[天丰基金研究吴贤星团队基金风格划分及FOF组合建设研究]

由于市场风格(尤其是市场规模和价值增长风格)不断变化,单靠股票基金很难建立稳定的绝对回报FOF。

因此,一个有效的解决方案是在基金细分的基础上,在类似样本基金中建立一个长期稳定、高性能的FOF投资组合。

不失一般性,本文选择建立基于主动偏置基金的增强型FOF投资组合。目标是在样本基金中追求相对稳定的回报排名,即稳定赢得样本基金的中值回报。

基金的信息获取不同于股票,基金的公共信息相对有限,主要是基金的净值和头寸数据。

虽然从净值数据导出的净值回归方法分析频率很高,但它受到资产和基金头寸高度相关性的影响,使得估计结果与实际值相差很大。虽然由位置数据导出的位置属性方法具有较高的精度,但是它需要所有的位置,并且具有较长的滞后时间,这使得分析频率较低。

因此,本报告在及时性、准确性和分析频率之间进行了权衡,并提出了一种模拟位置归因方法。

该方法基于中国证监会重股信息、行业配置等数据,可以在每个季度末后的月末进行全位置模拟估计,从而在保证准确性的同时提高分析的频率和及时性。

由于市场风格的不断变化,不同的基金经理对市场会有不同的判断和期望,导致基金间的业绩差异。

一般来说,基金经理主要在行业配置、风格配置和职位管理方面进行调整。

因此,我们从以上三个维度来衡量基金的风险特征。

具体来说,在行业配置方面,估计基金的风电行业配置比例;在风格配置方面,估计基金在规模-价值增长风格框中的配置比例;在头寸管理方面,计算基金的头寸控制比率。

对基金收益计量指标构建的大量研究发现,基金的绩效因素相对较弱,在很大程度上受调查期长短的影响。作为优秀基金经理的独特素质,选股能力往往对基金的未来回报有很好的预测。

因此,本报告采用拆分式选股阿尔法(split-style stock selection Alpha)作为基金经理选股能力的衡量标准,并引入衰减加权法构建加权选股阿尔法,以增强因子的有效性。

研究发现,该因子的整体集成电路值较好,平均集成电路值为0.10,年化ICIR为1.26,分组单调性较好,可以作为基金有效的收益预测度量指标。

一个稳健的基于模拟头寸的收益预测模型来增强FOF投资组合策略是定量基础选择策略成功的基石。但是,如果只选择几只具有最高因子值的基金来构建FOF投资组合,在某些极端的市场环境中可能会出现大的回撤,因此需要进行投资组合风险控制,以避免某些行业或风险中投资组合的过度暴露。

在本报告中,我们的目标是最大化加权股票选择α因子值,约束行业风险、风格风险、位置控制、个人基重等。,并建立投资组合优化模型。

实证研究表明,自2009年2月以来,传统的单因素基础选择组合可以长期优于基准指数,但相对强度曲线在不同阶段波动较大。然而,本文构建的增强型FOF投资组合每年的表现都优于基准指数,年化超额4.65%,超额回报随着近年来基金数量的增加而变得更加稳定。

FOF投资通常是一个自上而下的过程,通常包括资产配置和资金优化。

当顶层不同类型资产的配置比例确定后,下一个问题将是子类基金的选择和配置。该报告主要关注纯股票基金。

由于市场风格(尤其是市场规模和价值增长风格)不断变化,单靠股票基金很难建立一个稳定的FOF绝对收入。

如下图所示,2014年11月之前,小盘股长期占据市场主导地位,更多的是成长股。从2014年11月到2015年12月,市场风格经历了规模和价值增长风格的频繁变化。从2016年到2017年,市场从小盘转向大盘,但它始终坚持价值风格。自2018年以来,市场经历了规模和价值增长方式的频繁变化,难以捕捉市场风格。

