量化投资思路探究培训通用通用课件

1、量化投资思路探究培训课件0量化研究流程与体系1请参阅附注风险提示量化投资思想金融建模历史回测市场检验学术文献市场观察量化投资学术应用篇LPPL模型-捕捉投资者的贪婪与恐惧相似匹配-历史上相似的那些年权重优化-提高业绩稳定性的一大利器违约风险因子-信用风险引入股票投资2请参阅附注风险提示知情交易概率因子-微观数据中寻找alphaLPPL模型-捕捉投资者的贪婪与恐惧金融市场泡沫的形成与破裂与地震、材料断裂等物理现象有非常多的相似之处，都是复杂系统的自组织临界性行为。地球物理和临界现象研究中所常用的LPPL(Log-Periodic Power Law)模型（对数周期性幂律模型）可以用来研究金融领域

2、的泡沫，该模型认为泡沫的形成是由于交易者之间相互模仿，通过正反馈形成集体效应，最终的崩盘是由市场动力学机制所致LPPL模型的含义基于交易者之间的相互模仿，这些局部相互作用可形成正反馈，从而导致泡沫和反泡沫的产生-金融市场反泡沫价格演化呈现出对数周期性振荡且振荡周期不断延长。金融泡沫恰好与之相反，表现为振荡周期不断缩短地震模型特点-一是对数周期性振荡, 在线性尺度下, 越接近临界时间, 振荡频率越快, 但在对数尺度下, 振荡频率为常数; -二是幂律增长,或称超指数增长，即价格的增长率不是常数，而是单调递增。3请参阅附注风险提示LPPL模型刻画的四种状态LPPL模型-捕捉投资者的贪婪与恐惧资料来源

3、：国泰君安证券研究请参阅附注风险提示45检验步骤1、模型的适用性检验-幂律性与对数周期性2、变换样本起始点与终点，给出泡沫破裂点20/80的置信区间3、给出10条最有可能发生的路径参数估计1、线性参数表示成非线性参数2、非线性最优化求解非线性参数3、利用第一步求出线性参数LPPL模型-捕捉投资者的贪婪与恐惧假设历史是可以重复的，利用机器自我学习机制，寻找所谓“相似集”，分析其后一期的历史走势，并通过最优化方法得出当前组合配置的最优权重1.在历史数据中，定义相似集，找到与当期某一历史窗口相似的历史走势。2.分析所有历史相似集后一期走势，根据优化算法得到下一期各行业的配置权重。3.根据不同历史窗口

4、，得到所有窗口情况下的最优权重，根据策略净值来分配组合所有的最优权重，以此得到最终的下期行业配置权重。相似的定义-相关系数相似匹配-历史上相似的那些年资料来源：国泰君安证券研究请参阅附注风险提示6相似匹配-历史上相似的那些年资料来源：国泰君安证券研究，wind请参阅附注风险提示78请参阅附注风险提示基于量钟和批量方向判别的方法，ELO于2010年更新了PIN：其中，V为固定的区间成交量，n为估计PIN需要的区间数量。数量V的不同，反映不同层面的信息情况，导致PIN值变化范围的不同。知情交易概率因子-微观数据中寻找Alpha9请参阅附注风险提示选取沪深300指数历史成分股作为备选股票池，测算数据

5、时间区间为2009年至2013年，组合实际运行区间为2010年至2013年。根据Alpha因子由低至高进行排序，构建现金中性的多空组合，排在前面n%的股票做多，排在后面n%的股票做空。知情交易概率因子-微观数据中寻找Alpha违约概率因子-将信用风险引入股票投资10请参阅附注风险提示Merton信用风险模型：公司资产价值服从GBM：当公司债务到期时，如果公司资产少于公司债务，公司权益价值为0；如果公司资产大于公司债务，公司权益价值等于资产减去负债。11请参阅附注风险提示根据Merton信用风险模型，公司发生违约的概率：违约概率因子-将信用风险引入股票投资12请参阅附注风险提示数据来源：Wind

