关系型数据
　　量化选股存量因子维度日渐增长，实际应用中对因子的诉求已不仅是单因子评估维度的强弱，而更侧重于对原有因子的边际增量。机器学习这类非线性工具在因子合成环节的应用，使得因子底层信息源的挖掘更加充分，新的底层信息和数据源是因子增量效果的潜在途径。本报告利用新闻共同报告次数来刻画股票之间关联程度，进而利用股票之间的关联关系在因子建模环节进行增强。
　　新闻共同报道
　　股票之间被新闻共同报道意味着被关联到共同的实时热点消息和事件，反映了舆情层面存在共同的影响因素，为刻画股票之间的关联程度提供了一个新的维度。
　　本文从特征工程的环节出发，基于新闻共同报道信息构造关系矩阵，在已有因子库的基础上对因子进行批量的衍生，利用存量的有效因子和新的数据源交互的方式生成低相关性的新因子，从而为存量因子库和多因子选股应用场景带来信息增量。
　　在模型训练和因子合成环节，存量因子的基础上加入衍生因子，利用新闻共同报道关系网上的关联个股信息对收益率进行联合预测。全周期来看，所合成的因子在IC上提升了1.35%，在年化IR上提升了0.9。
　　在分组、多空组合评估上，存量因子加入新闻共同报道数据衍生因子后所训练的模型输出，相比于仅用存量因子所训练的模型输出在超额、夏普等评估指标上有不同程度的提升，从全周期来看，相比原始因子，叠加新闻共同报道衍生因子后的年化收益在头部组合提升了2.3%，在多空组合提升了2.4%。
　　风险提示：模型计算可能存在偏误，业绩不代表未来;因子测试、机器学习建模是对历史经验的总结，模型学习到的市场规律在未来存在失效的可能。

研究报告全文：证券研究报告量化深度关系型数据增强模型训练新闻共同报道多因子与ESG策略关系型数据量化选股存量因子维度日渐增长实际应用中对因子的诉求已不仅是单因子评估维度的强弱而更侧重于对原有因子的边际鲁植宸增量机器学习这类非线性工具在因子合成环节的应用使得因luzhichencsccomcn子底层信息源的挖掘更加充分新的底层信息和数据源是因子增15611537505量效果的潜在途径本报告利用新闻共同报告次数来刻画股票之SAC执证编号S1440522080005间关联程度进而利用股票之间的关联关系在因子建模环节进行增强研究助理徐建华新闻共同报道xujianhuacsccomcn股票之间被新闻共同报道意味着被关联到共同的实时热点消息和事件反映了舆情层面存在共同的影响因素为刻画股票发布日期2023年01月08日之间的关联程度提供了一个新的维度本文从特征工程的环节出发基于新闻共同报道信息构造关系矩阵在已有因子库的基础上对因子进行批量的衍生利用存市场表现量的有效因子和新的数据源交互的方式生成低相关性的新因子4从而为存量因子库和多因子选股应用场景带来信息增量-6在模型训练和因子合成环节存量因子的基础上加入衍生因-16子利用新闻共同报道关系网上的关联个股信息对收益率进行联-26合预测全周期来看所合成的因子在IC上提升了135在年化IR上提升了09202245202175202185202195202215202225202235202255202265202110520211152021125上证50沪深300在分组多空组合评估上存量因子加入新闻共同报道数据衍生因子后所训练的模型输出相比于仅用存量因子所训练的模相关研究报告型输出在超额夏普等评估指标上有不同程度的提升从全周期221209分析师共同覆盖增强机器学习模型训练来看相比原始因子叠加新闻共同报道衍生因子后的年化收益220911基于供应链关系矩阵的因子增强在头部组合提升了23在多空组合提升了24220901量价因子策略库更新风险提示模型计算可能存在偏误业绩不代表未来因子测试机器学习建模是对历史经验的总结模型学习到的市场规律在未来存在失效的可能本报告由中信建投证券股份有限公司在中华人民共和国仅为本报告目的不包括香港澳门台湾提供在遵守适用的法律法规情况下本报告亦可能由中信建投国际证券有限公司在香港提供同时请参阅最后一页的重要声明多因子与ESG策略量化深度报告目录一引言1二关系型数据的应用2三新闻共同报道331新闻共同报道的逻辑内涵332基于新闻共同报道的关联构建333个股间考虑新闻共同报道的收益率相关性分析6四新闻共同报道在模型训练中的应用741基于新闻共同报道的衍生因子构建742衍生因子对原始因子的信息增量743衍生因子在模型训练中的应用8五总结与展望12六风险提示13参考文献14图表目录图表1关系型数据示例1图表2关系型数据的应用框架2图表3基于新闻共同报道的关联矩阵构建示例4图表4与迈瑞医疗有共同新闻报道的股票的行业分布4图表5与迈瑞医疗有共同新闻报道较多的行业及部分股票5图表6每年度存在共同报道关系的个股数量分布5图表7每年度存在共同报道关系的个股数量统计5图表8个股在全样本与新闻共同报道样本下的收益率相关系数描述统计6图表9个股在全样本与新闻共同报道样本下的收益率相关系数分布6图表10衍生因子与原有因子的相关性分布特征7图表11模型滚动训练示意图8图表12联合训练合成因子IC年化IR9图表13单因子