前言：股票量化基金常提到他们是多因子策略，这方法也适用商品期货市场，只是一般人对此还比较陌生，如何找到获利的因子呢？能根据这议题，我们找到唐民老师2021年写的文章，虽然是去年，但其中的知识和经验是能经得起时间考验的。

正文开始~

评价一个因子好不好，不能靠主观的每个人使用情况，而是看该因子具不具备某种相关性和独立性。根据国内商品市场的特点，我们知道识别宏观风险因子需要满足四个方面的条件：

有效性、低共线性、显著性、稳定性。

筛选出风险因子最基础最核心的条件是风险因子的有效性，以及风险因子的共线性，因为风险因子是定价因子，既要有一定对收益的解释度，又要存在很低的共线性。不同于一般风格类的风险因子，宏观因子的变化在商品上体现出的敏感度之差异导致产生了风险溢价，所以因子暴露度的获取应由时间序列的回归获得的敏感度来确定。

自定义指数多空比绝对值作为一个价格的同步分析因子，对价格具有很高的解释作用。

自定义指数构造出来的资金多空比能有效解释95%以上收益率，与其他的因子比如BDI，美元指数，PMI低共线性，收益/回撤稳定，夏普指数高，多空比所反映的资金趋势绝对值稳定。

上图是我们构建的期货可查全商品工业指数（正）能够及时高效的反应出影响价格运动的资金走向。

当然我们目前发现的可定量的宏观因子按效果排序如下：

1. 资金多空比绝对值与偏离度。同步监控全市场高密度持续交易的资金隔日残留，测量投机资金过夜的意愿，越偏离中心值/均值则隔日继续朝着原来方向运行的可能性越大。在资金多空比处于明显的多或者空的时候，节日效应十分明显，几乎全部朝着多空比所指方向跳空，较长的节日看多空比一般没大问题。

2. 央行的价格型调控取向。主要经济体的利率，观测对象有美联储国债公开操作/日本央行/中国央行影响货币市场短期利率。央行通过公开市场操作，形成预期利率引导，影响中长期利率，进而影响到资本市场、商品市场的价值评估，中长期利率直接关系到商品市场的中长期价格度量，提供了一条度量通道。

3. 金融市场的流动性与央行的数量调控取向——货币供应量。金融市场流动性是指在保持价格基本稳定的情况下，达成交易的速度或者说是市场参与者以市场价格成交的可能性。期货市场是金融市场的一个小的子市场，期货市场的微观结构理论通常从三个角度来度量市场流动性：关于市场流动性有多种计量方法，例如交易数量、交易频率、价格波动幅度、市场参与者数量等。

研究表明，中长期看通货膨胀是一种货币现象，货币供应量增大的时候，银行和金融系统获得资金更加容易，会导致市场投机度整体增加，如果短期注入超量的货币使得中期货币供应量无法快速扭转，则短期的货币供应量能急速反应到商品市场中具有金融属性的商品价格上。在同等行业供求条件下，金融属性越强的，价格受到资金流动性的影响越大。比如高价值易储存的有色金属，金融属性强，投机需求巨大。

我们要特别注意，央行资产负债表规模、货币乘数与广义货币M2增长之间并无必然的逻辑关联，不要过度去研究与商品价格指数走势解释能力低的因子，而是抓住核心的几个因子，把逻辑搞更严密。央行的资产负债表规模更适合从长期的角度去揣测央行的长期的边界忍受程度，对实际上的中短期操作几乎没有影响。

4. 资金/产业链的供需错配度。任何引起价格偏理性波动的都是供需错配导致，资金利率低，流动性好利好多头，因为在此背景下，持有现货收益率高于持币收益率，利益驱动，使得更多资金配置商品多头而非货币，这个通常出现在货币政策快速宽松的前期和中期，季节性的错配一般淡季旺季交替一下就平衡了，需求市场和供给产业的中长期错配，通常持续时间较长，短则3年4年，长则10年20年。

生产力与生产关系的解放，市场需求的持续开发，形成错配则会造成中长期的大趋势。如橡胶产业，就是汽车中长期市场与橡胶种植中长期的不断错配造成的4-5年内大幅牛熊转换。中长期的持续缓慢增长与（橡胶的高价格，种植的高利润持续1-3年，进而刺激国家政策和私人利益驱动）在短期集中迅速的扩种造成的供需不平衡，由于橡胶扩种存在刚性（不能像一年生作物一样，快速根据价格作出种植调整），这与需求的变动不断构成橡胶市场的中长期巨幅波动。

又比如，16年以来房地产快速增长带动的玻璃需求快速增加，而国家的玻璃行业政策限制了玻璃的扩产，这样的供需错配导致了玻璃是2016年以来涨幅最明显的品种。

短期不可持续性货币政策一般效用在2年左右，后续退出也会造成市场明显反响波动。疫情结束后，也会有明显的熊市出现。当然现在没有任何信号表明疫情导致的供需错配结束，市场仍处于高度的供需错配中。