6、，国泰君安证券研究违约概率因子-将信用风险引入股票投资权重优化-提高业绩稳定性的一大利器13任意股票在同一时刻都暴露于多种不同的风险因素下，它们之间的共同作用形成了股票价格的波动。风险模型的意义在于找到股票价格波动的成因，并将股票收益来源进行分解剥离，并实现对未来股票价格波动的预测。结构化风险模型利用风险因子和特质因子来分解股票收益率，并利用因子收益率的波动来解释股票价格的波动。结构化风险模型大大降低了组合风险的计算复杂度。149大类风格因子：Beta、Momentum、Size、Earning Yield、Volatility、Growth、Value、Leverage、Liquidity.

7、组合收益率：组合波动率：权重优化-提高业绩稳定性的一大利器15因子有效性检验 Factor NameAverageAbosolutet-statPercentOvserv|t|2AnnualFactorReturnAnnualFactorVolatilityFactor Return Sharp ratioCorrelWithHS300Factor Stability CoeffVariance Inflation FactorBeta2.76852.63%10.74%3.49%3.07-0.1060.1191.39Momentum2.05247.37%4.41%2.41%1.830.3560

8、.1631.62Size4.72775.44%-25.79%5.32%-4.850.3210.2411.18EarningYield2.51247.37%6.81%1.58%4.310.0630.1721.20Volatility2.64850.88%-3.74%4.27%-0.880.0690.1702.48Growth1.51929.82%2.18%1.11%1.960.135-0.1391.04Value1.88942.11%-0.97%1.97%-0.49-0.1180.1321.46Leverage2.31550.88%-3.55%1.75%-2.03-0.0540.1751.18L

9、iquidity4.09364.91%-10.79%3.33%-3.24-0.0500.0531.68均值2.72451.26%/1.47权重优化-提高业绩稳定性的一大利器16风险模型预测组合波动率 在风险模型的体系中，投资经理可以定量的对风险进行评估，进而帮助其精确的控制组合的风险特征，在获取确定性较高的阿尔法因子收益的同时，剔除不确定性较强的风险因子的干扰。公共因子协方差矩阵预测：特质因子风险矩阵预测：权重优化-提高业绩稳定性的一大利器17纯因子股票组合 纯因子股票组合仅使得单一因子存在风险敞口暴露，其余因子均与对冲基准保持中性化。纯因子股票组合用以检验因子是否存在足够的阿尔法性。纯因子组

10、合年化收益率年化波动率信息比率最大回撤Beta3.89%3.45%1.133.70%Momentum5.89%2.75%2.142.89%Size18.31%6.40%2.8612.15%Earning Yield6.29%2.54%2.472.18%Volatility5.36%2.45%2.192.48%Growth3.39%2.43%1.404.14%Value2.16%2.85%0.767.67%Leverage3.20%2.44%1.313.05%Liquidity5.29%2.76%1.923.71%权重优化-提高业绩稳定性的一大利器18 组合权重优化 通过最优化方式构建股票组合，

11、使得组合仅暴露于阿尔法性较强的因子下，其余因子均与对冲基准相匹配，完全剔除市场风格造成的策略波动。 组合目标为经风险调整后的收益率最优风格中性：风险因子与对冲基准相匹配，剔除风格收益波动。行业中性：组合行业权重与对冲基准相匹配，剔除行业收益波动。现金中性：多空市值保持一致，不留方向性敞口。权重优化-提高业绩稳定性的一大利器实证检验参数设定回测时间从2010年1月至2015年3月，其中2010年1月至2011年1月为样本内时间段，以提取因子组合相关参数；股票池选取全A非ST股票，交易频率每月末调仓；交易成本为单边千分之1，印花税千分之1；组合个股的权重上限设为1%（银行、证券、保险行业占比较大，