分组测试ML10图表14单因子分组测试MLNewsCoOcur10图表15原始因子与叠加衍生因子在头部组合的表现10图表16原始因子与叠加衍生因子在头部组合的净值11图表17原始因子与叠加衍生因子在多空组合的表现11图表18原始因子与叠加衍生因子在多空组合的净值12请参阅最后一页的重要声明多因子与ESG策略量化深度报告一引言随着存储算力模型方法的迭代更新为量化投资研究大规模积累有效因子提供了基础投研中所涉及的存量因子从几百到几千不等资产定价因子选股步入高纬度时代在多因子量化选股场景中因子的角色逐步从信号转变为众多的特征对因子的评估逐步从单因子有效性转变为相对于存量因子的边际增量尤其在机器学习人工智能这类非线性模型广泛应用于因子合成环节之后即便单因子与存量因子在线性维度上能保证低相关性克服多重共线性但是在非线性建模场景下能带来的边际贡献也未必可观关系型数据在因子挖掘场景的应用的研究逐渐受到关注已有学术文献论证了供应链分析师共同覆盖行业等关系维度下收益之间存在显著的领先-滞后关系并基于此类信息构建动量传导因子在高纬度存量因子的背景下因子以样本特征的形式被用于资产定价关系型数据可以在建模环节通过因子衍生联合训练的方式为资产定价提供信息增量从而为量化策略带来超额收益的增量图表1关系型数据示例资料来源中信建投在早期报告中本团队先后探究了供应链关系和分析师共同覆盖在因子建模场景的应用通过构建形成表征公司间相关关联特征的关系矩阵以此对原因子库进行变体构建了集成关系型信息的因子库模型训练和组合优化的结果表明无论是供应链还是分析师共同覆盖关系加入相应衍生因子后的策略在IC夏普等评估指标上均有显著提升新闻共同报道也是近年来逐渐进入研究者视野的代表性关系型数据之一Wuetal2021构建了表征股票之间的新闻共现关系的矩阵基于此提取新闻共同报道信息作为新特征并结合传统的量价因子进行实证检验结果表明加入新闻共同报道信息对收益预测有较好的提升效果本研究基于新闻共同报道次数构建国内上市公司之间的关联矩阵实验探究其在模型训练中的增强效果完善关系型数据的系列研究请参阅最后一页的重要声明多因子与ESG策略量化深度报告二关系型数据的应用随着因子种类和数量不断增多以及机器学习这类非线性工具在因子合成场景的广泛应用新数据新因子新信息的有效性不单单取决于其单因子的效果强弱在当下的研究与实务中新因子相对于已有因子带来的边际增量显得更加重要一方面因子之间的同质性和拥挤度也日益增加在存量因子的基础上挖掘包含增量信息的因子日渐困难而研究因子之间的互相影响和调节效用还存在很大空间另一方面经济社会发展逐步形成共同体公司之间的关联也日趋紧密其股票收益之间自然也产生了一定联系因此从关系型数据入手挖掘相关要素探索新因子与原有因子的关联效应和边际增量成为因子衍生和策略增强的又一新颖视角再从高低频数据的融合角度分析高频因子主要由大样本下的量价数据驱动其同质性和拥挤度较高相比之下中低频的基本面因子之间的相似度则普遍偏低开发周期也更长因此基于高频数据和低频数据的不同特点将二者以某种方式结合预期可实现对已有特征的信息增强而关系型数据源于基本面又可与高频因子关联衍生图表2关系型数据的应用框架资料来源中信建投请参阅最后一页的重要声明多因子与ESG策略量化深度报告三新闻共同报道31新闻共同报道的逻辑内涵公司间的基本面关联是近年来学术研究和实务投资愈加关注的热点之一由于注意力有限投资者在关注某只股票时容易忽略与其具有地域行业供应链科技等方面关联的其他股票对其价格变动的影响这通常会导致关联股票之间产生收益上的超前滞后关系从而也带来了投资机会作为关系型数据的典型之一新闻共同报道信息也能反映公司间的基本面关联其主要原因和内涵在于1投资者分析师等市场各方的很多观点分析评论等信息会被媒体作为财经新闻报道而一篇财经新闻中通常会出现多个股票这说明这些股票之间存在着一定的关联性才会被联系到一起共同关注2新闻的共同报道反映了当前时点存在共同的事件性因素同时影响到被报道的个股3关联性越强的股票之间存在的交叉信息越多会被更多的新闻共同报道共同报道的次数多少反映了关联性的强弱32基于新闻共同报道的关联构建与早期报告中对供应链和分析师共同覆盖关系的建模方式类似本报告通过邻接矩阵来描述股票之间基于新闻共同报告的关联关系操作步骤为1统计每一条新闻在研究年度内报道的所有股票2构建全市场所有股票的邻接矩阵对于每一条新闻本报告认为其报道的所有股票之间存在相关关联从而在邻接矩阵中两两股票的对应位置加13对于所有新闻重复上述步骤最终的邻接矩阵的数值表示两只股票有共同报道的新闻的数量最终可以构建矩阵用以表征股票之间的新闻共同报道关系即111212122212其中表示第个股票与第个股票的共同报道新闻数量图表3为邻接矩阵构建的具体示例从中可以看出新闻共同报道数量最多的两只股票为迈瑞医疗和药明康德达到了388条表明二者的基本面关联度较强而先导智能与开立医疗的新闻共同报道数量仅为4条所呈现出的关联较弱请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