5. BDI/工业产出/PMI排在最后，价格一般领先与这几个指标，这三个可以用来跟踪价格，来确认价格的质变。

6. PPI/CPI/失业率，这些是是揣测央行观测做出逆周期或者顺周期操作的依据，但具体实锤还得回到货币市场上的反应，因此不要重复叠加使用。

7. 世界经济政治的格局造成的都会反应在以上的量化指标中，因此不要做重复叠加。

特别提示，一些行业的非常短暂的错配一定要有反转意识，如果继续原来方向，一般是其他其他因素接力导致，而非原来的错配继续维持。这个错配与接力的因素叠加的多趋势更强，间断则出现明显回撤。第一个因素进去后，持有到长期而不被止损，则存在一个长期的宏观环境支撑，这个宏观环境会时不时产生一些短期信息，好像是神奇的手，在价格偏离宏观环境所指方向后，快速推回原来轨道。

有人说的运气交易法就是多处于宏观所指的方向，自己不能把控的交给自己所占位置带来的运气来助力。实际上就是上面宏观因子构建的一张大网。

摘要

人工智能和机器学习能与量化多因子选股模型相结合

人工智能（Artificial Intelligence）本质是以数理模型为核心工具，结合控制论、认知心理学等其它学科的研究成果，最终由计算机系统模拟人类的感知、推理、学习、决策等功能。从模型构建的角度上来看，机器学习与多因子选股有诸多共通之处，借助机器学习模型，多因子模型可以在以下方面相比于传统方法论有所突破：1. 机器学习模型相比传统线性模型在海量数据下有更好的性能。基于机器学习的多因子选股模型能充分使用海量、高维的因子数据。2. 大多数机器学习模型都具有非线性拟合能力。基于机器学习的多因子选股模型能利用非线性因子。

两种常用的机器学习模型：XGBoost和Stacking均有优秀的选股能力

本文介绍了两种常用的机器学习模型的原理：XGBoost和Stacking。XGBoost具有非线性拟合能力强、速度快等特点。Stacking则具有集成多个强学习器来达到取长补短的能力。我们在全A股票池内，构建月频调仓的中证500增强策略，在2011年1月31日到2019年9月30日的回测区间内，XGBoost年化超额收益率为17.17%，超额收益最大回撤为3.88%，信息比率为3.57。Stacking年化超额收益率为18.36%，超额收益最大回撤为4.74%，信息比率为3.70。两个模型均有优秀的选股能力。

人工智能量化多因子基金使用了AI技术，具有量化投资的多种优点

本文以信达澳银量化多因子混合基金（166107.OF）为例，分析了人工智能量化多因子基金的特点。该基金通过人工智能技术来利用多种来源的因子并进行非线性拟合，在云计算平台上实现专业策略回测框架、系统策略分析工具和模拟实盘交易的快速落地。该基金还具有传统量化投资中的纪律性优势、管理方法优势、风险管理优势、投资视野优势、多层次策略组合优势等特点。

风险提示：通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。人工智能模型可解释程度较低，使用须谨慎。本报告对历史数据进行梳理总结，不构成任何投资建议。

人工智能与多因子选股模型的结合

人工智能（Artificial Intelligence）本质是以数理模型为核心工具，结合控制论、认知心理学等其它学科的研究成果，最终由计算机系统模拟人类的感知、推理、学习、决策等功能。近年来，伴随着计算机算力的大幅提升和海量可用数据的积累，人工智能技术经历了突飞猛进的发展。从围棋到电子竞技再到多人德州扑克，人工智能展现了其在复杂博弈环境中的强大自我学习能力。人工智能和它借助的机器学习方法也逐渐渗透到人类生活的方方面面。从手写数字的自动识别，到电脑手机上的指纹解锁功能、语音识别系统，再到无人驾驶、智能医疗、智能投顾等热门领域，处处都有人工智能的身影。在投资领域，为了论证人工智能的有效性和可行性，自2017年6月开始华泰金工连续发布了24篇深度研究报告，并以周报跟踪的方式，向投资者展示人工智能和机器学习运用于量化投资中各个步骤的细节。

如图表1所示，从模型构建的角度上来看，机器学习与多因子选股有诸多共通之处，借助机器学习模型，多因子模型可以在以下方面相比于传统方法论有所突破：

1. 机器学习模型相比传统线性模型在海量数据下有更好的性能。基于机器学习的多因子选股模型能充分使用海量、高维的因子数据。

2. 大多数机器学习模型都具有非线性拟合能力。基于机器学习的多因子选股模型能利用非线性因子。

接下来，我们将介绍常用的机器学习模型。

常用的机器学习模型简介

XGBoost简介

XGBoost 是梯度提升算法的一种高效实现，原理类似GBDT。传统的GBDT通过串行集成多个CART决策树来形成强学习器，XGBoost则在GBDT的基础上进行了多方面优化。相比传统的线性模型，XGBoost由于使用决策树为基学习器，具有非线性拟合能力。决策树是一种非线性的分类器，如图表2的异或问题(横纵坐标X1、X2相同则分类为1，不同则分类为0)，该问题在逻辑回归、线性核的支持向量机下无解，但是使用决策树可以轻松解决。