12、为实现行 业中性配置，权重上限分别设为3%、2%、2%）。优化目标函数我们采用 形式，其中 ； ；行业中性约束中，因子敞口设定为 ；风格中性约束中，9类风格因子敞口设定为：当该期权重优化方程在设定的因子敞口约束下无解时，逐次降低Momentum和Earning Yield因子敞口0.1，直至优化方程找到最优解。 19权重优化-提高业绩稳定性的一大利器20请参阅附注风险提示21策略净值1.885最大回撤2.09%交易胜率61.25%最大回撤开始时间2014/11/26年化收益率12.73%最大回撤结束时间2014/12/05年化波动率3.03%日收益率分布偏度-0.08信息比率4.21日收益率分

13、布峰度3.90盈亏比率1.2695%VaR-0.324%组合年均换手率350%平均股票个数100只年收益率最大回撤信息比率2010年（样本内）16.0%2.04%4.652011年8.4%1.86%3.012012年11.6%0.90%4.902013年18.3%1.17%5.832014年10.7%2.07%3.50策略整体绩效策略逐年绩效权重优化-提高业绩稳定性的一大利器22请参阅附注风险提示23请参阅附注风险提示24 中证500对冲净值权重优化-提高业绩稳定性的一大利器策略净值2.974最大回撤3.42%策略日胜率60.99%最大回撤开始时间2015/4/16年化收益率21.31%最大回

14、撤结束时间2015/5/12年化波动率5.09%日收益率分布偏度0.28信息比率4.184日收益率分布峰度3.96盈亏比率1.27395%VaR0.546%组合年均换手率450%组合股票个数（均值）85只25控制跟踪误差最优投资组合构建描述：在暴露阿尔法因子敞口，并满足市值中性、行业中性、风格中性约束，同时控制组合年化跟踪误差的约束条件下，最大化经风险调整后组合预期超额收益。权重优化-提高业绩稳定性的一大利器26不同跟踪误差上限设定条件下组合净值权重优化-提高业绩稳定性的一大利器27不同跟踪误差上限设定条件下组合适用产品类型不同跟踪误差上限设定条件下波动率预测偏差检验权重优化-提高业绩稳定性的

15、一大利器量化投资市场观察篇价格分段-剖析市场的内在结构关联规则-找寻历史中的行业轮动28请参阅附注风险提示事件选股-预期理论的完美体现 文本挖掘-从数字到符号阻力模型-刻画多空的力量对比股价异动-深挖交易公开信息Alpha因子-逻辑与统计的有效结合基于MACD的价格分段择时29请参阅附注风险提示资料来源：国泰君安证券研究分段规则：（1）波段低点对应MACD的DEA指标 0；（2）每个波段中价格的最大值和最小值只出现在波段的起点或终点。价格分段-剖析市场的内在结构价格分段-剖析市场的内在结构日线上一段上涨或下跌对应30分钟段数，记为X。上涨：X= 7；下跌：X = 5；资料来源：国泰君安证券研究

16、，wind请参阅附注风险提示基于MACD的价格分段择时不同周期的对应关系关系图30价格分段-剖析市场的内在结构资料来源：国泰君安证券研究，wind请参阅附注风险提示基于MACD的价格分段择时日线级别上涨对应30分钟级别上涨概率分布日线级别下跌对应30分钟级别下跌概率分布31阻力模型-刻画多空的力量对比资料来源：国泰君安证券研究，wind请参阅附注风险提示32市场的阻力应具有如下性质：阻力应该与过去一段时间的交易量是紧密相关的，以当前的价格为基准，高于当前价格成交量越大，向上的阻力就越大，反之亦然。阻力的大小应该与价格的距离成反向关系，历史交易价格距当前价格越远，形成的阻力便越小，反之则越大。阻

17、力的大小应该与交易时间成反向关系，即交易形成的时间越早,对现在所形成的阻力便越小，反之则越大。阻力模型-刻画多空的力量对比资料来源：国泰君安证券研究，wind请参阅附注风险提示33阻力的定义： 绝对阻力 = 相对阻力 = 其中 表示历史第i天的成交额， 表示成交额的距离加权， 表示成交额的时间加权，并且：阻力模型-刻画多空的力量对比资料来源：国泰君安证券研究，wind请参阅附注风险提示34以过去120个交易日的价格与成交量来计算市场的相对阻力。阻力基本上以0.5为中轴上下波动，当市场处于牛市时，阻力基本在0值附近运动；当市场处于熊市时，阻力基本在1值附近运动。阻力模型-刻画多空的力量对比资料来