因此,一个有效的解决方案是在对基金进行详细分类的基础上,从相似的样本基金中选择资金,构建长期稳定、高绩效的FOF投资组合。这个想法有点类似于索引增强策略。

不失一般性,本文选择建立基于主动偏置基金的增强型FOF投资组合。目标是在样本基金中追求相对稳定的回报排名,即稳定赢得样本基金的中值回报。

综上所述,本报告实现了基于模拟头寸法的基金季度频率特征信息的有效估计,引入了对基金收益有预测作用的选股α因子,构建了增强型FOF投资组合优化模型,追求相对于样本基金的长期稳定超额收益,并对主动偏置基金进行了相关实证研究。

FOF投资组合模型的完善对相对收入战略的构建具有一定的参考意义。

2 .基金的信息获取是2.1净值VS头寸不同于股票,基金的公共信息相对有限,主要是基金的净值和头寸数据。

净值数据每天披露,频率相对较高。头寸数据只会在季度报告中定期披露,频率相对较低。

因此,利用不同的数据,自然形成了两种不同的基金研究思路:净值回归法和头寸归因法。

净值回归法基于净值数据,将基金收益分解为不同资产(如行业、板块、风格、风险因素等)的指数收益。),并通过约束回归模型估计基金对不同资产的敞口。

尽管净值回归法的分析频率相对较高,但由于一些资产、基金头寸等问题之间的高度相关性,估计结果往往与实际情况有较大偏差。

头寸归属法,基于头寸数据,根据资产特征(如行业、板块、风格、风险因素等)直接加权汇总。)的头寸股票,可以获得基金的敞口。

虽然位置归因法的估计精度相对较高,但所有的位置数据都是必需的,而公共基金产品只会在半年度报告和年度报告中披露所有的位置数据,滞后时间较长,从而使得位置归因法的分析频率相对较低。

(为了读者的兴趣,请参考本系列之前的报告《基金资产配置行业选择能力评价体系》和《基金资产配置行业选择能力评价体系》)同时,公开发行基金在半年度报告和年度报告中披露所有头寸信息,但通常在季度结束后2-3个月披露,及时性较低。

我们知道公开发行基金会将在每个季度结束后的15个工作日内披露季度报告。在季度报告中,我们可以获得基金十大主要股票的信息。

考虑到及时性,基金的归属分析能否基于季度报告中前十大主要股票的信息?2.2模拟位置归因法我们权衡了时效性、准确性和分析频率,提出了一种模拟位置归因法。

模拟头寸归属法是在中国证监会行业配置的约束下,利用前期持有的股票和全市场其他股票来弥补本期配置的不足,模拟本期持有的所有头寸,从而对基金的资产敞口进行归属分析。

前提假设是基金非重股的资产暴露率在前期和后期保持不变,重点调查本期重股资产暴露的变化。

模拟位置归因方法可以提高分析的频率和及时性,同时保证准确性。

与传统方法相比,模拟头寸归因法有利于使用容易忽略但非常有用的数据,即基金在季度报告中披露所有头寸的中国证监会行业配置数据。

中国证监会的行业分类虽然非常粗略,但可以作为位置估计的先验数据,从而提高模拟位置的精度。

操作过程如下:首先,根据中国证监会对所有当前头寸和重股的行业配置信息,确定中国证监会对非重股的行业配置权重;然后,利用前期持有的所有股票和整个市场的其他股票,估计本期非重股的信息。将重股和非重股合并,以获得模拟头寸,并估计基金的资产敞口。

