月5日，标普道琼斯指数公司就对外宣布，将可以通过沪港通、深港通机制进行交易的合格中国A股纳入其新兴市场分类的全球基准指数。标普道琼斯透露，A股将按照25%的纳入因子纳入包括标普BMI指数、道琼斯全球指数在内的六个指数。
2018年年底，标普道琼斯公布了初筛后的纳A个股名单，共有1241只A股入选。2019年9月7日，标普道琼斯将入选个股名单调整至1099只，以25%的纳入因子纳入之后，A股在标普道琼斯新兴市场指数中所占权重为6.2%，中国市场(含A股、港股、海外上市中概股)在该指数占权重36%。
不过，标普道琼斯表示，纳入A股名单在9月23日生效前仍有可能根据市场情况发生变化。
9月23日，富时罗素指数季度调整也将生效。
根据富时罗素公布的计划，A股纳入其全球股票指数系列第一阶段将分三步走：2019年6月纳入20%，2019年9月纳入40%，2020年3月纳入40%，此次富时罗素扩容是计划第一阶段的第二步。
富时罗素此次扩容将新纳入87只A股，其中大盘股14只，中盘股15只，小盘股50只，微盘股8只，自9月23日开盘起正式生效。不过在第一阶段，由于富时罗素的旗舰指数只纳入大中小盘个股，因此新纳入个股为79只。
此次扩容后，A股在相应指数中的纳入因子将从5%提升至15%，A股被纳入的可投资比例将从今年6月的1.4%提升至4.2%，可投资市值将从10亿美元上升至30亿美元。
64股迎双重利好
9月20日，A股震荡收红。据东方财富网资金流向统计，截至收盘，北向资金合计净流入184.58亿元。
数据显示，今年9月以来，北向资金除9月17日出现5.18亿元的小幅净流出外，其余交易日均保持净流入态势。2019年以来，沪深股通合计净流入额已突破1800亿元，达到1823.67亿元。
根据以往经验，北向资金往往在指数调整生效前进行尾盘“扫货”。无论是MSCI在5月、8月的两次调整，还是富时罗素在6月的纳A生效，北向资金无一例外出现异动，净流入资金显着抬升。
业内人士分析，此次也不例外，北向资金很有可能已提前建仓。
据富时罗素此前的官方测算，预计二次扩容将为A股带来40亿美元的被动资金，而按照招商证券的测算，标普道琼斯指数有望为A股带来11亿美元山羡被动资金流入。也就是说，合计约51亿美元(约合362亿元人民币)的被动增量资金将有望入场。
哪些行业和个股将受益外资入场？
对此，富时罗素解释称，“‘创业板公司都是初创型公司’是一个常见的误解。如果仔细研究创业板公司，就很容易证明这逗和拍种说法并不真实。因为目前，除小型公司外，创业板还有许多大中型股票。例如，在2019年3月的指数评估中，创业板的温氏股份就被纳入了富时中国A50指数，而这个指数是囊括沪深两地50家最大上市公司的超级大盘指数。这也体现了创业板对海外投资者投资A股的重要性。”
政策推动开放
外资加码布局A股的步伐还在继续，如2020年3月，富时罗素纳A第一阶段第三步安排将生效。
为了便利境外投资者投资境内金融市场，中国资本市场对外开放正在层层推进。
9月10日，国家外汇管理局发布消息称，决定取消合格境外机构投资者(QFII)和人民币合格境外机构投资者(RQFII)(以下合称“合格境外投资者”)投资额度限制。RQFII试点国家和地区限制也一并取消。该决定是进一步满足境外投资者对我国金融市场投资需求而主动推出的改革举措。
MSCI近期研究显示，无论是全球型还是新兴市场型基金，其投资组合中中国股票的权重还都偏低。尽管中国目前占全球经济总量和企业盈利水平都有提高，但中国市场仅占全球市值加权指数的4%。根据MSCI的回测，如果投资者之前在新兴市场配置中增加了中国权重(例如将中国权重提升到50%或60%)，其可持续收益增长率将得到改善，或者总体新兴市场投资组合的风险会减少。
“我们期待未来能出现提高外商持股比例、引入券款对付制度以及增加经纪商等进一步的开放举措，以方便境外投资者在A股市场进行交易。如果这些问题得到解决，未来我们就可以通过QFII、RQFII渠道纳入A股，而不仅限于目前的互联互通渠道。”白美兰说。
⑩ 资产定价因子
在金融市场里，资产中间的联动性是投资者最大的风险点所在。联动性风险是投资风险的主要组成部分。所以要给金融资产定价的话，就要给这些联动性定价。
