分类： 宏观研究

中泰证券

杰西·利弗莫尔是 20 世纪初华尔街最著名操盘手，他的一生专注于投机事业。利弗莫尔通过实践总结出，价格运动可以分成几种状态，应关注重大
市场运动而忽略细微的波动。其在相关书籍中介绍了划分价格状态的规则（后面称利弗莫尔规则），本篇报告在研究利弗莫尔规则的基础上略作修改，构建量化择时系统并用 A 股历史数据进行回测验证，希望对指数择时、行业轮动等方面的研究提供参考。

根据利弗莫尔规则划分涨跌趋势
利弗莫尔将资产价格运行状态划分成上升趋势、下跌趋势、自然回升、自然回撤、次级回升、次级回撤六种状态，当价格方向反向运动超过 6 点时状态进行切换，突破震荡阶段关键价位 3 点以上则进入趋势行情。对沪深 300、中证 500、创业板指、万得全 A 等宽基指数 2010 年以来数据回测发现，当相应指数处于上升趋势时，持有指数的年化收益率达到 24%、27%、47%和 36%，而全程持有指数的年化收益均不足 10%，相比较在下跌趋势中持有指数多为负收益。一定程度上说明了利弗莫尔规则对市场趋势的划分存在合理性。

基于涨跌趋势划分的行业轮动策略
利用规则将中信一级行业指数划分成上升趋势、下跌趋势和震荡状态，每个交易日识别并选入特定状态的行业等权配臵，上升趋势行业组合的年化收益率为 17.5%，下跌趋势组合为-5.8%，震荡组合为 6.8%与所有行业等权表现基本一致。此外在控制回撤和波动率方面，上升趋势行业组合的表现也明显优于下跌趋势组合跟基准。

（PDF，1M ，18页）

东方证券

⚫ 流动性是债券市场中非常关键的变量，一般来说，流动性有两个层面的含义。一方面，流动性指的是宏观层面的流动性，衡量的是中央银行以及以商业银行为主的金融机构对资金的供给情况。另一方面，流动性指的是在微观层面上债券变现能力的高低，我们说某个债券流动性好，指的是债券持有者能够及时地按照合意的市场价格卖出该债券。
⚫ 本文把研究重点放在债券微观层面的流动性上。作为中国债券投资者来说，如何准确、合理地评估债券持仓的流动性风险，是当下急需解决的课题。当前市场上大部分关于债券微观流动性的研究，是对债券历史的流动性数据进行评价和打分，并未涉及到对未来不确定性的流动性的评估。而本文侧重于预测与评估债券 在未来一段时间的流动性，本质上描述的是债券的流动性风险。

PDF | 1.67M |24页

东方证券-量化策略研究之三：基于工业企业财务数据和分析师预期的行业轮动模型

⚫ 本篇报告我们从行业基本面角度入手，基于行业当前的财务数据和分析师预期业绩情况构建行业轮动策略，并在选股和选基中进行应用。
⚫ 财务指标改善意味着行业基本面向好。 国家统计局公布的工业企业财务数据 月度发布， 相较于上市公司季报，时效性更高 。 分析师一致预期是专业人士对企业业绩给出的预判，一致预期提高说明行业基本面预期改善。
⚫ 选取工业企业利润总额的累计同比 、营业收入的累计同比、销售净利率的累计同比、资产负债率同比增速 、分析师 一致预期 行业 净利润同比增速这5 个指标 ，构建行业轮动策略 。

PDF | 1.25M | 24页

中信证券

▍ 以收益率为拟合目标的低信噪比问题极大地限制了深度学习在低频量化策略上的应用。本文 将 合成因子与收益的相关系数 作为优化目标 ，并采用深度网络实现映（ 射关系的学习，构建了深度相关模型（Deep Correlation Model ，DCM ）。回测结果显示 基于相关性的目标函数较直接拟合收益，年化超额收益提升了 7.41%，信息率提升了 0.9 。

▍ 投资聚焦： 重设目标函数，破局低信噪比 。在偏高频的量化投资中，深度学习已经有了较好的应用，但在偏低频的策略上深度学习一方面提升效果不够明显，另一方面还有稳定性弱，解释性差等缺点。导致深度学习不再“强大”的最大困难还是训练数据的低信噪比，尤其是将拟合目标设为收益率的情况下。收益率本身的低信噪比使得产生的错误信号（Error Signal）信噪比也较低。为了解决这一问题，我们将优化目标设为合成因子与收益率的相关系数，以提
升错误信号的信噪比。