相较于传统的GBDT算法，XGBoost主要在损失函数、正则化、切分点查找和并行化设计这些方面进行了改进，使得其计算上比常见工具包快5倍以上。图表3显示了XGBoost算法的流程，它与GBDT在数学上的主要不同之处在于训练每个弱学习器时的目标函数。

由图表3可知XGBoost算法的基本步骤与GBDT类似，下面主要阐述XGBoost的独特之处。

1. 在损失函数的设计上，XGBoost加入了正则项，用以控制模型复杂度，并且对损失函数做了二阶泰勒展开来近似。而传统的GBDT模型没有正则项，并且在优化时只用到了一阶导数的信息。正则项的加入使得XGBoost模型有着较低的方差，不容易发生过拟合。

2. 在计算信息增益选取最佳切分点时，XGBoost不是使用传统的Gini增益，而是利用图表4的公式来做评价指标。值得注意的是引入分割不一定会使目标函数减小，因为目标函数中还有对引入新叶子的惩罚项，而优化这个目标对应了树的剪枝，当引入分割带来的增益小于一个阈值时，可以剪掉这个分割。

3. XGBoost另外一个独特之处在于其处理缺失值的方法。模型将缺失值当作稀疏矩阵来处理，在寻找切分点的过程中，模型只对该列特征值当中非缺失的值进行遍历，通过这个技巧来减少为稀疏特征寻找切分点的时间开销。在实现上，模型会分别处理将缺失的特征值样本分配到左叶子结点和右叶子结点的两种情形，计算增益后选择增益大的方向进行分裂。

4. XGBoost还借鉴了随机森林的做法，支持列采样，即在选取切分点时只在部分特征中进行筛选，这样不仅能降低过拟合，还能减少计算时间。

5. XGBoost还支持并行，但是XGBoost的并行不是指能够并行地训练决策树，而是在处理特征的层面上实现并行。我们知道，训练决策树最耗时的一步就是对各个特征的值进行排序（为了确定最佳切分点）并计算信息增益，XGBoost对于各个特征的信息增益计算就可以在多线程中进行。

Stacking简介

Stacking是一种常见的集成学习框架。一般来说，Stacking将训练一个多层（一般是两层，本文中默认两层）的模型结构，第一层（也叫学习层）包含n个不同的模型，将得到的预测结果合并为新的特征集，并作为下一层模型的输入，由下一层模型再次根据对应的数据标签进行训练，得到一个完整的框架。简单的示意图如下：

通常情况下，Stacking中第一层的模型会使用拟合度高的模型，以追求对训练数据的充分学习（如XGBoost、神经网络、SVM等）。由于不同的模型在原理上和训练集上有所差别，第一层模型可以认为是从原始数据中自动提取有效特征的过程。第一层模型中，由于使用了复杂的非线性变化提取特征，更易产生过拟合的情况。为了降低过拟合的风险，第二层模型倾向于使用简单的模型，例如逻辑回归、Lasso回归等广义线性模型。从以上分析可以看出，Stacking能够成功的关键在于第一层模型能针对原始训练数据得出有差异性（相关性低）且预测能力好的输出值，这样通过第二层模型进一步学习后，能够在多个第一层模型中取长补短，提升预测的准确度和稳定性。

机器学习选股模型测试流程和测试结果

测试流程

机器学习选股模型的构建方法包含下列步骤：

1. 数据获取：

a) 股票池：全A股。剔除ST股票，剔除每个截面期下一交易日停牌的股票，剔除上市3个月内的股票，每只股票视作一个样本。

b) 回测区间：2011年1月31日至2019年9月30日，月度滚动回测。

2． 特征和标签提取：每个自然月的最后一个交易日，计算图表7中231个因子暴露度，作为样本的原始特征；计算下个自然月的个股超额收益和信息比率（以中证500指数为基准），作为样本的标签。

3． 特征预处理：

a) 中位数去极值：设第T期某因子在所有个股上的暴露度序列为D_i，D_M为该序列中位数，D_M1为序列 |D_i-D_M| 的中位数，则将序列D_i中所有大于D_M+5D_M1的数重设为D_M+5D_M1，将序列D_i中所有小于D_M-5D_M1的数重设为D_M-5D_M1；

b) 行业市值中性化：将填充缺失值后的因子暴露度对行业哑变量和取对数后的市值做线性回归，取残差作为新的因子暴露度。

c) 标准化：将中性化处理后的因子暴露度序列减去其现在的均值、除以其标准差，得到一个新的近似服从N(0,1)分布的序列。

4． 训练集和交叉验证集数据处理：直接将样本合并成为样本内数据，按90%和10%的比例划分训练集和交叉验证集。

5． 样本内训练：训练两个模型：

a) XGBoost，模型输入为231个因子，训练目标为下个自然月的个股超额收益（以中证500指数为基准）。

b) Stacking：包含两个XGBoost基模型，两个模型输入都为231个因子，训练目标分别为下个自然月的个股超额收益和信息比率（以中证500指数为基准），再将两个基模型集成。

