华安证卷股票走势(华安证券交易版怎么调出大盘走势图)

华安证券交易版怎么调出大盘走势图

1、在股票交易系统中，大盘一般包括上证指数和深证成指，其走势图可以输入代码999999（上证指数）和代码399001（深证成指）查看其K线走势图即可。2、大盘：是指沪市的“上证综合指数”和深市的“深证成份股指数”的股票。大盘指数是运用统计学中的指数方法编制而成的，反映股市总体价格或某类股价变动和走势的指标。（1）上证综合指数：以上海证券交易所挂牌上市的全部股票（包括A股和B股）为样本，以发行量为权数（包括流通股本和非流通股本），以加权平均法计算，以1990年12月19日为基日，基日指数定为100点的股价指数。（2）深圳成份股指数：从深圳证券交易所挂牌上市的所有股票中抽取具有市场代表性的40家上市公司的股票为样本，以流通股本为权数，以加权平均法计算，以1994年7月20日为基日，基日指数定为1000点的股价指数。

华安证券公司怎么样？现在证券公司发展很快吗？

你可能对这些不太了解，一般刚毕业的学生到证券公司都是跑业务的，你考到证之后，公司与你签合同，然后给你分配各银行，在那里做营销，拉客户。这是一般的经纪业务，要想以后能再证券这个方面发展，这个阶段是必须的。不是证券公司缺人，所有的证券公司都在招客户经理这个职位，可以上网查查。几乎没什么门槛，只要你想做。其他的职位要求都是很高。没有客户经理的职位，别的也干不了。客户经理干的好，1，2万月薪不是问题。跟保险差不多，只是证券的名声比保险要好的多，要想在这个方面发展，性格尽量要开朗些，另外要善于表达哦，人品更得要好，现在这个职位的流动性最大，相比较其他职位而言。好多人没有业绩就干不下去了。如果你有恒心，有毅力，前期也不要太在乎多少工资，埋头的干，过个两年，达不到5000以上，你真的该思考你。

华安证券怎么样啊?想开个户？

大证券公司的都差不太多，华安是A类A级，和最好的AA级差一点。但是简单经纪业务没什么问题。营业部意义不大，一般很少去证券公司营业部办什么。如果意义很大网上开户就不回这么火了，但是偶尔的业务也需要营业部，有自然比没有强。

关键还是看佣金到底是多少，万三——万五比较合适，高了的话不如网上开户

华安证券的自选股怎么转移？

　　转移方法：通达信为例，首先点开“工具”——“用户板块设置”选中自选股一项，再按“导出”，选择一个导出的地址后，进入另一个股票软件，按同样步骤，进入“用户板块设置”，新建一个板块或选中自选股后，按“导入”，找到你刚才“导出”的地址导入即可。　　自选股，顾名思义，是把自己看好的股票加入到自己选定的自选股股行中，用时可以看多个股票，比较方便，单击鼠标右键即可回到界面，可察看股票走势。自己选择的股票库。在每个交易软件里都有“自选股”项目，将你选择的股票代码输入后，该股票的各种数据由软件自动生成。这样你就不用再在其它地方分散找，调阅起来很方便。

华安证券网站？

http://www.huaans.com.cn/

华安证券网上行情系统无法登陆

那是证券公司网上系统出错啦，与你的电脑无关啊！

华安证券怎么样啊？

华安证券前身是安徽省证券公司，综合在行业排名中上游。

但对个人来说，证券公司没什么好坏大小之分。

一般而言，谁给的佣金低就选谁，谁的佣金有优势，就在哪家开。

华安证券网上行情系统无法登陆

那是证券公司网上系统出错啦，与你的电脑无关啊！

请问华安证券是怎么收费的呀，这样合理吗？

我也是华安证券的,买入股票在5000元以下是固定的佣金费用(5元),不管你是买一千元的股票还是买四千元的股票,都是5元.你两次购买就是十元.还有过户费哦!应该是一次一元吧!反正我这是这么算的.另外你也可以和华安协商佣金费用问题,可以让他给你调个优惠的,我是佣金本来是千分之1.5,我让他调成千分之一的.少了三分之一哦!