具体算法如下:(3)通过对T型基金重股和非重股信息的汇总,可以得到基金的模拟头寸信息,并记录为一组。

基于模拟头寸,我们可以估计不同资产下流动基金的风险敞口。

实证研究表明,模拟位置归因法在行业分配、板块分配、风格分配等方面具有较高的估计精度,具体细节见下文分析。

模拟职位归属方法需要使用当前季度报告中披露的前十个主要职位的信息。从表1中的信息可以看出,基金季度报告的披露时间将在季度结束后的15个工作日内。

因此,考虑到战略调整时间的一致性,我们将在本季度结束后的下个月底进行模拟的职位归因分析。

3.基金风险特征度量指标的构建由于市场风格的不断变化,不同的基金经理会对市场有不同的判断和预期,从而导致基金间的业绩差异。

一般来说,基金经理主要在行业配置、风格配置和职位管理方面进行调整。

无论基金经理采取自上而下还是自下而上的投资策略,他最终都会面临行业配置问题。良好的行业配置将对基金业绩产生重要影响。风格分配意味着主动承担某些类型的风格暴露。如果基金经理能够成功把握市场风格的轮换并及时转换,他们将获得相应的超额回报。尽管存在合约约束,但当市场剧烈波动时,基金经理仍将进行有限的头寸调整,以获得更高的回报。

因此,接下来我们将从上述三个维度来衡量基金的风险特征,并比较不同估计方法的有效性。

3.1基金的行业配置特征基金的行业配置信息可以通过模拟位置归属法进行近似估计。

基于上述模拟头寸归因方法,我们在基金季度报告披露的中国证监会行业配置约束下,对基金的模拟头寸进行了估计,并确定了基金的风电行业配置信息。

本发明实现了中国证监会行业配置信息到风电行业配置的传输,保证了更高的准确性。

我们可以在每个季度结束后的月末评估基金的行业配置特征。

常见的行业分类方法包括:中国证监会行业分类、风电行业分类、中信行业分类和深湾行业分类等。不同的行业分类方法有不同的特点。

我们统计了不同分类方法下所有a股在整个市场流通市值中所占的比例,结果如下图所示。

证监会将股票分为19类,权重主要集中在制造业和金融业,占总量的65%以上,半数以上的行业权重低于2%;风电行业将股票分为11类,金融、工业、信息技术、可选消费等行业权重在10%以上,电信服务业权重在2%以下。中信行业分类将股票分为29类,除银行业外,其他所有行业权重均低于10%,只有9个行业权重低于2%;神湾产业的分类特征与中信产业相似,这里不再赘述。

可以看出,中国证监会行业分类权重过于集中,中信行业分类和深湾行业分类的行业数量较大,权重分布过于分散,风行业分类的行业数量较小,权重分布相对均匀。

我们知道公开发行基金在每个季度报告中披露了中国证监会行业配置的所有信息,但如上所述,中国证监会的行业分类相对集中在权重分配上,因此需要引入其他行业分类方法进行研究。

根据本研究的特点,采用风电行业分类。

风电行业分类有两大特点:符合GICS国际行业分类标准,适合中国证券研究。这是风信息和中国各行业高级研究人员联合推出的行业分类。行业权重分布相对均匀。

接下来,我们将验证行业配置估计的准确性。

由于我们只能在半年度报告和年度报告中获取基金季度节点的所有头寸数据,因此我们将在第二季度和第四季度验证模拟头寸法在行业配置估计中的有效性。

具体来说,假设在第二季度报告(或第四季度报告)节点只能获得基金的前十大主要头寸,上一年度报告(或半年度报告)的所有头寸信息将被推迟到本期,在中国证监会行业配置信息的约束下,将估算本期的模拟头寸,并计算基金的风电行业配置。与当前半年度报告(或年度报告)中披露的所有头寸确定的风电行业配置相比,分析了两者之间的相关性和偏差。