6． 交叉验证调整参数：模型训练完成后，使用模型对交叉验证集进行预测。选取交叉验证集MSE最小的一组参数作为模型的最优参数。

7． 样本外测试，组合优化构建组合：确定最优参数后，以T月月末截面期所有样本预处理后的特征作为模型的输入，得到每个样本的预测值f(x)，将预测值视作合成后的因子。然后使用组合优化模型得到T月月末截面期的股票权重。进行组合优化时，优化目标为最大化预期收益，约束条件为相对于中证500控制行业市值中性，个股主动权重偏离上限为1%。

8． 模型评价：构建选股组合评价模型。

测试结果: XGBoost和Stacking均有优秀的选股能力

图表8~图表10展示了机器学习选股模型的测试结果，回测区间为2011年1月31日至2019年9月30日，月频调仓，交易成本为双边千分之四。可以看出，机器学习构建的选股模型长期来看相对中证500具有稳定的超额收益，Stacking由于进行了模型集成，相比XGBoost表现更好。

信达澳银量化多因子混合基金的特点：AI+量化投资

基金简介

基本信息

信达澳银量化多因子混合基金（LOF）是一种上市型开放式基金，产品主要成分为股票，占基金资产的60%-95%，选股主要利用的是量化多因子模型。

图表11介绍了信达澳银量化多因子混合型证券投资基金(LOF)的产品要素：

产品费用信息

图表12介绍了信达澳银量化多因子混合型证券投资基金(LOF)的费用信息：

产品投资流程简介

信达澳银量化多因子混合型证券投资基金(LOF)是基于多因子模型的投资产品。多因子模型是通过捕捉多种驱动股票价格变化的因素(因子)，对股票的预期收益率和风险进行预测，并在此基础上构建相应投资组合的主动投资管理过程。目前的多因子模型，选取因子分别包括价值、质量、技术、情绪、成长和一致预期六个大类。图表13展示了此产品的投资流程，主要步骤包括数据预处理、模型构建、组合优化、交易执行和绩效归因。首先，需要将获取的各类数据做清洗和预处理，基于处理后的数据进行有效因子的挖掘，再根据这些因子构建投资组合。之后，综合考虑各方面的约束，如：风险约束、行业约束等，对投资组合进行优化，再完成投资交易。最后，还需要做绩效归因，对投资策略盈亏的原因进行分析。

作为量化投资和LOF基金相结合的产物，信达澳银量化多因子混合型证券投资基金同时具备了这两者的优势和特点。

量化投资的优势

量化投资和传统的主动投资本质上是相通的，二者都是通过对个股基本面、量价特征等方面的分析，构建具有超额收益的投资组合。不同的是，主动投资依赖的是基金经理的主观判断，而量化投资则是通过定性思想与定量模型的结合来产生投资信号。传统意义上，投资者对于基金产品的选择较多依赖于过往业绩和基金经理的主管判断，主动管理型产品受“人”的因素和市场风格切换的影响比较大。相比传统的主动投资方法，量化投资方法有以下几大方面的优势：

技术和数据优势

量化投资相比于传统投资的一个优势在于信息的快速接收和处理。量化投资者有机会接触和处理大量不同类型的数据，如金融大数据、舆情数据以及互联网数据，他们可以充分利用这些数据探究和寻找市场规律，挖掘出更多有效、稳定的因子，从而获得超额收益。此外，随着云计算平台的搭建，量化投资者可以利用大量CPU的计算能力，实现专业策略回测框架、系统策略分析工具和模拟实盘交易的快速落地，且云计算平台与大数据的结合，还可以使交易回测结果更为准确。与此同时，人工智能相关算法和技术的发展，也为量化投资者们提供了更多的选择和可能性。各类非线性模型如决策树、随机森林、神经网络的兴起，使得量化投资者在构建多因子模型时，可不再拘泥于线性的因子，而是利用如上述非线性机器学习方法来选择非线性因子，再构建具有线性因子和非线性因子的综合量化多因子模型。

纪律性优势

传统投资的缺陷之一关乎人性的弱点，比如恐惧与贪婪。很多交易者起初的交易理念或许是正确的，但交易时由于心理因素执行了错误的决策。解决这个问题的最好方法是利用机器进行交易，因为机器比人更冷静、执行力更强，这是量化投资非常重要的优势之一。严格执行量化投资模型给出的投资建议、不随投资者的情绪变化而随意更改，这样不仅可以克服人性弱点，也可以克服行为金融学中经常谈及的认知偏差，从而以绝对理性、符合逻辑的方法进行投资。

管理方法优势

传统的主动投资者通过对公司财务、估值等方面的信息进行综合考量，产生一个主观判断结果，进而形成投资决策。而量化投资者可以通过建立模型、构建组合、回测验证等一系列流程来客观评价模型的优劣，有反馈地进行修改完善。相较于主动投资，量化投资可以更透明地展示与执行投资者的理念，在管理方法上是具有优势的。