【华安证券·金融工程】专题报告：股票因子个性化：基于股票嵌入的因子优化

点击上方蓝字 关注华安证券研究

主要

观点

本篇是“学海拾珠”系列第一百四十五篇，本文提出了一种优化技术因子的通用框架。作者经过观察发现对于不同属性的股票，同一技术因子表现出不同的契合度，这对因子导向的选股和投资策略提出了挑战。为了解决这一问题，本文提出了一种利用股票自身性质对因子进行优化的通用框架。该框架首先根据基金经理投资行为生成股票嵌入特征，即股票embedding，然后根据embedding为每只股票生成缩放系数对标准化后的因子进行二次缩放。实证表明，此种优化方法生成的优化因子可以产生比原始因子更强的投资指导。

同种因子对具有不同特性的股票的影响不同

传统方法根据股票量价等数据按某种特定映射生成技术因子，但事实表明，对于具有不同性质的股票，相同因子的解释可能有较大差异，然而却有可能在某种因子上取得相近数值，这会使技术分析结果与现实情况有较大偏差。因此有必要根据股票性质对因子进行相应的调整。

如何对股票属性进行有效表示

本文的目标是根据股票的自身性质对因子进行适当调整，因此首要问题是如何对股票的特性进行抽象化表示。这实际上是一个数据挖掘的过程，近年来“序列embedding化”是自然语言处理中一个重点问题，本文借鉴Skip-Gram算法学习股票的嵌入特征。

新型技术交易因子优化框架（TTIO框架）

本研究提出了一种新的技术交易因子优化框架，结合股票嵌入技术进行因子优化。设计了一层缩放网络，使得股票的新因子是原始因子的缩放版本。在此基础上，提出了一个用于优化因子的缩放模型，该模型基于股票嵌入为每个因子生成缩放权重。考虑到投资的动态性，该研究还提出了滚动学习机制，根据时间变化调整模型参数。

TTIO框架在因子优化和投资策略中的表现优于传统方法

实证结果显示TTIO优化因子在2014年和2016年均显著优于baseline。同时，通过因子驱动的投资策略的实验，可以看出无论是单一因子还是多因子投资策略，TTIO模型在除2015年外的所有年份都能产生更多的累积收益。最后，实例研究中发现，不同的因子对不同的股票表现出不同的敏感性，而不是简单地给予类似的权重，这证明了TTIO模型的有效性。

“

风险提示

文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。

1

引言

技术面分析(Charles(2006)，Christopher等人(1997)，Paul等人(1997))作为量化投资的基本方法之一，侧重于从价格和成交量的角度解释和预测股票走势。技术面分析的核心假设在于，投资决策的所有相关信息都反映在价格和成交量的变化中。因此，价格和成交量数据构成了足够的信息，可以为各种任务做出各种决策，包括市场趋势预测、选股和投资组合管理。

在真正的量化投资中，技术面分析主要用于选择未来回报率较高的股票。特别是，为了应对金融市场的噪声和波动性，已有许多成果基于价格和成交量开发技术交易因子，用来提供可靠的交易信号(Chalothon等人(2012)，Abeyratna和David(2001)，Massoud等人(2012)，Christopher等人(2011))，这类似于机器学习方法中的特征工程。更具体地说，通用技术交易因子通常是基于对每只股票的原始价格和成交量数据的一致性数学变换而生成的。在现实世界中，人类专家根据他们在金融市场的领域知识总结了各种鲁棒的技术交易因子。作为特征工程中人工生成的特征，各种技术因子基本上代表了不同方面的价格和成交量，并从稳健和全面的角度评估了股票的走势。例如，平滑价格序列并丢弃一些随机性的移动平均因子，是描述趋势的好选择。乖离率表现了当前价格与其移动平均值的偏差，可以稳健地反映股价的现状。因此，技术因子作为所有股票价格和成交量的统一变换，在各种投资任务中发挥着至关重要的作用。