我们比较了2005年以来全市场所有活跃偏置基金的平均相关性和平均离差,并引入了净值回归法和重股单位法来比较结果,如下图所示。

从相关性和离差的角度来看,位置归因法>重股单位法>净值回归法。

模拟位置归因法的行业分布估计的平均相关性在0.95以上,行业平均偏差在1.5%以下,结果稳健。

因此,基于模拟位置归因方法来度量基金行业的配置信息是一种有效的解决方案。

3.2基金的风格分配特征基金的风格分配信息可以通过模拟的位置归属方法进行近似估计。

基于上述模拟头寸归因方法,我们在季度基金报告披露的中国证监会行业配置约束下,估计基金的模拟头寸,并基于基金风格配置识别模型确定基金风格配置信息。

该方法较高精度地实现了在每个季度结束后的月末对基金风格配置特征信息的估计。

目前,晨星风格盒投资风格盒是市场上基金风格划分的权威方法。这种方法认为,影响基金业绩的主要因素是:基金持有的股票的规模和价值增长方式。

因此,我们借鉴晨星的投资风格箱方法,结合中国市场进行调整,构建适合中国市场的基金风格配置识别模型。

基金风格分配识别模型包括股票风格识别和基金风格识别两个部分。

3.2.1。股票风格识别是基于股票的总市值,并将股票的大小风格定义为大、中、小。基于股票的价值增长方式,股票的价值增长方式分为价值型、平衡型和增长型。

如下图所示。

(1)风格因子综合(Style factor synthesis)就规模和风格而言,我们提取市场上所有a股的总市值,并按总市值的降序排列。前200只股票是大盘股,201-500只股票是中盘股,其余是小盘股。

就价值增长方式而言,在规模方式划分的基础上,按照股票价值增长价值递减的顺序,将前1/3列为价值型,后1/3列为增长型,中间1/3列为平衡型。

其中,价值增长值由以下影响因素加权综合而成。

因子综合前,需要对因子值进行标准化,主要包括极值剔除、缺失值完成、标准化等过程。

3.2.2。基金风格识别基金的投资风格是根据它持有的股票的风格来决定的。

基金的投资风格可以通过对基金持有的模拟股票的风格得分进行加权和汇总得到。

具体:接下来,我们将验证样式配置估计的准确性。

由于我们只能在半年度报告中获取基金季度节点的所有头寸数据,因此我们将在第二季度和第四季度验证模拟头寸法在风格配置估计中的有效性。

具体来说,假设在第二季度(或第四季度)节点只能获得基金的前十大主要头寸,上一年度报告(或半年度报告)的所有头寸将被推迟到本期,在中国证监会行业配置信息的约束下,对本期的模拟头寸进行估计,并计算基金的风格得分。同时,将其与当前半年度报告(或年度报告)中披露的所有职位所确定的风格得分进行比较,并分析两者之间的相似性。

我们分析了自2005年以来市场上所有活跃的有偏基金,结果如下图所示。

可以发现,在模拟位置归因法下,量表风格的估计得分与实际得分的拟合优度在0.90以上,价值增长风格的估计得分与实际得分的拟合优度在0.85以上,基金风格的估计得分与实际得分相近。

此外,估算本期模拟头寸,计算基金的风格配置;与当前半年度报告(或年度报告)中披露的所有职位确定的风格配置相比,分析了两者之间的相关性和偏差。

我们比较了2005年以来全市场所有活跃偏置基金的平均相关性和平均离差,并引入了净值回归法和重股单位法来比较结果,如下图所示。

从相关性和离差的角度来看,位置归因法>重股单位法>净值回归法。

模拟位置归因方法的风格分配估计的平均相关性在0.92以上,平均风格偏差在3%以下,结果稳健。

因此,基于模拟位置归因方法来度量基金类型分配信息是一种有效的解决方案。

3.3基金的头寸管理特征基金的头寸管理信息可以直接从季度报告中获取。

基金最迟将于季度末起的第15个工作日披露季度报告,包括基金的头寸信息。

下图显示了基金数量变化的统计图表。

可以发现,2015年第二季度及之前,普通股基金的数量持续增加,而部分股权混合基金的数量变化不大。然而,2015年第三季度基金数量大幅逆转,主要是由于相关法规的调整,将大部分普通股基金转为部分股权混合基金。此后,各类积极偏向基金的数量稳步增加。