PDF | 1M | 14页

中泰证券

个股择时问题一直是比较难解决且重要的金融问题，尤其是对于基本面投资者，因为他们的策略是买入持有，卖出时点的把握对于保住投资收益有至关重要的作用。择时的策略很多，从方法论上讲，大概分为：经验技术派、工程拟合派、资产定价派。经验技术派以技术分析方法为代表，主要参考过去或者相似股价形态，结合历史经验来预判未来。工程拟合派以 LPPL模型为代表，利用不同的函数形态来拟合股票过去价格走势，得到估计函数后，来预测未来走势。资产定价派从定价理论出发，得到泡沫的理论定义，如果估计的价格随机过程，出现了定义的泡沫，则认为顶部信号出现。本文着重描述资产定价下的方法，该方法体系的金融逻辑更加严谨，实战效果更好，也响应我们一贯的主张：金融问题，金融学方法解决。未来我们的研究会更加注重从资产定价理论这个“金融学”基石出发。

PDF |2.4M | 21页

华泰证券

本篇报告以资金流向指标为切入点，完善整套自下而上的行业配置体系前期报告中我们分别从景气度、拥挤度、趋势追踪、机构关注度等方面进行自下而上的行业配置策略研究，本篇报告将以资金流向指标为切入点，完善整套配置体系。具体研究内容主要包括以下三部分：首先全面汇总行业层面可追踪的资金流向指标，北向、两融、ETF 和产业资本等相关资金流数据都纳入分析；其次从不同频率、是否归一化以及同比环比等多角度构建了总计 270 个资金流向指标，给出每种资金流指标适合的策略构建方式；最后构建综合表征行业资金流入流出状态的复合指标，并且构建多空头年化超额收益均在 10%以上的行业轮动策略。

PDF | 1.9M | 46页

华安证券

国内基金市场，目前对于基金组合的配置方法研究尚处于起步阶段，文中提到的选股与择时能力的权衡与最大化为我们开拓了新的思路。

能力平价（AP）模型:作者通过纳入基金经理的能力来扩展传统的均值-方差框架，并把重点放在选股能力和由 Trenor 和 Mazuy（TM）度量的市场择时能力，大量的证据表明，两种能力之间存在着难以解决的权衡问题，过度追求其中一种能力可能导致另一种能力的负值，两种能力之间的相关性为负值的现象可以用过度选股来解释，积极选股的基金往往带有特别高的市场择时成本。因此，作者提出了能力平价模型（AP），在基金经理的选股能力和市场择时能力的贡献之间寻求平衡，减少权衡的成本，产生一个更稳健的、有更好表现的基金组合。

PDF | 1.86M | 20页

国泰君安

本报告导读：

本文介绍了一种集成了机器学习预测和风险偏好调整的投资组合优化框架，用于在多。 个周期内对投资组合进行调整和平衡，获得长期稳定的收益。

随着机器学习技术的发展，量化交易和投资组合优化等量化金融领域中越来越多地出现了机器学习算法的身影。

《A Machine Learning Integrated PortfolioRebalance Framework with Risk-Aversion Adjustment》一文提出了一个投资组合再平衡框架，该框架将极端梯度提升（XGBoost）和逻辑回归（LR）等机器学习模型集成到具有风险规避调整的平均风险投资组合中。在每个时期，使用机器学习模型预测的市场趋势方向，以此调整风险规避系数。文中使用基尼均差（GMD）来度量投资组合的风险，并将一组从市场指数（标准普尔 500 指数）生成的技术指标输入机器学习模型以预测市场走势。本文利用滚动窗口法（rollinghorizon approach）使用真实金融数据进行了一系列计算测试，以评估集成了机器学习的投资组合再平衡框架的性能。

实证结果表明，极端梯度提升（XGBoost）模型提供了对市场走势的最佳预测，使整个优化框架生成的投资组合在长期获得了最出色的回报表现。

PDF | 1M | 14页

来源：国泰君安

个人主义强的市场中动量策略收益更高，并且在控制了企业特征、市场发展等因素后这一关系仍然显著。在投资者个人主义强的市场中，投资者更容易出现过度自信或者自我归因偏见，因而更容易产生动量收益，因此西方国家的动量收益比东亚国家更强。从长远来看，动量收益会出现会回撤，高个人主义国家的长期收益逆转的程度明显强于低个人主义国家。

动量收益还与分析师预测的离散度、交易成本呈正相关，与公司规模以及市场个股的平均波动性呈负相关。这些变量的加入并没有削弱个人主义和动量利润之间的关系。

PDF | 1M | 17页

国泰君安

本报告提出了反转最优化方法，可以解决传统的均值方差优化时对于参数过于敏感的问题。

使用因子以进行资产组合配置的方法在学术界与机构投资者中备受推崇，一方面是因为多数研究证明单独资产的确会被一系列的风险因子所驱动，另一方面则是因子配置下的组合通常表现更加稳定—这一点在 08 年的金融危机后显得更加至关重要。本报告引用了 Lee 与Salerno 的文献《Factor-targeted Asset Allocation: a Reverse Optimization Approach》,该文献提出了反转最优化因子权重，并将其作为确立资产组合的一种思路。