然而，这种统一的计算方法对选择未来利润更高的股票这一任务产生了一定的限制，因为它没有考虑股票的内在特性。事实上，我们观察到，具有不同性质的股票对因子的契合度并不相同。我们发现：即使两只股票在一个特定因子上表现出完全相同的值，由于股票本身的性质，它们也可能保持在本质上完全不同的状态。例如，图表1显示了两只特定股票的价格和30天内乖离率因子的时间序列数据。从这些数据中可以发现，对于周期性股票1b，它随着更广泛的市场而变化，并且往往具有更大的波动性，乖离率很容易跳到极值；而对于另一只股票示例1a，它是一只强大、稳定、成熟的股票，具有长期连续季度分红的历史，在大多数情况下，乖离率会被限制在一定的范围内。因此，即使两种股票都获得了相同的乖离率极值，其意义也完全不同。周期性股票将被视为处于正常状态，因此对它来说该因子几乎没有可供参考的作用。而对于价格稳定的股票，较大的乖离率值将提供丰富的信息，这对预测和投资都很有用。这一现象清楚地表明，一个技术因子对不同股票采取相同的计算方法不足以区分不同股票的未来回报趋势。

基于这一观察结果，本文认为挖掘股票的原始价格和成交量数据蕴含的信息对于生成更有力的因子是必要的。一个简单的方法是为每只股票创建一个缩放系数，然而，这很容易导致过拟合。进一步的观察表明，具有共同特征的股票对因子值具有相似的契合度。例如，蓝筹股公司的大多数股票，其股价通常在小范围内变化，在大多数情况下往往会产生低乖离率值。这样的观察启发我们基于股票的普遍性特征进行股票信息转换，以避免潜在的过拟合问题。因此，本文提出了一个技术交易因子优化（TTIO）模型，该模型通过基于股票性质的二次缩放来优化原始因子系数。

关键之处在于如何生成股票的有效表示，以反映经验丰富的投资者的知识和想法。例如，如图表1所示，有效表示应该能够区分稳定股票和周期性股票。一个简单的方法是从经验丰富的基金经理那里手动收集这些信息。然而，这种方法由于人类对股票的主观本能导致了对人力成本的高需求和不稳定的准确性，效率相当低。

为了解决上述问题，本文建议从一群经验丰富的基金经理的集体行为中学习股票表示，即股票embedding。由于每个基金经理对各种特征的股票都有自己的偏好和专业化，例如，一些基金经理会更喜欢稳定的股票以获得低风险的利润，而另一些基金经理则可能更喜欢波动较大的股票以获取更大的回报。基于这一事实，本文假设同一基金的持仓股票可能具有一些共同的特征。因此，本文试图学习股票的嵌入表示，目的是保留股票之间的这种关系，即同一基金持有的股票将获得类似的embedding。

在得到股票embedding后，设计一种有效的方法来利用这种表示优化技术交易因子至关重要。为此，本文提出了TTIO模型，该模型利用股票embedding的信息对原始技术因子进行优化，以最大限度地提高优化技术因子的有效性。此外，为了避免复杂建模可能导致的过拟合问题，本文仅用一个简单的单层神经网络来构建TTIO模型以优化原始技术因子。

根据经验，本文在真实数据上进行实验，通过检查其IC来评估因子。此外，我们还根据优化因子对股票投资进行了模拟。并且还利用优化因子来预测回报排序，并通过应用一些交易策略来评估其有效性。与传统因子相比，结果表明，近年来本文生成的优化因子表现明显更好、更稳定。

总之，本文工作的主要贡献包括：

(1)提出了一个因子优化模型，通过整合股票的不同属性来实现更好的因子表现。

(2)为了表示具有不同性质的股票，本文设计模型学习了基于基金经理集体行为的股票嵌入特征。

(3)对真实的股票数据进行了实验，并通过实际投资策略中使用的优化因子表现来评估本文因子优化方法的有效性。

2

研究背景

本节将对技术分析和一些技术交易因子进行基本介绍。在本节中，我们展示了如何将价格和成交量映射到技术交易因子，此外，我们还将描述如何使用此类交易因子来构建投资组合（选择股票），以及介绍评估因子有效性的评估指标。

2.1技术面分析

一般来说，分析股票和做出投资决策有两种主要方法：基本面分析和技术面分析。基本面分析需要分析公司的财务报表以确定业务的公允价值，而技术分析则假设股票价格已经反映了所有公开信息，因此其侧重于统计分析。从形式上讲，技术分析是研究给定金融市场中过去和现在的价格走势如何用于确定其未来方向(Martin，2002)。因此，价格和成交量数据包括了技术分析中进行预测的所有信息。