风险管理优势

量化投资还有利于风险管理。风险控制在交易过程中具有重要地位。交易者一旦被情绪主导，所有止盈止损线可能就会失去意义。但是在量化投资中，风险控制模块可以被提前编入模型当中，这样在交易执行过程中风险就会被监控，避免了人为干扰。

投资视野优势

传统的价值投资讲究全面、深入分析上市公司，挖掘投资机会，但基金经理或行业研究员的精力都是有限的，很难跟踪、监控全市场。而量化投资借助于计算机强大的数据处理能力，可以做到全市场、全品种、全周期覆盖，及时捕捉投资机会，具备更广阔的投资视野。

多层次策略组合优势

量化投资在策略选择的层次与角度上也有非常大的优势。它可以自上而下地结合多层次的量化模型，例如大类资产配置模型、行业轮动模型、选股模型等等；在选股模型中，还能多角度地对各种指标进行观察，包括宏观周期、市场结构、估值、成长等等。并且，量化投资可以通过事后的归因分析，剥离出各层策略的收益与风险，逐个加以完善。这种全方位多角度的评估是主动投资研究难以做到的，而量化投资方法在这方面非常有优势。

LOF基金的优势

LOF(上市型开放式基金Listed-Open-Ended Fund)，是一种可以在交易所挂牌交易的开放式基金。LOF同时存在一级市场和二级市场，可以像开放式基金一样通过基金发起人、管理人、银行及其他代销机构网点进行申购和赎回。同时，也可以像封闭式基金那样通过交易所的系统买卖。

上市型开放式基金(LOF)的优势主要有以下几点：

1. 费用相对较低：比起普通开放式基金申购、赎回双向费率，LOF基金在交易所交易的费用收取标准比照封闭式基金的有关规定办理，交易手续费率相对较低。

2. 资金到账快：采用场外交易方式，T日申购的基金份额，T+2日才可赎回，资金从赎回日起3到7个工作日才可收到。而场内交易，可以实现T+1基金交割、资金交收。

3. 存在套利机会：当市场价格>基金份额净值(申购日)+申购费用+卖出佣金时，投资者可通过选择“场内申购”基金份额后(T+2个工作日)再“场内卖出”份额实现套利。当市场价格<基金份额净值(赎回当日)-赎回费用-买入出佣金时，投资者可通过“场内买入”基金份额后(T+1个工作日)再“场内赎回”份额实现套利。

4. 交易方便：LOF基金可以让投资者像买卖股票或封闭式基金一样在二级市场进行交易，方便投资者更快的把握行业轮动与市场择时。

5. 参与科创板投资：相比较普通投资者严格的科创板股票投资准入标准，LOF基金可以方便投资者更加积极的参与到科创板投资机会。

信达澳银基金管理团队介绍

信达澳银基金于2006年6月5日成立，是国内首家由国有资产管理公司控股，也是澳洲唯一在中国合资设立的基金管理有限公司。截止2018年12月31日，公司共管理21只公募产品，产品覆盖股票、指数、量化、债券、货币。资产管理总规模274.88亿元，其中公募基金总规模142.69亿元，专户总规模132.19亿元。

信达澳银的公募投资研究团队共有34人，共拥有基金经理10人。截至2019年9月30日，信达澳银基金旗下权益类基金以今年前三季度42.23%的绝对收益率，位列同类排名6/126；以最近三年28.11%的绝对收益率，位列同类排名11/99。另外，信达澳银的智能量化团队发展迅速，团队首创了量化LOF+科创网下申购的投资策略，采用主动量化模型在沪深A股以及科创板股票中择优投资，并在不断推广量化多因子LOF、量化先锋LOF、量化科技龙头LOF和量化新经济LOF等产品。

信达澳银量化多因子混合基金（LOF）拟任基金经理为王咏辉先生。王咏辉先生是英国牛津大学工程科学本科，牛津大学计算机科学硕士，现担任信达澳银基金副总经理兼权益投资总部总监、智能量化与资产配置总部总监，21年证券基金从业经验。自1998起曾任职于伦敦摩根大通投资基金管理公司、HSBC、BarclaysGlobalInvestor、BarclaysCapital等知名公司。2008年1月回到中国担任泰达宏利基金公司国际投资部负责人、量化投资部负责人等职，2010年4月至2012年8月担任泰达宏利沪深300指数增强指数型证券投资基金基金经理，2011年7月至2012年8月担任泰达宏利全球新格局(QDII-FOF)证券投资基金基金经理。2013年12月起担任鹏华中证500量化指数增强证券投资基金（LOF）基金经理，2014年12月起担任鹏华沪深300量化指数增强证券投资基金（LOF）基金经理。同时负责管理鹏华基金的量化对冲套利专户组合和股票市场中性量化对冲专户组合，总规模500亿人民币。王咏辉先生2018年加盟信达澳银基金管理有限公司， 2018年6月起担任信达澳银新起点定期开放灵活配置混合型基金基金经理，2018年12月起担任信达澳银领先增长混合型基金基金经理， 2019年4月起担任信达澳银转型创新股票型基金基金经理，信达澳银中证沪港深高股息精选指数型证券投资基金基金经理。王咏辉先生是中国量化投资俱乐部第三任理事长，具有英国基金经理从业资格（IMC）和英国IET颁发的特许工程师（CEng）认证资格，是中国科学院大学管理学院MBA企业导师。