18、源：国泰君安证券研究，wind请参阅附注风险提示35阻力模型分别于6月19日、6月25日上穿了牛熊分界值请参阅附注风险提示事件选股-预期理论的完美体现思考：为什么利好消息发出后，股价会上涨？或者说，超预期一定导致股价上涨吗？股价反映的是人们对未来收益的预期。 DDM模型今天的超预期不直接构成股价上涨的动力。当今天的超预期引发人们上调其对未来的预期时，股价才会动。什么样的股票，今天的超预期容易引发人们上调对未来的预期？数据来源：Wind，国泰君安证券研究预期的第二维属性：风险请参阅附注风险提示预期风险：投资者对自己内心预期的不确定性所谓的预期风险，不是卖方分析师的分歧程度，而是每个投资者心中对自

19、己预期的自信程度。预期风险存在于每个人心中，很难用具体数字去描述。当公司实际增速出来后，投资者会在各自预期风险的影响下调整对未来的预期。预期风险越大，则调整未来预期的可能性越大、幅度越大、需要的时间越长。业绩超预期只是催化剂，预期风险的存在才是股价在业绩发布后产生变化的更深层原因。数据来源：Wind，国泰君安证券研究事件选股-预期理论的完美体现请参阅附注风险提示事件选股-预期理论的完美体现传统事件投资策略，普遍具有以下几个问题突发性强。造成策略资金如何分配问题。price in速度极快。往往不是事件提示投资机会，而是股价上涨提示事件发生。造成策略收益比较有限，资金容纳比较有限问题。数据来源：W

20、ind，国泰君安证券研究与众不同的逻辑与众不同的信息超预期价值变化催化剂问题关键在于如何从寻找“催化剂”型事件，转移到寻找“信息”、“逻辑”型事件价格变化高送转公告业绩公告例如请参阅附注风险提示数据来源：Wind，国泰君安证券研究whenwhatwhowhy nowwhy催化剂型事件信息、逻辑型事件最近我们主推的大宗交易减持策略就是典型的从信息、逻辑角度寻找事件投资机会。员工持股计划也可以归纳到信息、逻辑型事件。事件选股-预期理论的完美体现请参阅附注风险提示数据来源：Wind，国泰君安证券研究大宗交易减持策略：出于避税的目的，公司重要股东在股价相对低位时通过大宗交易市场进行“减持”。但由于其依

21、然握有这部分股票的未来收益权，并且不再受税收问题困扰，因此会继续保持甚至进一步加强对股价的诉求。大宗交易日股价处于过去两年股价区间的约下30%分位；最近两个月将该条件放宽到下40%分位相对于前一日收盘价，折价率在5%之上为大幅折价策略：每月底整理当月中符合要求的个股，并集中、等权建仓；每只股票持有三个月；由于换仓频率与持有时间不统一，相当于每月换1/3仓位。选股条件：事件选股-预期理论的完美体现请参阅附注风险提示样本外策略（剔除市值300亿以上大盘股）检验结果：数据来源：Wind，国泰君安证券研究年化收益率175.32%年化波动率27.56%周胜率80.77%周最大回撤-4.40%夏普比率6.