2.2 技术因子

为了在技术分析中根据相应的价格和成交量数据识别特定资产的交易模式，研究人员对股票价格或成交量设计了某种形式的数学计算，即技术交易因子，以预测市场趋势。本文将研究那些公认的技术因子，这些因子是根据价格和收益的时间序列进行计算得到的。图表2展示了一组普遍的技术因子指标及其计算公式，其中在第i天，

分别表示开盘和收盘价，它们的主要用途如下：

指数移动平均线(EMA)是一种衡量价格日常波动的指标，最近的数据会占据更大的权重。

指数平滑异同移动平均线(MACD)是通过两条指数移动平均线之间的差来计算的，其中一条线来自长周期(慢线)，另一条来自短周期(快线)。M和n的值通常为12和26。

基于K线(KL)的因子通常用于发现股票的趋势和波动。KL相关因子包括K上长度、K下长度和K长度。

与乖离率相关的因子衡量价格与简单移动平均线相比的偏差水平。

ROC相关因子意味着与前几天相比的变化幅度

振幅相关指标量化了最近一段时间内的震荡特性。

2.3 构建基于因子的投资组合

由于有效的技术交易因子可以用来推测市场的未来趋势，技术交易员通常依靠它们来构建投资组合，以实现最大化收益。一种简单但广泛使用的方法是选择因子值排名的前k只股票，在某个交易时间点形成投资组合。而且，交易员通常将投资平均分布在前k只股票上，以降低风险，以防股票因子值排名与股票在某一时刻的收益率不符。因此，k是一个超参数，用于平衡投资组合的稳健性与利润。

另一种提高投资策略稳健性的方法是利用因子组合。由于不同的因子可以捕捉到涵盖股票不同属性的各种价格表现形式，包括趋势、动量和波动率，单个因子有其*限性，在某些情况下可能会失去其效力。另一方面，将多个因子结合在一起，通过避免单个因子的无效性来提高投资稳健性是非常有益的。因此，在应用一定的因子组合方法后，可以基于新的组合因子值来管理投资组合，并以相等的权重投资前k只股票。

2.4因子有效性评价指标

在量化投资领域，信息系数（IC）通常被用作金融分析师预测能力的绩效指标和交易指标的有效性。最普遍的IC类型之一是RankIC，其计算公式为：

如前所述，具有不同性质的股票对同一因子具有不同的契合度。受此启发，有必要根据股票性质进行调整，以完善现有的技术因子。本文首先提出了一种表示股票属性的股票embedding方法，然后展示了如何在提取的股票embedding基础上进行因子改进。

3

股票嵌入特征

本节旨在基于“具有相似特性的股票有相似的表示”这一假设，获得反映股票性质的有效表示。一种简单的方法是专业人士人工标记。然而，由于其效率和鲁棒性较低的缺陷，这是非常不现实的。因此本文试图从数据挖掘的角度来解决这个问题。具体而言，就是从市场上一群基金经理的历史投资组合中挖掘股票embedding作为股票特性的隐状态表示，因为这些数据包括一个有价值的知识库，其中包含基金和股票之间丰富的投资关系信息。

我们发现每个基金经理对各种股票都有自己的偏好和专长，如周期性/稳健型股票、高风险/低风险股票。因此，同一基金内的股票可能具有一些共同的特征。受这一观察结果的启发，本文提出建立一个基金-股票关系图，并采用随机游走方法来学习可能在随机游走中同时出现的股票节点的相似embedding。

在下文中，本文将首先描述基金经理的历史投资组合数据。然后，提出一个二分图来表示基金和股票之间丰富的关系信息。基于现有的图嵌入方法(Cao等热(2016)，Aditya等人(2016)，Mathias等人(2016)，Bryan等人(2014)，Wang等人(2016))，我们可以用构造的图获得股票表示，其中具有相似性质的股票将倾向于获得相似的嵌入。