一个证券资产的风险可以分解为两个部分，一个是跟整个市场相关联的部分，就是系统性风险；是自己独有的部分，叫做个体风险。其中在投资的过程中个体风险主要包含公司行业和经营风险裤物袭，比如说近期的中兴事件。个体风险难以判断，也可以通过投资组合来分散，这里就没有过多研究。重点是需要找到系统性风险，就是资产与市场波动的部分。
把一个资产和市场组合的相关性定义为“beta”。这个资产比市场风险大还是小，beta大于1，这个资产的风险比市场要大，反之，比市场风险小。如果这个资产的beta为2，那这个资产的价格应该是市场2被的议价，如果这个资产的市场价格大于2倍，就可以称为高估值。
这就是资产定价理论（Capital Asset Pricing Model，CAPM）。是由夏普等几个金融学家在1964年提出的，与有效市场假说一起，是现代金融学的两大基石。
一、资产定价三因子模型（市场、规模和价值)
在15年牛市的时候，有出现一些牛叉基金，比如说汇添富的几个专们投资神创板的几个高价股全通教育、安硕信息。他们的业绩比沪深300的表现好很多。在这种情况下，当时觉得这些基金经理超级牛。
然而事实并非如此。
Fama-French模型，除了上面讲的市场风险之外，资产的系统性风险还包括另外两个因素： 规模因子和价值因子 。这两个因素也是资产的定价因子。
规模因子：市值小的公司，承担着更大的风险，有更高的风险溢价。意思就是规模小的资产，它与市场组合（沪深300）的相关性“beta”是大于1的。在市场较好的时候，它的收益也会大；然而当市场走低，他的亏损也是大于市场组合的。
价值因子：市净率低的公司，或许由于基本面不佳、波动较大，比市净率高的成长型公司有风险溢价；或许是投资者的误判，当估蚂简值修正时，也会有高的回报。
最后，通过多年的数据认证，什么资产的收益率更高，用这三个因子可以解释其中的90%，基本上解释了各种股票收益率的差异。
当看到这个模型，可以知道原来很多时候，基金经理取得了超额的收益不是因为他们的能力，而是运用了以上的两个风险因子 。
二、动量因子（趋胡兄势交易）
在A股市场里，经常听到媒体评论，散户追涨杀跌不理性，造成市场的过度波动。其实这很业余，在金融的研究里，散户根本没有追涨杀跌，而是在追跌杀涨。
实际在过去的数据中，机构最赚钱的策略就是“追涨杀跌”，这也叫做动量交易。在资产定价因子中，还是一个着名在定价因子。
机构就这样使用了相应的交易策略，买入上个月收益最高的资产，卖出收益最低的那组。然后发现在接下来的3-12个月中，这个策略获得了不错的超额收益。在五十年代被发现后，之后的30年美国市场上大部分基金都使用了这样的策略赢得超额收益。
那如果动量这个现象是错误定价，而市场又是有效的。那这个超额收益的套利空间就应该很快消失，不会出现长久超额收益的情况。超额收益一直存在的可能性就是动量也是一种系统性风险，需要风险溢价。所以它也应该当作一个定价因子。
动量这个策略的风险很大，在市场良好的时候，可以获得超额收益。而在市场不好的时候，却容易赔钱。而在A股市场中，由于交易较大，动量持续的时间较短，只能持续2-4周。如果这一周大涨，后面的2-4周可能跟着涨；反之，后面2-4周继续跟着跌。
三、投机因子
Fama-French的三因子模型中，价值因子在中国市场没有在美国市场那么明显。大量的数据证明在A股市场中，投机因子对价格有很强的解释力。
大量的投资者很难准确判断资产的内在价值，都是倾向于选择那些其他人也会买，因而会涨的资产。这种行为在市场上是常态，资产的价格就面临长期偏离基本面的风险。所以资产价格也应该包含投机行为的风险溢价，也就是投机因子。
投机衡量指标：异常换手率（abnormal turnover）。在发展中国家，发展中的市场，异常换手率特别高；而在成熟的资本市场都比较低。
构建对应的交易策略，每个月买入异常换手率最低，卖空异常换手率最高的组合。这个策略年化收益率稳定达到21%，异常换手率确实能够影响A股股票未来的收益率，是中国市场独有的定价因子。
炒作在中国市场里不是个别现象，不是个体性风险，而是一个系统性风险。当投机变成是从的系统性风险以后，它其实是有风险溢价的，可以成为一个风险定价因子，聪明的人可以用它来赚钱。而且在A股市场里投机的成分远大于价值，所以这个因子的作用也远大于价值因子，留到以后再深入讲解。
以上就是资产定价的五个因子，通过这些，也就更加准确的描绘了市场的画像。对于市场的风险，让我感觉就是自己在一步步从迷信、蛮荒，从观察性的总结，一点点科学的找出其中背后深层次的道理。