表3基于新闻共同报道的关联矩阵构建示例数据来源中信建投Wind朝阳永续注数据截至20211231图表4展示了与迈瑞医疗存在新闻共同报道关系的个股的行业分布在存在关联的1818只股票中260只是与迈瑞医疗同行业的医药生物行业个股有85以上是非同行业个股涉及申万一级行业27个化工电子机械设备电气设备四个行业关联个股在100只以上相比于分析师共同覆盖关系而言新闻共同报道能覆盖到更多的行业以外的关系信息图表4与迈瑞医疗有共同新闻报道的股票的行业分布数据来源中信建投Wind朝阳永续注数据截至20211231进一步地本报告还具体找出了与迈瑞医疗有新闻共同报道较多的行业及对应关联度较强的股票如图表5所示在医药生物同行业与迈瑞医疗关联度较高的股票有药明康德爱尔眼科智飞生物等同时迈瑞医疗与恩捷股份立讯精密先导智能等其他行业的股票之间也存在新闻共同报道关系请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表5与迈瑞医疗有共同新闻报道较多的行业及部分股票数据来源中信建投Wind朝阳永续注数据截至20211231最后本报告统计了每年度存在共同报道关系的个股数量分布如图表6和图表7所示该图表反映了年度内每只股票在邻接矩阵上存在的邻居数量的分布整体而言在研究区间年度内2018年和2021年存在新闻共同报道关系的股票较多均值达到了130关联较为紧密反之新闻共同报道关系在2020年最弱均值仅为59在不同分位数上也呈现出了类似的特征图表6每年度存在共同报道关系的个股数量分布图表7每年度存在共同报道关系的个股数量统计数据来源中信建投Wind朝阳永续数据来源中信建投Wind朝阳永续注数据截至20211231注数据截至20211231请参阅最后一页的重要声明多因子与ESG策略量化深度报告33个股间考虑新闻共同报道的收益率相关性分析为衡量存在新闻共同报道关系的个股在价格波动性上的一致性本报告在2017年6月-2021年12月以每半年的频率统计在A股市场全样本和过去6个月中有新闻共同报道的样本中股票之间的收益率相关系数的分布情况统计结果见图表8相关系数的数据分布见图表9除2017年外新闻共同报道样本的收益率相关系数的均值和各个分位数高出全样本1-9从相关系数分布图上看存在新闻共同报道关系的个股相关系数分布在各个区间上相对于全市场有不同程度的右移动且尖峰程度更低图表8个股在全样本与新闻共同报道样本下的收益率相关系数描述统计数据来源中信建投Wind朝阳永续注数据截至20211231图表9个股在全样本与新闻共同报道样本下的收益率相关系数分布数据来源中信建投Wind朝阳永续注数据截至20211231请参阅最后一页的重要声明多因子与ESG策略量化深度报告四新闻共同报道在模型训练中的应用41基于新闻共同报道的衍生因子构建本报告进一步对利用前文所述的共同报道矩阵对因子进行处理首先对各个元素除以其所在行的和得到权重矩阵特定因子为各个股票对应的特定因子值是一个1的向量下称原有因子即11其中表示第个股票的因子值对于上述因子向量进行如下运算可以得到对应的衍生因子其中为集成了新闻共同报道相关股票的衍生因子值也是一个1的向量下称衍生因子对于某只特定股票其原有因子值为则衍生因子值为1衍生因子的因子值代表了对于每个股票而言其在新闻共同报道关系网上有关系的个股的因子值根据他们之间的关联度进行加权求和的结果42衍生因子对原始因子的信息增量为了衡量通过新闻共同报道矩阵处理得到的衍生因子库对原始因子库的信息增量研究计算了各个原有因子及其衍生因子的两两相关性并进一步整理不同分位数区间下相关性的分布情况结果列示在图表10中从全周期来看衍生因子与原始因子的相关系数均值为在2369各个年份上均值在20-27之间衍生因子与原始因子的相关系数的均值呈逐年增加的趋势相关系数总体比分析师共同覆盖供应链关系衍生因子高截至2022年衍生因子与原始因子相关系数最大不超过50在线性维度上衍生因子的信息增量仍能保证图表10衍生因子与原有因子的相关性分布特征均值10分位数20分位数30分位数40分位数50分位数60分位数70分位数80分位数90分位数20172033670964129215811939222426543031338120182165684106815201872221824752811311835262019220771612791631190422292481274730583321202023621112140817732057234526562947321434932021264212991694205023362688293232263483400520222749113017402102252728103107338936854273全周期236997814131710200323712631289132263634数据来源中信建投Wind朝阳永续注数据截至20221230请参阅最后一页的重要声明多因子与ESG策略量化深度报告43衍生因子在模型训练中的应用应用上述方法本报告基于原有因子库的376