3.1 基金经理的历史持仓

如图表3所示，基金经理历史投资组合的真实数据通常被归纳为两种元素，即基金和股票，以及两者之间的投资关系。具体而言，基金和股票之间的线，即，代表基金对股票的投资。此外，一只基金可以包含一系列不同股票，一只股票可以由不同基金持有。

事实上，这些历史投资组合数据可以使我们能够获得合理的股票特征embedding。我们发现，每个基金经理对各种股票都有自己的偏好和专业知识。例如，一些经验丰富的基金经理可能更喜欢继续投资于价格序列相对稳定的股票。因此，这些股票更有可能产生类似的收益，因为它们往往由一组基金经理持有。这恰恰与假设相符合，即同一基金持有的股票可能共享一些共同特性。因此，模型能够学习同一基金持有的股票的相似embedding。

请注意，反映投资偏好的股票性质可能会随着时间的推移而变化。然而，在本节中，我们将重点放在学习特定时间步长t的静态embedding，在下一节中继续讨论如何解决股票特征的动态特性问题。

3.2 构造二分图

给定一个二分图?=(?,?,?)，其顶点可分为两个不相交且独立的集合U和V，通过将U映射到基金集合，将V映射到股票集合，将E映射到基金对股票的具体持仓，将基金的历史投资组合数据表示为二分图是很自然的。这样构建的图使我们能够通过以其二分结构的形式考虑基金和股票之间的投资关系来学习节点（即股票）的embedding。

3.3 通过基金-股票二分图学习股票嵌入特征

在基金-股票二分图的基础上，本文采用了一种基于skip-gram结构的方法来学习股票节点的embedding，彼此靠近的节点倾向于获得相似的embedding。具体而言，我们首先基于图中的转移概率生成股票节点随机游走序列，然后以最大化相邻节点概率为目标生成股票embedding。

基金-股票二分图的随机游走。在随机游走中，从一个结点开始行走，每一步移动到基于边的权重随机选择的相邻节点，因此在由随机游走生成的每个节点序列中，彼此连接且靠近的节点将有更高的概率出现在一起。因此我们倾向于在基金-股票图上生成股票节点序列，其中由相同基金连接的股票有着相似的特征，将具有更高的概率一起出现在随机游走节点序列中。本文只关心股票的嵌入特征，因此不需要为基金生成embedding，本文提出了一种两阶段随机游走方法，其中只有股票的节点被选择到序列中并进行优化以获得embedding。

这样，只需将基金节点作为连接股票节点的中间变量，就可以生成大量只包含股票节点的序列。

最大化相邻节点概率获得股票embedding。从股票节点序列的生成可以看出，由相同基金连接的股票，基于前面提到的假设，它们是相似的股票，往往会一起出现在节点序列中。因此，我们建议为随机游动序列中彼此接近的节点获得相似的embedding表示。这个问题可以通过基于Skip-Gram的算法(Mikolov等人(2013)，Sutskever等人(2013))来解决，该算法目的在于最大化相邻节点条件的概率，其表达式由g给出：

其中??(?)表示节点u的相邻节点。在此基础上，使用Skip-Gram结构，训练神经网络来预测每个节点实际出现在目标节点周围的概率。训练完成后，使用模型的隐状态作为股票的特征embedding。

4

技术交易因子优化模型

在学习股票embedding的基础上，本文还提出了一个全新的技术交易因子优化框架。4.1简要介绍获得股票embedding的神经网络模型，4.2节提出我们独特的二次缩放模型，该模型在保持因子的原始特性的基础上，为具有相似特性的股票生成相似的缩放因子。最后，4.3节介绍了本文的滚动学习机制，以解决市场的动态性带来的股票特性变化问题。

4.1 模型设计

给定一个有效的股票表示，如何生成一个新颖、更好的技术因子？本文采用了一种机器学习方法。我们不是用传统的方式生成由固定数学方程计算的新因子，而是用参数化模型，即神经网络，来表示优化的、据推测更有效的因子，并通过优化因子的性能IC来训练该模型。通过这种方式，优化因子就在股票embedding和原始技术因子的基础上生成了。

如上所述，我们希望对具有类似性质的股票实现类似的转换。此外，为了尽可能保持原始因子的性质，我们提出了一个一层缩放网络，新的因子只是一个缩放后的原始因子。通过这样的简单设计，可以确保模型具有相似嵌入的股票将具有相似的缩放系数，如果模型隐藏层数较多，那么高度非线性将不能保证这种特性。

