量化研究¶
量化实习工作总结
总结因子开发与多因子机器学习模型的工作。
量化投资策略设计与分析 - CTA
本文是 2023 年 3 月 18 日和 3 月 25 日的量化投资策略设计与分析的课程笔记，这两节课介绍了 CTA 策略。
CTA 简介
CTA（Commodity Trading Advisor）策略的历史可以追溯到 1965 年。
传统意义上，CTA 的投资品种仅局限于商品期货。
经过发展，CTA 扩展到了几乎所有期货品种（比如利率期货、股指期货等）。
国内交易标的—期货品种
量化投资策略设计与分析 - 事件驱动策略
本文是 2023 年 3 月 18 日的量化投资策略设计与分析的课程笔记，本节课介绍了常见的事件驱动策略以及实践中的注意事项。
事件驱动策略简介
事件驱动（Event Driven）属于量化投资之中的一个重要类别，涵盖投资机会广泛。广义上说，市场上任何发生的有可能与股票市场相关的新闻、事件、公告均有可能成为事件驱动的投资机会。常见重大事件包括：
基于逐笔委托和逐笔成交数据构造高频因子
量化投资策略设计与分析的第一次作业是基于逐笔数据构造 39 个高频因子。我对高频因子的构造经验比较少，完成这个作业后的一些经验：
- 高频因子的数据格式是比较标准化的，但也要注意细节：例如空缺时间的填补等。
- 构造因子的过程本质上是数据处理的过程，常用的方法有：
groupby、resample、to_datetime、reindex、rolling、apply等。如果是非常大的数据集，应当用numpy等更快速的科学计算包，或者用C++。
39 个因子表达式
用提供的某支证券为期不超过一周的高频数据复制 Table A2 中 39 种指标。
LightGBM 的用法
LightGBM 是一种基于决策树的梯度提升机（GBM）算法，它是一种快速、准确的机器学习算法，可以用于分类和回归问题。
本文介绍了 LightGBM 的使用方法和代码示例，并记录了自定义损失函数、打印训练过程、迭代次数参数等问题的解决方法。
每月底买入行业内 PB 较低的股票：一个简单的选股策略回测
本文回顾了量化投资策略设计与分析课程的一次课前练习。本练习给定的数据都比较整洁、规范，选股逻辑也比较简单清晰，是一个很好的实现选股回测的练习机会。
策略描述
策略描述
请把给定的股票数据，根据行业分类（申万一级行业），分别对每一行业的股票按 PB 由低到高分为 5 组，每月第一个交易日买入那些上月 PB 处于所在行业排名最低 20% 分位组（即 PB 由低到高排序的第一组）的股票，持有 1 个月，每月换仓一次，计算该投资组合的持仓年化收益率和夏普比率，并画出累计净值曲线。
舆情因子和 BERT 情感分类模型
本文总结了研报 舆情因子和 BERT 情感分类模型 - 华泰证券 的主要内容。
思路与框架
- 基于 Wind 金融新闻数据，提取其中的情感正负面标签，构建日频的新闻舆情因子。
- 使用回归法、IC 值分析法和分层测试法，检验新闻舆情因子。
- 基于已有情感标注的 Wind 金融新闻数据，测试 BERT 模型在金融情感分类任务的表现。
普通最小二乘估计的假设条件
- 因变量\(Y\)与自变量\(X\)之间是 线性 关系。
- 自变量之间 不存在多重共线性 ，即\(\left(X^{\prime} X\right)^{-1}\)存在。
- 误差项的 条件均值为\(0\) ，即\(E\left[u \mid X\right]=0\)。
- 误差项之间 同方差且不相关 ，即\(E\left[u u^{\prime} \mid X\right]=\sigma^2 I_T\)。
- \(\left(Y_t, X_t\right)\) 独立同分布 。
- 误差项是 正态分布 的。
假设 1-4 可推出：普通最小二乘估计是最小方差线性无偏估计（BLUE）。
假设 1-3 与假设 5 可推出：普通最小二乘估计具有一致性。
假设 6 并不影响普通最小二乘估计是最小方差线性无偏估计，它是为了便于在有限样本下对回归系数进行统计检验。