王咏辉先生具有丰富的量化基金管理经验，其管理的信达澳银领先增长基金（610001.OF）使用量化指数增强的方法进行投资运作，增强基准为中证500。2019年截至9月30日获得了33.65%的收益，同期中证500涨跌幅为18.54%。

风险提示

通过人工智能模型构建选股策略是历史经验的总结，若市场规律改变，存在失效的可能。人工智能模型可解释程度较低，归因较困难，使用须谨慎。本报告对历史数据进行梳理总结，不构成任何投资建议。

免责申明

本报告仅供华泰证券股份有限公司（以下简称“本公司”）客户使用。本公司不因接收人收到本报告而视其为客户。

本报告基于本公司认为可靠的、已公开的信息编制，但本公司对该等信息的准确性及完整性不作任何保证。本报告所载的意见、评估及预测仅反映报告发布当日的观点和判断。在不同时期，本公司可能会发出与本报告所载意见、评估及预测不一致的研究报告。同时，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。本公司不保证本报告所含信息保持在最新状态。本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

本公司力求报告内容客观、公正，但本报告所载的观点、结论和建议仅供参考，不构成所述证券的买卖出价或征价。该等观点、建议并未考虑到个别投资者的具体投资目的、财务状况以及特定需求，在任何时候均不构成对客户私人投资建议。投资者应当充分考虑自身特定状况，并完整理解和使用本报告内容，不应视本报告为做出投资决策的唯一因素。对依据或者使用本报告所造成的一切后果，本公司及作者均不承担任何法律责任。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。

本公司及作者在自身所知情的范围内，与本报告所指的证券或投资标的不存在法律禁止的利害关系。在法律许可的情况下，本公司及其所属关联机构可能会持有报告中提到的公司所发行的证券头寸并进行交易，也可能为之提供或者争取提供投资银行、财务顾问或者金融产品等相关服务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。

本报告版权仅为本公司所有。未经本公司书面许可，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司版权。如征得本公司同意进行引用、刊发的，需在允许的范围内使用，并注明出处为“华泰证券研究所”，且不得对本报告进行任何有悖原意的引用、删节和修改。本公司保留追究相关责任的权力。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。

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：941011J。

全资子公司华泰金融控股（香港）有限公司具有香港证监会核准的“就证券提供意见”业务资格，经营许可证编号为：AOK809

©版权所有2019年华泰证券股份有限公司

林晓明

执业证书编号：S0570516010001

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】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

FOF与金融创新产品

【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】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

【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

行业轮动

【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】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】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】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

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

A股市场及行业的月份效应——详解历史数据中的隐藏法则

尽管黄金价格在2022年承压，但是黄金行业表现最好的股票，包括Centerra Gold Inc. (CGAU)、Sandstorm Gold Ltd. (SAND)和Yamana Gold Inc. (AUY)，过去一年仍然上涨了27%，原因是央行对贵金属的持续买入以及消费者对于黄金首饰的需求增加。

过去一年，以VanEck Vectors Gold Miners ETF (GDX)为代表的黄金股表现整体上跑赢大盘，截至2022年11月22日，GDX在过去12个月中总回报率为-13%，Russell 1000 ETF指数同期的总回报率为-15%。

鉴于黄金和黄金股票近期的上涨势头，下面这些最具价值、增速最快以及上涨势头最好的黄金股票，投资者在12月应当密切关注。

最具价值的黄金股

价值投资是一种基于因素的投资策略，包括挑选认为交易价格低于其内在价值的股票，通常通过衡量股票价格与一个或多个基本商业指标的比率。最常用到的指标就是市盈率（P/E）。在价值投资者看来，如果一家企业与它的内在价值相比是便宜的，在这种情况下，以它的市盈率来衡量，股价可能比其他企业上升得更快，因为价格与公司的价值恢复一致。下面是过去12个月追踪市盈率最低的黄金股票。

• Centerra Gold:一家加拿大的黄金和铜矿开采及勘探公司，在加拿大卑诗省和土耳其从事黄金和铜矿的经营、勘探、开发和收购。截至2021年12月31日，该公司已探明和基本探明的黄金矿产储量大约为490万盎司。该公司刚刚在12月2日支付了最近一笔季度股息每股07加元。
• Torex Gold Resources Inc.:一家加拿大的中级黄金生产商，致力于勘探、开发和经营其100%拥有的位于墨西哥Guerrero金矿带上Morelos黄金项目区，占地面积约2.9万公顷。公司的主要资产包括：由露天矿和地下矿组成的El Limon Guajes矿山综合体；以及处于高级开发阶段的Media Luna项目。Torex的股票也在美国场外市场交易，股票代码为TORXF。