4.2 用于因子优化的缩放模型

受上述设计原则和相应挑战的启发，本文提出了一个精心设计的因子优化缩放模型。该模型由两部分组成：一个缩放网络，用于基于股票embedding输入为每个因子生成缩放权重，另一个是最终优化器，用于将原始因子与缩放权重相乘来生成新因子。

缩放网络。本文的缩放网络将股票embedding作为输入，为每个因子生成股票缩放系数。更具体地说，该模型包含两个步骤：生成原始缩放权重和权重归一化。

本文提出了一个简单的神经网络来计算特定股票i相对于因子j的原始缩放系数，如(1)式所示，其中代表股票i的embedding向量，代表隐藏层权重。这个映射的简单性使得为具有类似表示的股票生成类似的原始缩放系数变得容易。

得到原始缩放系数后，为了将该系数约束在合理的范围内，我们通过softmax算子进一步归一化所有股票的原始缩放权重，如(2)式所示。

通过加权缩放优化因子。原始交易因子可能出现正值或负值，为了进行有效的优化，首先将原始因子值标准化到[0,1]的范围内，再将因子与其对应的缩放权重相乘即可得到优化后的因子。

由于新的优化因子被期望有更好的表现，例如在IC方面，因此学习目标内设置为最大化相关性的度量值，因为Rank-IC不会生成反向传播的梯度。

总之，上述设计原则在用于因子优化的缩放模型中得到了强调。首先，整个缩放机制的简单性使我们能够在不大幅改变其原始特性的情况下对原始因子进行适当调整。其次，单层缩放网络的简单性使得为具有相似属性的股票生成相似的缩放权重变得容易得多。

4.3 滚动学习机制

为了适应投资的动态性质，我们提出了一种滚动学习机制来随着时间的推移调整模型的参数。旋转学习属于在线学习(Bottou，1998)，是一种机器学习算法，其中数据按序列顺序传入，并用于在每一步更新未来数据的预测器，而batch学习技术通过一次学习整个训练数据集来生成最佳预测器。

在滚动学习种，需要确定学习股票embedding和学习、测试技术交易因子优化模型的确切时间。应该选择足够长的时间，以有效地代表股票的性质。考虑到价格序列的高波动性和优化模型的有效期，的选择既不应太短也不应太长。由训练、验证和测试过程组成：，其中决定滚动的时间跨度。本文为每个滚动步骤训练一个模型，算法如图表4所示。本文还通过简单地聚合时间段中每个图的权重，使我们的股票嵌入模型适应于在时间段上学习，而不是在某个时间步长上学习。

5

实验

本节通过大量的实验来证明本文所提出方法的有效性。5.1中介绍了相关实验设置。之后本文将因子优化模型应用于A股市场，结果如5.2所示。信息系数(IC)用于评估优化因子的性能。本文将模型与四个基线进行比较，以证明方法的实用性。此外，本文还通过一些简单的交易策略和几个案例研究进一步证明了本文提出的框架的有效性。

5.1实验设置

数据集。本文收集了2013年至2016年2000多只中国股票的每日价格和7类交易因子作为因子增强模型的数据集，这些指标涵盖了中国市场的大多数股票。图表2介绍了大多数重要因子。

对于股票embedding提取模型，为了有效反应股票的性质，本文收集了2003年至2016年基金经理的持仓。对所有A股进行评估，以测试有关实际累积收益的交易政策。

参数设置。关于股票embedding，对每个股票生成长度l=200的c=100个随机游走。对于Skip-Gram架构，滑动窗口大小设置为3。最终股票的表示维度为d=32。对于因子优化模型，每一个学习过程的数据集都分为训练集(6个月)、验证集(3个月)和测试集(3个月)。本文不使用K折交叉验证，因为我们只关注模型的未来影响。