个因子衍生出对应的衍生因子库通过对衍生因子的单独应用和与原有因子库的联合应用分析基于新闻共同报道关系的衍生因子相对于存量因子库的增量431衍生因子库与原有因子库的联合应用分析基于已有因子库和新闻共同报道关系矩阵衍生的因子本文进一步在模型训练-因子合成-因子评估测试场景设计对照实验评估分析利用新闻共同报道关系矩阵基于本文所提供的方式批量衍生出的因子相对于原始因子库带来的策略维度的增量在模型训练环节本文采用了XGBOOST模型该模型是梯度提升树模型的一种将损失函数作二阶泰勒展开利用损失函数的二阶导数信息优化损失函数并且在防止过拟合方面加入了正则化学习率列采样近似最优分割点等手段已有研究表明其Boosting效果良好本文通过滚动训练的方式每10个交易日训练一次模型并用于未来10个交易日的选股和组合构建在因子选择上本文的实验每次选取100个因子进行训练每次因子选择的标准基于量价因子策略库文中的评估结果训练日最近一年末的ICIR绝对值最大的前100个因子作为模型输入例如在T日进行模型训练时根据过去一年全年每个因子的ICIR绝对值对所有因子排序取376个因子中ICIR绝对值最大的前100个因子作为训练模型的特征在样本处理上对于每个因子将其在每天的截面上进行595的winsorize缩尾处理再对缩尾之后的因子进行截面标准化对于T日的每个样本使用Tl日VWAP对T6日的VWAP计算收益率作为标签在每个交易日的界面上对标签进行标准化此操作是因为本文建模的应用场景为截面选股场景对于机器学习模型而言不同交易日上由于行情差异带来的收益率量纲上的差异不应该被模型学习到图表11模型滚动训练示意图资料来源中信建投请参阅最后一页的重要声明多因子与ESG策略量化深度报告为了评估新闻共同报道关系信息对因子库模型和策略带来的增量本文采取以下平行对照实验1ML每次训练将根据上述流程选出的前100个因子作为个股的样本特征2MLNewsCoOcur每次训练将根据上述流程选出的前100个因子利用新闻共同报道关系提取的矩阵进行矩阵乘法对每个因子衍生出一个新因子从而每个样本为原始100个因子衍生100个因子的200维特征通过该方法进行模型训练意味着使用个股自身的特征维度以及在新闻共同报道关系网上和其有关联的个股的特征维度一起对个股的收益率进行预测432叠加衍生因子模型输出的有效性分析为了衡量经过新闻共同报道矩阵处理后因子的有效性研究评估了叠加衍生因子所训练模型在测试集上的输出和原有因子所训练模型在测试集上的输出计算输出和未来5日收益率的IC和年化IR从全周期来看叠加新闻共同报道关系因子的模型输出IC为714相对原始因子模型输出提升135年化IR值为542相对原始因子模型输出提升09从各个年份来看除2021年外新闻共同报道关系提取因子结果的IC均有不同程度的提升最大在2018年达到了近4年化IR也有所改进最大在2018年达到了45图表12联合训练合成因子IC年化IRIC年化IRMLMLNewsCoOcurMLMLNewsCoOcur2018797117874511962019763819616654202055573738455520214093973122932022365429306323全周期579714452542数据来源中信建投Wind朝阳永续注数据截至20221230433模型输出在因子选股中的表现1分层测试本报告进一步通过分组多空测试评估比较两种方案下模型输出的效果股票池为中证全指成分股剔除其中被ST和停牌的股票回测区间为20180101-20221230将因子分为5层市值加权5日调仓进行测试不考虑交易费用为了避免不同回测起始交易日下的日历效应路径依赖带来的影响每个分组的回测将资金分为5份在T0日-T4日每日作为回测的起点进行一次回测并将5个子组合的收益求平均后作为最终该分组的收益分组测试结果见图表13和图表14请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表13单因子分组测试ML图表14单因子分组测试MLNewsCoOcur分组0分组1分组2分组0分组1分组2分组3分组4多空组合分组3分组4多空组合4433221100202103262021081820180102201803192018053120180809201810252019010420190321201906042019081320191029202001072020032420200605202008172020110220210111202106092021110420220113202203302022061520220823202008172022061520180102201803192018053120180809201810252019010420190321201906042019081320191029202001072020032420200605202011022021011120210326202106092021081820211104202201132