标签
quant
共 10 篇
- 量化选股学习笔记（十）：管理层的话，市场两天就读完了财报里的数字之外，新闻稿里管理层的用词有没有额外的信息？用 SEC 免费的 10 万份财报新闻稿和金融情绪词典测下来：文字确实是新闻，而且几乎和数字无关，但两天内就被价格吸收，之后没有漂移。顺带发现，新闻稿里约五分之一是律师写的，而且一年比一年多。
- 量化选股学习笔记（九）：一个失败的因子——分析师评级变动上一篇的盈余公告后漂移在大公司里有效，这一篇再试一个经典的新信号：分析师上调或下调评级。结果是失败的：评级变动确实是新闻，但两天内就被价格吸收，之后的漂移只剩在小公司里。顺带发现，一份标着“每月”的数据，2025 年以前大部分月份其实是冻结的。
- 量化选股学习笔记（四）：重建数据集，把“偷看未来”和“幸存者偏差”一点点去掉用 FMP 的 API 重新搭一张每月一行的股票数据表：财报公布后才能用、死掉的公司也要在、一家公司只算一次。过程中发现数据源本身缺少 2020 年以前的死公司，于是把研究期改成 2021–2026。最后在新数据上做了第一次样本外检验。
- 量化选股学习笔记（五）：用 Ken French 的因子“对答案”用自己搭的数据，按学术界的标准方法重新构建 Fama-French 因子和动量因子，再逐月和 Ken French 公开的结果对比。第一次对答案只有 0.167，修完数据、对齐口径后全部在 0.93 以上。顺便用日线数据研究了低波动和彩票效应。
- 量化选股学习笔记（六）：在月度数据上重做单因子研究用自己搭的月度数据（2021–2026），把阶段一的单因子研究完整重做一遍：18 个因子的 IC、Newey-West t 值、分五组收益、交易成本和信号衰减。阶段一的结论基本成立，但收益分布是“悬崖”而不是“阶梯”，快信号被交易成本吃光，我对 t 值的预测也错了。
- 量化选股学习笔记（七）：十种模型，一个答案在月度数据上把多因子合成和机器学习完整做了一遍：IC 加权、OLS、Ridge、Lasso、LightGBM 和 PyTorch 神经网络，统一用 walk-forward 和两两对比来评。所有学过的模型都落在同一个 IC 上；最终回测的利润全部来自微型股，只做多、只买大公司的版本跑输了“全买”。
- 量化选股学习笔记（八）：新信息比新模型有用上一篇发现，更复杂的模型挖不出更多信号。这一篇换了个方向：加入一个和老因子不相关的新信息——盈余公告后漂移（PEAD）。它在老因子全部失效的大公司里依然有效，只做多的等权组合每月跑赢基准约 0.5%；但它对合成 IC 的提升很小，而且这几年仍然跑输按市值加权的指数。
- 量化选股学习笔记（一）：从 AUC 0.76 到“避开亏损公司”用 5 年美股年报数据学量化选股：为什么随机划分会骗人、为什么不该预测“涨不涨”、40 个单因子测下来，几乎所有有效信号都在讲同一件事。
- 量化选股学习笔记（二）：因子是真的，还是只是行业？把 40 个因子放到每个行业内部重新检验：“避开亏损公司”在 11 个行业里全部成立，杠杆的反向基本是银行造成的，价值因子在行业内部反而是反的。另外修正了上一篇的一个结论。
- 量化选股学习笔记（三）：等权打败机器学习，纸面利润藏在微型股里把 6 个因子合成一个分数：最简单的等权打败了 IC 加权、Ridge 和 OLS。再把分数变成组合做回测：纸面上每年多赚 3–10 个点，但大部分利润来自做空端和难以交易的微型股，而 5 年数据几乎证明不了什么。