对比方法。为了评估本文方法的性能，此处设置了4个baseline：

Raw是根据股票价格或成交量的数学计算生成的原始因子。

Norm直接对原始技术因子进行标准归一化的简单缩放，与这种方法的对比能够体现本文设计的的缩放方法的作用。

NoEmb直接学习如何通过模型重新缩放技术因子，而不需要像股票embedding这样的股票属性的任何信息。我们没有通过股票embedding来计算比例系数，而是将其设置为通过反向传播优化的变量。与这种方法相比，我们将能够证明通过股票embedding聚合信息的有效性。

Complex将原始因子的输入和股票embedding的输入连接起来，然后将其馈送到两层神经网络，以直接从网络的输出生成新的因子。这种方法旨在显示复杂网络上是否会出现一些过拟合问题。

评估指标。本文使用RankIC来评估优化因子的有效性。为了进一步检验优化因子是否能提高投资回报，我们进行了因子驱动的测试。注意，开发交易策略有很多选择，如时间序列算法和各种机器学习技术，这超出了本文的范围。在这项工作中，我们基于2.3节中描述的投资组合构建方法，利用单因子交易策略，并通过回测计算每个因子的累计和平均收益率。对于因子组合交易策略的任务，我们简单地使用随机森林回归(Liaw等人，2002)来预测收益率的排名，并根据预测值投资前k只股票。

5.2 实验结果

优化因子的有效性。我们首先进行实验，检查本文的因子优化框架在各种技术因子上的性能。使用TTIO框架为7类原始因子生成优化因子，并计算优化因子和baseline的RankIC。图表5比较了优化因子和上一节中提到的其他比较方法之间的汇总RankIC。从这些数据中，我们可以发现，在2014年和2016年，优化因子都显著优于baseline。具体来说，从方法Norm的结果可以看出，简单地进行归一化对优化原始因子没有任何意义，甚至反映出与收益率几乎不相关。类似的结果也出现在Complex方法中。该复合网络试图将技术因子和股票embedding的信息与多层神经网络相结合，并一对一地生成新的因子，而不是基于原始因子进行缩放。这种方法导致了过拟合问题，具体表现为较低的IC值。NoEmb获得了比前两个baseline更高的结果。然而，由于缺乏股票embedding产生的信息，与本文所提出的模型相比仍有明显的差距，这表明了TTIO框架的有效性。

图表5还显示，2015年的表现与2014年和2016年的表现大不相同，回顾2015年的股市，我们观察到股市崩盘中剧烈动荡的价格模式，这导致大多数因子组的RankIC严重降级。

因子驱动投资的表现。为了进一步研究TTIO框架的价值，本文进一步进行了实验，以检验优化的因子是否能提高因子驱动投资的收益率。如2.3节所述，有两种基本的因子驱动的交易策略。一种是在一组因子上平均投资根据单个因子的价值排名前k的股票，另一种是投资因子组合模型中排名前k的股票，此模型即本文中的随机森林模型。在实验中，为了为k设置最合适的值，本文先在验证集上找到了最优k值，然后将具有确定k值的投资策略应用于测试集。图表6报告了不同因子驱动的投资策略产生的累积收益。投资策略的测试包括结合多个因子的交易规则，和只考虑了四个baseline的单一因子和TTIO模型的交易规则。

从这些图中，首先可以看到，2015年对应的IC结果，与2014年和2016年相比，交易结果出现了异常。除2015年之外，无论是单一因子交易模式还是多因子交易模式，Norm方法都获得了相对较差的结果，但在2015年突然跳到了最佳状态。一般来说，多因子相结合的投资比只考虑单因子的投资要好。在2014年和2016年，结果与因子表现结果一致，这也证明了IC评估的有效性。与其他情况相比，Norm和Complex方法获得的结果最差。2014年，TTIO仅考虑单因子的投资甚至超过了Norm和Complex多因子结合的投资。根据投资结果，除2015年外，我们可以发现，无论是单因子驱动的交易策略还是因子组合驱动的策略，我们的模型在所有其他情况下都能产生更多的累积收益。