在经过模拟后，本文发现反转最优化因子权重下的均值方差前沿组合较传统的资产权重法稳定得多。

PDF， 1.3M， 12页

来源：广发证券

基于行业聚类的理念，捕获行业之间的联动性关系。一个完整的行业轮动框架通常涵盖了对行业划分、重构的探讨。随着近几年来，行业之间的联动，产业链之间的传导特征加快以及随着研究的更加细化，对行业、板块的细分提出了更高的要求。本篇专题报告主要对行业的重新划分、重构进行了详细的探讨，并基于行业重新划分后的结果，考察相关的结果在行业轮动中的应用。

采用多种模型进行行业聚类。为了探讨行业的重新划分、重构，本篇专题报告主要考虑了使用 K-Means、Kernel K-Means 和凝聚层次聚类三种聚类方法的应用。实证聚类分析结果表明，三种聚类的方法对行业充分划分都有一定的适用性。

实证分析结果。在回测期内，考虑周频换仓条件下，运用层次聚类模型对聚类后的行业划分结果，进行行业轮动应用。基于之前的行业轮动研究结果，考虑在聚类后的行业中进行动量轮动，即认为行业的上涨趋势是具有惯性的。在实证回测期内，从 2012 年 1 月 1 日截止至今年 10月 31 日，趋势跟踪策略年化收益率 14.76%，年化波动率 22.81%，信息比率 0.65。

PDF，2.4M ，33页

国泰君安

本篇报告展示了一套衡量量化策略拥挤程度的框架，从卖空需求和股票联动两个视角分析了量化交易者的趋同交易行为，对投资具有一定启示意义。
摘要：

 量化策略着眼于挖掘市场异象带来的超额收益，而根据市场有效假说，量化交易者的套利行为会缩小并最终消除市场异象的套利机会。随着市场异象逐渐成为市场共识，量化投资者希望采取相同的策略从超额收益中分一杯羹；但如果一个策略是拥挤的，那么没有人能够通过这一策略获得很高的超额收益。

 文章提出了一套衡量量化投资策略拥挤程度的框架，包括两个互补的方法：一是通过卖空需求差异衡量市场多空交易者（套利者）对不具吸引力股票的额外卖空需求，二是通过股票联动现象衡量多头交易者的相似交易行为。

 两个方法角度不同，但对于量化策略在不同时段的拥挤情况的结论基本一致。在 2008 年危机之前，价值和动量策略的拥挤程度较高；在危机发生后，策略的拥挤程度大幅下降至不显著区间；随后逐渐恢复至危机前的水平。

PDF |1.65M |14页

国信证券

• 用于时间序列预测的深度学习框架
• 近年来包括股票交易数据在内的大量数据的涌现对于大数据分析提出了越来越多的需求，而在大数据分析中广泛使用的各种学习技术中，深度学习技术由于其出色的预测能力脱颖而出。本文着重对于当前流行和常用于时间序列预测的深度学习框架进行了综述，着重从深度前馈神经网络、循环神经网络以及卷积神经网络三个大类对于深度学习框架进行了介绍和分析，并且介绍了循环神经网络和卷积神经网络的大量变体网络类型。
•  深度学习实践中的问题
  对于深度学习网络在实践过程中可能遇到的问题，本文从框架实现、超参优化、硬件性能三个角度着重分析了工程实践过程中可能遇到的典型问题并给出了详细的分析与建议。

    PDF ，1M ，18页

西南证券

传统的基本面因子表现不及技术因子，主要是因为它们没有充分利用已知的全部基本面信息，因此他们提出了一种新的度量基本面动量的方法——FIR（基本面隐含收益），并将 FIR 与价格动量结合提出双动量策略。他们指出通过综合多个维度的基本面指标以及将基本面趋势纳入考量，基本面动量因子可以获得相当不错的表现。我们在 A 股市场对 FIR 进行了相关实证，FIR 纳入了对基本面变量的滞后值和时间趋势的考量，FIR 通过两种方法构建——多元回归和预测组合法，为了避免共线性，我们采用预测组合法来预测结果。另外，在我们证实了基本面动量和价格动量的相对独立后，也将二者结合做了双动量策略。

PDF ，2.8M ，36页

国泰君安-系统化择时之路系列

国泰君安-系统化择时之路1:择时的基本法

国泰君安-系统化择时之路2：检验的艺术

随着计算能力的提升，显式的指标形式终究是可以遍历的。所以指标形式并不是择时策略的关键，应将重点放在择时指标的检验上，以延续择时策略的生命力。
 对于主流的量化模型——多因子模型来说，……

国泰君安-可转债条款博弈专题：可转债强赎的风险和机会

本篇报告主要关注可转债强赎 条款带来的风险和短期投资机会。

PDF | 大小10.5M |11页