22、18 信息比率1.11 收益最大回撤比39.84 万得全A_剔除金融两油2014-04-302782.862015-04-306813.17年化收益144.83%比较标的：万得全A_剔除金融两油事件选股-预期理论的完美体现请参阅附注风险提示员工持股计划分二级市场型和定向增发型两个方向数据来源：Wind，国泰君安证券研究二级市场型对外部投资者而言，持股计划直接对股票形成边际需求，且无需监管层批复。公司希望持股价格尽量低，但面临收购价格不确定的风险。短期内，二级市场投资者与上市公司利益对立。定向增发型公司持股成本确定。定增价一般不低于停牌前20个交易日收盘价平均值的90%。方案可能被监管层否决。定

23、增方案可能面临无法通过证监会审批的风险（例如股价期间涨幅太大）从预案公告开始，到监管层批复，上市公司、投资者之间的博弈更加复杂。事件选股-预期理论的完美体现请参阅附注风险提示二级市场型观察结果：除了公告日当天，公告日前后样本累计收益显著为负。上市公司达到降低持股成本的目标；公告后5-10个交易日，员工持股计划收购股票的影响开始显现；T+10日后，样本平均累计收益稳步提升。即使公司公告宣布交易完成，策略依然有一定的超额收益数据来源：Wind，国泰君安证券研究事件选股-预期理论的完美体现请参阅附注风险提示数据来源：Wind，国泰君安证券研究策略分析：在草案公告日后10个交易日，开始买入，并持有60

24、个交易日绝对收益观察60个交易日内，样本绝对累计收益达到50%事件选股-预期理论的完美体现请参阅附注风险提示观察结果：事件前，股价跟随指数走，上市公司达到持股成本稳定的目标；事件中，消息跟着股价走，相对累计收益的80%集中在事件日前后4个交易日内；T+4日后，一方面预案信息比较充分的反应在股价中，另一方面担心方案无法通过证监会风险，股价继续横着走。数据来源：Wind，国泰君安证券研究策略分析：T、T+2间如能买入，可以买。但不宜期望过高收益，持股时间宜短不宜长。不推荐事件选股-预期理论的完美体现请参阅附注风险提示从定增破发思路出发，寻找投资机会数据来源：Wind，国泰君安证券研究预案公告日后9

25、0个交易日内，最低收盘价与定增价之间的距离：D=P(min)-P(offer)/P(offer) 牛市中，24只股票中仅8只在预案公告日后90日内跌破发行价距离最小值为-30.5%，距离最大值为31.6%平均距离为6%事件选股-预期理论的完美体现请参阅附注风险提示假设我们能以90个交易日内的最低价买入，并继续持有90个交易日平均绝对收益达到66%，全部实现盈利；相对于wind全A收益达到39%，胜率达到87.5%；数据来源：Wind，国泰君安证券研究策略分析：T、T+90间，如股价能回落到定增价的1.05倍之下，买入相对于行业的平均累计收益 相对于wind全A的平均累计收益事件选股-预期理论的

26、完美体现请参阅附注风险提示关联规则-找寻历史中的行业轮动规律宏观关联：宏观指标与股市走势概念关联： 沪港通&券商 丝绸之路&铁路 港口地域板块联动：京津冀 粤港澳 市场板块联动： A股 H股 美股 欧股行业板块联动： 钢铁&煤炭 个股间联动效应：行业龙头股日历效应：1月效应 周五跌&周一涨关联规则-找寻历史中的行业轮动规律多行业轮动观察单个行业强势的表现有时不只是由一个行业走势引起的，而是多个行业的近期表现和市场条件下引发的，因而考虑加入多个行业和指标作为前提条件，即X1，X2，X3Xn-Y抓住即将大涨的强势行业，提前买多。抓住即将大跌的弱势行业，提前卖空49请参阅附注风险提示条件结果置信度支

27、持度房地产(弱势) 有色金属（强势）食品饮料(未来强势)87.5013.67纺织服装（强势） 非银行金融（弱势）有色金属(未来强势)87.5013.67钢铁(强势) 银行(弱势)通信(未来强势）87.6111.11纺织服装（强势） 通信（强势）家电（未来强势）85.7111.96纺织服装（强势） 计算机（弱势）非银行金融（未来强势）84.6111.11农林牧渔（弱势） 机械（弱势）房地产（未来强势）84.6111.1资料来源：Wind 国泰君安证券研究 请参阅附注风险提示关联规则-找寻历史中的行业轮动规律时间触发规则策略收益基准收益超额收益2013/4规则六0.62%-2.25%2.87%20