实例研究。在这个实验中，我们选择了一些有代表性的因子，并展示了这些因子是如何在不同的股票上重新缩放的。更具体地说，我们选择Bias、MACD和ROC作为示例因子，并显示了TTIO模型中获得最大和最小原始缩放权重的5只股票。结果如图表7所示。从表中我们可以看出，不同的因子对不同的股票表现出不同的敏感性，而不是简单地给予类似的权重。为了显示相似属性股票的密切关系，我们首先利用t-SNE(Maaten和Hinton，2008)将优化后的股票embedding降维到二维。在将前100只强化股票和前100只弱化股票的股票embedding绘制到二维图中后，我们分别为这两组赋予两种不同的颜色。图表8显示了关于这三个代表性因子的两组独立数据。从这些图中可以看到，我们的模型能够为具有类似表示/属性的股票分配类似的缩放权重，这与我们的设计原则非常一致。

6

相关研究

技术因子是技术分析的基本工具。以往关于因子优化的工作大致可以分为两类：手动改进因子和深度学习因子。几十年前，经验丰富的投资者和经济学家就提出了手动改进因子(Gertler等人(1986)，Alejandro等人(2011)，Thaler(2005)，Zhu和Zhou(2009))。Gunasekarage等人(2001)使用四个新兴南亚资本市场的指数数据分析了简单移动平均(SMA)指标的表现，并证明了其产生超额收益的预测能力。Chong和Ng(2008)提出，在大多数情况下，相对强弱指数(RSI)和平滑异同移动平均线(MACD)可以产生高于buy-and-hold策略的回报。Gatev等人(Gatev，2006)不*限于单只股票的因子，而是测试了一种关于价格距离和相关性的对冲基金股票交易策略，实验表明，在对交易成本进行保守估计情况下交易恰当的成对股票能够获得利润。

随着深度学习的发展，越来越多的研究致力于通过端到端表征学习进行因子优化(Kumar等人(2004)，Patel等人(2015)，Qin等人(2013)，Sharang(2015))。这些方法以原始价格甚至手动改进的因子作为输入，并通过深度神经网络学习做出交易决策和未来预测。深度神经网络中的隐状态表示可以被视为学习因子。Takeuchi等人(2013)简单地提取有用的特征，而不需要进行广泛的特征工程，只考虑每个股票在特定时间段内的价格和累积收益，该项研究是深度学习在股票交易中的首次应用之一。也有一些研究人员直接利用价格和收益作为输入特征，之后通过直接使用价格和成交量相关的特征，应用各种机器学习算法来实现一些预测任务(Cavalcante等人(2016)，However(2014)，Ticknor(2013))。此外，Deng等人(2017)通过将价格价差输入深度强化学习模型，将当代深度学习算法引入金融信号处理和在线交易。

与现有的专注于手动改进因子或深度学习方法来创建新因子的努力不同，本文提出通过考虑股票性质来优化股票选择的技术因子。本文引入外部数据来学习股票嵌入特征，并进一步学习基于股票embedding的缩放因子。目前来看，本文是第一项通过利用外部数据中的知识来学习和改进技术因子的研究。

7

结论

本文提出了一个通用的、可解释的因子优化框架，利用从外部资源中挖掘的隐藏知识来优化技术因子。本文从一种新思路出发，通过从经验丰富的投资者的集体行为中挖掘股票潜在信息，利用因子的股票契合度方面的差异，采用数据挖掘的方法来学习股票嵌入特征。然后，本文提出了一个精心设计的缩放网络，该模型能够在保留因子的原始属性基础上，为具有相似嵌入特征的股票分配相似的缩放权重。然而，通过本文的模型生成的因子并没有体现出股票的动态特性，因此我们只是用粗略的滚动学习方法使其适应现实金融市场。因此，未来的工作重点应放在动态优化技术因子方面。

文献来源：

核心内容摘选自ZhigeLi、DerekYang和LiZhao等人发表于KDD2019的文章《IndividualizedIndicatorforAll:Stock-wiseTechnicalIndicatorOptimizationwithStockEmbedding》

“

风险提示

文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。

“

重要提示

本报告摘自华安证券2023年6月13日已发布的《【华安证券·金融工程】专题报告：股票因子个性化：基于股票嵌入的因子优化》，具体分析内容请详见报告。若因对报告的摘编等产生歧义，应以报告发布当日的完整内容为准。

“

分析师介绍

分析师：严佳炜 执业证书号：S0010520070001

分析师：骆昱杉 执业证书号：S0010522110001 

觉得内容不错的话，给我点个“在看”呗