Sibanye Stillwater Ltd.:一家位于南非的采矿和金属加工公司，重点是铂族金属、黄金、铜和锌，在美国、津巴布韦、南非、澳大利亚和其他地方开展业务。该公司在2021年生产了110万盎司的黄金。Sibanye Stillwater在11月28日宣布，将在Keliber氢氧化锂项目中投资5.88亿欧元（约6.065亿美元），包括在芬兰建造一个精炼厂。

• Victoria Gold Corp.: 一家加拿大金矿公司，100%拥有育空地区中部的Dublin Gulch项目区，其中包括Eagle金矿。截至2021年12月31日，Eagle金矿的黄金储量为270万盎司。该公司的股票也在美国进行场外交易，股票代码为VITFF。
•  
• i-80 Gold Corp.:一家加拿大的金矿公司，主要在内华达州开展业务，从事矿产勘探、开发和生产，是内华达州北部2万英亩的Lone Tree矿区的100%所有者，还拥有其他四个处于不同开发阶段的项目区。该公司在11月29日宣布，基于最近一次勘探活动的“巨大成功”，扩大了在内华达州Ruby Hill项目区的钻探计划。

增速最快的黄金股

以下是根据一个增长模型排名选出的顶级黄金股，该模型将公司最近一个季度的年同比收入增长百分比和最近一个季度的年同比每股收益（EPS）增长百分比按50/50权重进行评分。销售和盈利都是公司成功的关键因素。季度EPS或收入增长超过2500%的公司被作为异常值排除在外。

• Sandstorm Gold:一家加拿大的黄金特许权使用费公司，向金矿公司提供融资，以换取对矿区生产的一定比例的贵金属的权利。该公司拥有250个权利金组合。Sandstorm在11月7日报告了第三季度业绩，利润和收入大幅增长主要源自于销售的可归属金当量盎司的增加和对BaseCore Metals LP和Nomad Royalty Co.的收购 。
• Anglogold Ashanti Ltd.: 一家总部设在南非的金矿公司，其业务、项目和勘探活动横跨九个国家，同时还在南美生产银和硫酸作为副产品。该公司在2021年生产了大约250万盎司黄金，雇佣员工近31,000人。
• Agnico Eagle Mines Ltd.:一家加拿大的金矿公司，在加拿大、澳大利亚、芬兰和墨西哥开展采矿业务，在美国和哥伦比亚还有其他处于开发和勘探阶段的项目。该公司预测2022年的黄金产量为320万至340万盎司。Agnico Eagle在10月26日公布了第三季度业绩，在收入大幅增长的情况下，净收入同比下降了三分之一。影响业绩的负面因素包括成本通胀、劳动力不足和COVID-19。

• Kinross Gold Corp.:一家加拿大资深金矿公司，在美国、巴西、毛里塔尼亚、智利和加拿大开展业务。Kinross在11月9日公布了归属于普通股股东的持续经营净利润6590万美元，与上一季度的亏损相比明显好转。产量增加和成本降低导致收入在同一时期激增。由于上年同期EPS为负值，因此未计算出上表中对应的数字。
• Karora Resources Inc.: 一家加拿大金矿公司，经营西澳大利亚的Beta Hunt和Higginsville金矿。该公司的目标是到2024年生产185,000-205,000盎司黄金。Karora的股票也在美国进行场外交易，股票代码为KRRGF。

最具上涨势头的黄金股

追逐上涨势头也不失为一种投资策略，即投资于价格上涨速度高于市场整体的股票。投资者认为，那些已经超越市场的股票往往会继续保持这样的势头，因为推高股价的因素不会一下子消失。此外，其他投资者为了从股价的上涨中获益，往往会购买这些股票，进一步抬高股价。以下是过去12个月投资总回报率最高的黄金股票。

• Yamana Gold:一家加拿大的贵金属生产商，投资组合中包括在加拿大、巴西、智利和阿根廷的黄金和白银生产项目区，2021年生产了超过100万盎司黄金当量，占该公司总产量的88%，白银产量占12%。5月31日，Yamana Gold宣布，Gold Fields Ltd.将收购Yamana，交易价值约为67亿美元，但这项交易已被终止。11月8日，该公司宣布与Agnico Eagle Mines和Pan American Silver Corp.达成新的收购协议。
• Perseus Mining Ltd.:一家澳大利亚的金矿公司，专注于加纳和科特迪瓦的矿产项目区。该公司有望在2022年生产50万盎司黄金，其股票也在美国进行场外交易，股票代码为PMNXF。
• Lundin Gold Inc.:一家加拿大矿业公司，拥有厄瓜多尔东南部的Fruta del Norte金矿，这是一个价值数百万盎司的高品位黄金项目区，于2019年11月投产。该公司的股票在美国也有场外交易，股票代码为LUGDF。Lundin在11月29日宣布，预计2023年的黄金产量将在5万至47.5万盎司之间。
• Alamos Gold Inc.: 一家加拿大的黄金生产商，在加拿大和墨西哥经营着三个矿场，还在加拿大、墨西哥、土耳其和美国开发了其他项目，雇用了1700多名员工。该公司在美国交易的股票代码为AGI。
• i-80 Gold Corp.: 见上文中的公司介绍。注意，此处i-80 Gold的股票是在加拿大上市的股票。