同时,上图显示了各种活跃偏置基金的平均头寸趋势。

可以看出,普通股基金的平均头寸类似于部分持股的混合基金。

2008年、2010年第二季度和2015年第三季度前后,头寸波动很大,自2017年以来,头寸逐渐减少。

显然,尽管合约规定了主动偏置基金的最低持仓限额,但基金经理通常根据自己对市场的判断,在有限的调整空范围内管理持仓。

4基金收益计量指标在前一节中建立。我们从行业配置、风格配置和头寸管理三个维度来衡量基金的风险特征。接下来,本节将构建一个alpha模型。

首先想到的是基金的业绩因素。如果基金的业绩是可持续的,那么我们就可以购买前一时期业绩优异的基金。

然而,大量研究发现,基金的业绩因素相对较弱,很大程度上受调查期长短的影响,大部分年度业绩较高的基金都严重处于某一行业或风格。

此外,选股能力作为优秀基金经理的独特素质,往往对基金的未来回报有很好的预测。

因此,本文使用阿尔法作为衡量基金经理选股能力的指标。

基金选股的阿尔法值可以通过净值回归分析来确定。

虽然净值回归方法会受到风格资产的高度相关性的影响,但我们主要希望得到回归的常数项,而不是回归系数,多重共线性的影响会相对弱得多。

具体来说,市场资产根据其风格被划分为不同的类别,基金收益被分解为不同的风格收益,从而形成基金投资风格分析模型。也就是说,根据基金披露的公告,基金资产组合由股票、债券和银行存款等各种资产组成。

因此,对于主动偏置基金,本报告选择的风险资产主要包括:9种风格指数、中国证券总债务指数和基于上述股票风格框的一年期定期存款利率。

在每个月末,我们可以使用过去一个月的每日回报率来计算基金的每月股票选择α。

为了验证加权股票选择α因子是否具有选择基础的能力,我们将测试其有效性。

首先,季度集成电路序列如上图所示,使用每个季度末下月末的因子值和随后三个月的基金收入集成电路值。

可以看出,该因子的整体集成电路值较好,集成电路平均值为0.10,年化ICIR为1.26。

其次,在每个季度结束后的下个月底,他们按照因子值的降序被分成20组。上图显示了每个群体的收入。

可以看出,分组收入明显单调。

总的来说,加权股票选择阿尔法因子值越高,集团的年化回报率就越高。

可以看出,加权选股阿尔法因子可以作为基金有效的收益预测衡量指标。

5基于模拟头寸的增强型FOF投资组合模型稳健的收入预测模型是定量基础选择策略成功的基石。然而,如果只选择几只具有最高因子值的基金来构建FOF投资组合,那么在一些极端的市场环境中可能会出现大的回撤。因此,需要进行投资组合风险控制,以避免某些行业或风险中投资组合的过度暴露。

常见的风险控制形式主要包括:行业暴露约束、风格暴露约束、位置控制、个人基重约束等。

这些约束可以有效控制FOF组合与基准的偏差,使组合能够稳定地克服基准。

在每个仓位调整节点,以加权选股阿尔法因子值最大化为目标构建以下组合优化模型:在本报告中,我们选择的基准行业配置、风格配置和仓位配置是每个活跃偏置基金的平均配置。

相应地,增强型FOF投资组合的业绩比较基准是一个综合指数,该指数是所有已建立6个月的活跃有偏基金的日收益率中位数。

6实证研究我们将建立一个基于上述投资组合优化模型的增强型FOF投资组合策略。

复测研究的相关信息如下:复测时间:2009年1月31日至2018年11月30日;转移节点:在每个季度结束后的月末,即每年1月、4月、7月和10月的最后一个交易日,每年4次。

研究样本:在每个转移节点满足以下条件的所有活跃部分股权基金:开放式基金、初始基金(非b股、权证、h股、权证等)。),以及非沪港深度基金;设立日期1.5年以上,到期日6个月以上;基金总额超过2亿元人民币;仓库调拨节点允许采购和赎回。