28、13/5规则六12.5%10.95%1.55%2013/7规则二3.68%4.81%-1.13%2013/7规则六2.62%4.81%-2.19%2014/3规则一-0.15%-3.23%3.08%2014/4规则五3.99%-1.03%5.02%2014/6规则二4.81%3.22%1.59%2014/6规则三5.50%3.22%2.28%2014/7规则一11.27%8.18%3.09%2014/9规则三14.39%10.90%3.49%2014/10规则四2.60%0.88%1.72%2014/11规则五7.11%-0.61%7.72%平均超额收益率2.88%日波动率0.91%累积绝对收

29、益78.32%累积相对收益28.88%胜率90.00%资料来源：Wind 国泰君安证券研究 Alpha因子-逻辑与统计的有效结合成长趋势因子构建MAprofit = (profit1+ profit2+ profit3+ profit4)Eprofit = MAprofit/lag(MAprofit)Profit: 单季净利润MAprofit：滚动4季净利润Eprofit： 成长趋势因子缺失数据：用现有数据归一化，补足缺失数据。51Alpha因子-逻辑与统计的有效结合 股票市场只对公司边际变化定价 公司边际变化大多会体现于财报中业绩的预期变化直接挂钩标的涨跌预期变化存在惯性，不会一次上调到位5

30、2因子逻辑53Alpha因子-逻辑与统计的有效结合54Alpha因子-逻辑与统计的有效结合成长趋势因子构建的多头组合收益远高于沪深300、中证500等权、中证800等权。55Alpha因子-逻辑与统计的有效结合对冲指数：沪深300全收益中证800等权中证500等权年化超额收益：22.25%14.75%11.54%信息比：1.62.081.74最大回撤：-22.76%-6.99%-5.66%2009年36.39%13.11%7.98%2010年31.38%8.94%3.09%2011年-2.75%5.64%6.58%2012年19.68%27.21%27.76%2013年36.31%18.69%

31、10.55%2014年0.20%9.48%10.75%2015年10.95%2.11%0.41%对冲沪深300收益最高，但过多的暴露于市值风格对冲中证800波动最小，基于中证800包含了沪深300和中证50056Alpha因子-逻辑与统计的有效结合一致预期变化产生的收益主要来源于三个方面信息挖掘预期冲击分析师基于其专业知识以及在调研中对上市公司更加深入的了解，能够通过其独特的逻辑和信息让投资者更深入的了解上市公司多个卖方分析师共同调整其对标的股票的看法时，其形成的信息流将对投资者原有预期产生正向冲击明星效应新财富上榜的卖方分析师本身就具有明星效应，其推荐股票时也有“明星光环”效应，后续有一定上

32、涨动力资料来源：国泰君安证券研究57Alpha因子-逻辑与统计的有效结合一致预期调整因子构建的组合相对3个指数都有显著的超额收益对冲沪深300、中证800指数年胜率皆为100%58对冲指数：沪深300中证800等权中证500等权年化超额收益：16.36%9.48%6.57%信息比：1.391.160.77最大回撤：-14.20%-13.31%-14.97%2009年27.0%8.5%4.3%2010年16.7%1.1%-3.4%2011年3.9%10.9%11.6%2012年8.6%14.1%14.5%2013年22.5%9.0%2.9%2014年0.9%8.2%9.2%2015年26.2%8

33、.5%3.8%Alpha因子-逻辑与统计的有效结合一致预期调整因子结合PEG因子构建的行业中性组合收益稳定自2008年底，组合累计超额收益达93.6%，信息比2.23，最大回撤5.69%组合整体月超额收益胜率72%，单月最大负收益为-4.03%59Alpha因子-逻辑与统计的有效结合股价异动-深挖交易公开信息交易公开信息上交所 | 深交所60请参阅附注风险提示类型标准数量限制有价格涨跌幅限制日收盘价格涨跌幅偏离值达到7%前三 | 前五日价格振幅达到15%前三 | 前五换手率达到20%前三 | 前五无价格涨跌幅限制首次公开发行上市等无异常波动非ST、*ST和S证券连续三个交易日内日收盘价格涨跌幅