创作不易，你的一键四连是对小编最大的支持！欢迎在下方评论区把股言欢，点关注，下次更新不迷路！图片源自网络，侵删。

编者：采财君

 

滚回国了，今天恢复完整版收评。

这两天的走势和上周估计的差不多，横盘震荡，马上就是国庆节狂休九天，资金不太敢搞幺蛾子。

今天过去，大盘在节前就没什么抛压了，一般长假前倒数第二个交易日的压力最大，过节期间想用钱的资金都会在这天卖，今天没卖，明天就没有卖的必要了。

我上周发过一个表，过去五年国庆节后首个交易日都涨，所以明天值得埋伏一波，赌这个大概率事件。

现在大盘的量化趋势是多头，而且站在所有均线上方，走势很稳，这几天缩量震荡并没有杀出什么恐慌盘，市场对四季度看涨的信心越来越足，侧面也给我们节前埋伏创造了良好环境。

现在需要解决两个问题：买什么？买多少？

先说买什么。

大盘底部企稳，符合右侧抄底的股票越来越少，剩下的基本都是刚刚经历暴跌或者有重大利空的歪瓜裂枣，根本不能买，涨起来的股票越来越多，可以考虑右侧追涨思路选股。

这个思路我也说过很多次了，关键词：强势突破。

强势，指股票K线要强，光头阳线，实体越长越好，绝不能有上影线；

突破，指股票突破重要的均线或者压力线或者创新高，上方空间打开。

大盘转暖，资金信心回升，慢慢的不再拘泥于做超跌反弹，开始对强势突破的股票有了一些想法，这类股票不但上攻力度强，而且有想象空间，能够引起做多共振。

举个例子，攀钢钢钒（000629）之前从高点经历一波暴跌，在9月18号这条以涨停的方式突破20日线，之后一周时间涨了25%左右。

类似的股票还有很多，选的时候注意几点：

1、光头阳线，以全天最高价收盘，说明资金的做多意愿很强烈；

2、阳线实体越长越好，说明盘中多空双方出现深度拉锯战，这种阳线的可信度很高；

3、温和放量，比之前多一点点就行，如果出现天量反而有主力出货风险；

4、中长期趋势向上能极大提高成功率，比如60日线、半年线或者年线。

决定了买什么，接下来是买多少的问题。

看量化日报就行，目前大盘的量化趋势多头，创业板是空头，按照策略，总仓位不能超过七成，在这个范围内自己控制。

现在大环境逐渐转暖，苦熬8个月，终于看到一丝曙光，四季度的行情应该不错，各位一定要做好准备，国庆好好玩几天，到年底已经没有大段假期，抓住机会全力冲刺，给今年一个交代，不论工作还是炒股。

富时罗素指数今天落槌，决定将A股纳入其中，但需要一年的观察期，不出意外的话明年这个时候会正式纳入，相应的指数基金也会陆续配置相应的A股股票。

这是今天权重走强的最重要原因，随着A股被越来越多的指数纳入，也会有越来越多的国际资本配置进来，变相的也会促进A股风格转化。

比如这两年，市场对于大盘股的认同度越来越高，基本上只要有行情，涨幅靠前的都是大盘股，刚开始可以认为是管理层引导的结果，现在已经成为市场的共同认知。

这就是风格变化，前些年市场热衷于炒小盘股，因为小盘股弹性大，同样的资金杀进去，可能的利润空间更大，但是这两年变了，小盘股都跌成什么德行了，依然没人买，这是个进步，资金关心的不再是弹性，而是质量。

大盘股回报稳定，业绩优良，理应比那些见天咋咋呼呼、隔几天就出个雷的小盘股更值得投资，这才是投资者成熟的表现，而不是所谓的什么持股周期。

未来最简单的炒股方法就是先看行业，找准了之后拿住龙头别动，只要经过了最初混沌期的行业，龙头一定会利用自己的先发优势，不断加强自己在行业内的优势，比如白酒、家电、基建这些，乃至互联网也是，买龙头不会出错。

小盘股太复杂，需要专业的人去做深度研究和筛选，这活儿韭菜干不了，如果就是喜欢小盘股，买相应的基金更靠谱儿。

美联储加息25个基点，也就是0.25%，这基本是明牌，没什么影响，现在中美的事儿敏感，少谈。

就酱！债见！

——————————————————

【伦哥】

央视财经频道大咖

《交易时间》栏目常驻嘉宾

带领团队研究量化投资十年时间，打造了完整的右侧复利实战交易体系

基于右侧思路，追求长期稳定收益，实现资产的复利增长模式

 

上一篇：银根紧缩通俗解释(什么是银根松紧政策)

下一篇：股票(300155巨丰)