交易率:认购率为1%%,赎回率为0.5%;参数设置:行业配置偏差系数不超过5%,款式配置偏差系数不超过10%,位置控制偏差系数不超过2%,资金权重上限为10%。

为了反映股票选择α因子的有效性,我们提取调整后拟合优度超过0.5的基金;为了避免模型的过度优化,我们抽取因子得分最高的50%的基金进入模型优化。

同时,考虑到基金在头寸调整期间的可交易性,如果基金在前一期头寸调整期间被限制赎回,我们将继续持有基金,并保持基金在本期的权重不变;考虑到转换基金的调整期(3个月),如果该头寸的基金发生转换(普通股基金转换为部分股权混合基金除外),基金将在转让日卖出。

增强型FOF投资组合的净值及其相对于活跃偏置基金中值指数的表现如下。

同时,引入了基于加权股票选择α单因素选择的因子选择基础的组合,其最高得分为15等权。

可以看出,自2009年2月以来,因子选择组合已经能够长期优于基准指数,累计超额收益率为59.64%,但相对强度曲线在不同阶段波动较大。然而,增强型FOF投资组合也可以长期优于基准指数,累计超额收益率为86.79%,而相对强弱曲线稳步增长,显示出良好的增强型效果。

上表列出了要素选择组合和增强型FOF组合每年的收入统计。

可以看出,因子选择基组合有几年未能赢得基准,相对于基金样本的排名波动很大,年超额收益率仅为3.38%;增强型FOF投资组合每年都能稳定地超过基准,年超额收益率为4.65%,而在相对基金样本排名中,2014年的超额收益率只有不到50%。

其中,局部表现相对较弱的阶段主要是由于市场风格的突然变化,导致选股阿尔法因子的失败,这可以从图17的集成电路序列变化中看出。

与此同时,随着近年来可选基金数量的增加,基金超额收益变得更加稳定。

下表列出了2018年10月31日头寸调整的最新头寸资金信息。

7总结和展望FOF投资通常是一个自上而下的过程,通常包括资产配置和基金优化。

当顶层不同类型资产的配置比例确定后,下一个问题将是子类基金的选择和配置。

由于市场风格(尤其是市场规模和价值增长风格)不断变化,单靠股票基金很难建立一个稳定的FOF绝对收入。

因此,一个有效的解决方案是在基金细分的基础上,在类似样本基金中建立一个长期稳定、高性能的FOF投资组合。

不失一般性,本文选择建立基于主动偏置基金的增强型FOF投资组合。目标是在样本基金中追求相对稳定的回报排名,即稳定赢得样本基金的中值回报。

该报告在及时性、准确性和分析频率之间进行了权衡,并提出了一种模拟位置归因方法。

与股票不同,基金的公开信息相对有限,主要是基金的净值和头寸数据。

虽然从净值数据导出的净值回归方法分析频率很高,但它受到资产和基金头寸高度相关性的影响,使得估计结果与实际值相差很大。虽然由位置数据导出的位置属性方法具有较高的精度,但是它需要所有的位置,并且具有较长的滞后时间,这使得分析频率较低。

模拟位置归因法基于重仓信息和中国证监会行业配置数据,在每个季度结束后的月末进行模拟位置估计,在保证准确性的同时提高了分析的频率和有效性。

本报告从三个维度衡量基金的风险特征:行业配置、风格配置和头寸配置。

由于市场风格的不断变化,不同的基金经理对市场会有不同的判断和预期,从而导致基金之间的业绩差异。

一般来说,基金经理主要在行业配置、风格配置和职位管理方面进行调整。

因此,我们从以上三个维度来衡量基金的风险特征。

在行业配置方面,估算基金的风电行业配置比例;在风格配置方面,估计基金在规模价值增长风格九宫格中的配置比例;在头寸管理方面,计算基金的头寸控制比率。

在本报告中,加权股票选择α因子被引入作为预测基金回报的度量指标。

相关研究表明,基金业绩因子的动量效应较弱,作为基因选择器,很难预测基金未来的回报。作为优秀基金经理的独特素质,选股能力往往对基金的未来回报有很好的预测。

因此,本报告采用拆分式选股阿尔法(split-style stock selection Alpha)作为基金经理选股能力的衡量标准,并引入衰减加权法构建加权选股阿尔法,以增强因子的有效性。