34、偏离值达到20%无ST、*ST和S证券连续三个交易日内收盘价格涨跌幅偏离值达到15% | 12%无连续三个交易日内日均换手率与前五个交易日的日均换手率的比值达到30倍，并且连续三个交易日内的累计换手率达到20%的30倍、20%无资料来源：上海证券交易所，深圳证券交易所，国泰君安证券研究收益分析从披露原因的视角涨跌幅偏离值达正负7%披露当日收盘价涨跌幅较基准指数有较大超额收益记披露日为 T 日，以 T + 1 日开盘价买入，持有 60 个交易日61请参阅附注风险提示资料来源： Wind，国泰君安证券研究收益分析从披露原因的视角日振幅达15%记披露日为 T 日，以 T + 1 日开盘价买入，持有

35、60 个交易日62请参阅附注风险提示资料来源： Wind，国泰君安证券研究收益分析从披露原因的视角换手率达20%披露当日换手率较高记披露日为 T 日，以 T + 1 日开盘价买入，持有 60 个交易日63请参阅附注风险提示资料来源： Wind，国泰君安证券研究收益分析从披露原因的视角连续3日累积涨跌幅达正负20%记披露日为 T 日，以 T + 1 日开盘价买入，持有 60 个交易日64请参阅附注风险提示资料来源： Wind，国泰君安证券研究收益分析机构专用席位机构专用席位披露原因：涨跌幅偏离值达7%披露的买入交易席位中含有“机构专用”，且卖出席位不含记披露日为 T 日，以 T + 1 日开盘价

36、买入，持有 60 个交易日65请参阅附注风险提示资料来源： Wind，国泰君安证券研究考虑T+1日是否可买入未考虑T+1日是否可买入收益分析机构专用席位机构专用席位考察指标：披露的交易席位中，“机构专用”席位的绝对数值设置参数：1、2、366请参阅附注风险提示资料来源： Wind，国泰君安证券研究机构专用席位参与越多表现越优异收益分析机构专用席位机构专用席位考察指标：披露的“机构专用”席位买入金额与当日总成交金额的占比设置参数：10%、20%67请参阅附注风险提示资料来源： Wind，国泰君安证券研究机构专用席位买入金额占比高表现更为优异68请参阅附注风险提示恐惧贪婪恐惧贪婪抓取股票论坛中所有

37、文本数据。运用文本挖掘的情感分析工具进行情感识别。统计情感识别结果，构建情绪量化指标。文本挖掘-从数字到符号1情绪一个投资者在股票论坛上发的帖子反应了他对当前股市的情绪。所有论坛的帖子反应了整个投资者群体对当前股市的情绪。资料来源：国泰君安证券研究69请参阅附注风险提示投资者情绪指标与中证800指数文本挖掘-从数字到符号70请参阅附注风险提示抓取股票论坛中所有文本数据。我们统计每日论坛中各主题词出现的频率。计算其20日移动平均值，得到主题热度指标。如何量化投资者的关注度文本挖掘-从数字到符号文本挖掘-从数字到符号资料来源：国泰君安证券研究71请参阅附注风险提示“特斯拉”主题热度与比亚迪走势文本挖掘-从数字到符号较少为人问津，很少被投资者关注的股票。公司名称少有耳闻。72请参阅附注风险提示冷门股网络论坛不活跃个股子论坛较为活跃，反映出市场对于此只个股的关注度较高。个股子论坛较不活跃，反映出市场对于此只个股的关注度较低。统计每个股票所属的子论坛下每日新发贴的数量。仅按发帖量数值将股票划分为5组，组内等权配置，月度调仓。文本挖掘-从数字到符号资料来源：国泰君安证券研究73请参阅附注风险提示关注度第一