研究发现,该因子的整体集成电路值较好,平均集成电路值为0.10,年化ICIR为1.26,分组单调性较好,可以作为基金有效的收益预测度量指标。

稳健的收入预测模型是定量选择策略成功的基石。然而,如果只选择要素价值最高的基金来构建FOF投资组合,在一些极端的市场环境中可能会出现大的回撤。因此,需要进行投资组合风险控制,以避免某些行业或风险中投资组合的过度暴露。

在本报告中,我们以最大化加权选股Alpha因子值为目标,对行业暴露、风格暴露、仓位控制、个基权重等进行约束,构建组合优化模型。在本报告中,我们的目标是最大化加权股票选择α因子值,约束行业风险、风格风险、位置控制、个人基重等。,并建立投资组合优化模型。

实证研究表明,自2009年2月以来,尽管传统的因子选择组合可以长期优于基准指数,但相对强度曲线在不同阶段波动较大。然而,本文构建的增强型FOF投资组合每年的表现都优于基准指数,年化超额收益率为4.65%,随着近年来基金数量的增加,超额收益率变得更加稳定。

当然,本报告的目的是提出一个增强的FOF组合优化模型。在组合优化模型中所选基因的构建和约束条件的设置方面仍有许多需要改进的地方。

因此,在接下来的研究中,我们将逐步优化。

相关报告1《天丰证券——专题报告:基于全头寸模拟的基金配置偏好分析:2018年第3季度主动股权基金增持金融板块大幅减持医药行业股票》2018-11-022《天丰证券——专题报告:基金资产配置行业选择能力评价体系》2018-08-093《天丰证券——专题报告:基金资产配置行业选择能力评价体系》2018-05-08《天丰证券——专题报告 论风格因素视角“2017-09-182018-10-18”基于制度风格的绩效提升策略遵循“2018-10-11”2018-08-03“2018-06-19”2018-06-15,2018-06-05,2018-05-08,2018-04-19,2018-04-10,2018 “2017-10-24”金融工程:基于动态风险控制的组合优化模型“2017-09-21”2017-09-182017-09-04“金融工程:MHKQ因子时序模型在a股“201”金融工程:专题报告23-自适应收益预测”模型下的投资组合优化策略“2017-08——“金融工程:FOF专题研究(四):京顺长城沪深300增强指数基金”2017-08 部分股权混合基金“2017-07-24工程:专题报告19——半递减集成电路权重在2017-07-22多因素选股中的应用”金融工程:FOF专题研究(二):国泰估值优势部分股权混合基金“2017-07-17”金融工程:专题报告——私募EB正股投资机会“2017-07-11”金融工程:FOF专题研究(一):银华中小精选部分股权混合基金“2017年 专题报告——国债期货组合趋势策略:量化损失,方便增持头寸“2017-06-19”金融工程:专题报告——戴维斯双击“2017-06-12”金融工程:专题报告——反转现象的选择性交易策略“2017-06-01”金融工程:专题报告——国债期货的扩大价差交易“2017-05-25”金融工程:专题报告——基于高管增加的投资策略“2017-05-14”金融工程:2017-05-14 “2017-04-16”金融工程:专题报告——策略的趋势过滤“2017-03-22”金融工程:专题报告——日趋势策略的初步探索“2017-03-10”金融工程:专题报告——基于适应性突破反应的固定成长股选择策略“2017-03-09”金融工程:专题报告——固定成长股节点收益率的全面分析“2017-03-06”金融工程:专题报告——潜在福圣摘掉帽子2017市场结构调整和基金风格变化等风险可能会使模型失效。

发表评论