022033020220823数据来源Wind中信建投朝阳永续数据来源Wind中信建投朝阳永续注数据截至20221230注数据截至202212302头部组合表现图表15和图表16展示了头部组合效果叠加新闻共同报道信息后头部组合在年化超额收益夏普比率回撤胜率卡玛比率等指标整体上均有不同程度改善全周期来看年化收益增加了23夏普比率增加了008其中2020年优化幅度较大年化收益提升了9图表15原始因子与叠加衍生因子在头部组合的表现年化收益夏普比率年化波动率最大回撤日胜率Calmar年化超额超额夏普比率超额年化波动率超额最大回撤超额日胜率MLNewsCoOcur-680-020227814745185-046249348664859463222018ML-966-037215316384897-05922064636065436281MLNewsCoOcur394918119531347569729358906561893851032019ML42081971881125456973368471015684615226MLNewsCoOcur6723224243518075761372433241173842961982020ML581520423951561576137334243347363405909MLNewsCoOcur1866102186114515391129139818072271153722021ML153209117481449555610610641407095635331MLNewsCoOcur-938-043187920024647-047119518574369653752022ML-937-040196421225021-04411962226284295542MLNewsCoOcur1902094209523165362082199626469810235664全周期ML167208620422122541207917662506546205647数据来源中信建投Wind朝阳永续注数据截至20221230请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表16原始因子与叠加衍生因子在头部组合的净值头部组合净值3252151050201801022018021320180403201805212018070320180814201809262018111420181226201902152019032920190516201906282019080920190923201911112019122320200212202003252020051220200623202008062020091720201106202012182021020120210322202105072021062120210802202109132021110320211215202201272022031720220505202206172022072920220909MLNewsCoOcurML中证全指数据来源中信建投Wind朝阳永续注数据截至202212303多空组合表现图表17和图表18展示了多空组合的表现叠加新闻共同报道信息后多空组合在年化收益夏普比率波动率回撤胜率卡玛比率上均有不同程度改进其中在2020年改善最佳年化收益提升了86全周期来看年化收益增加了24夏普比率增加了02图表17原始因子与叠加衍生因子在多空组合的表现年化收益夏普比率年化波动率最大回撤日胜率Calmar年化超额超额夏普比率超额年化波动率超额最大回撤超额日胜率MLNewsCoOcur62194791025650617395793913702298138660332018ML5451360123483059676578623304264418335868MLNewsCoOcur1178107110011095369106-2183-0762569337248562019ML172515810454435369389-1635-055266228404609MLNewsCoOcur62233811298810642076838310992536174154962020ML5361298148567257617982970071280818045496MLNewsCoOcur8770611586184151850484090182052175948352021ML361030163723725391015-107-005223624875207MLNewsCoOcur55505112041730527003226881052665327450832022ML636069971110753940572769118241425505333MLNewsCoOcur27581991263184156921502852098244233915260全周期ML25171791301237255851062612086256529935301数据来源中信建投Wind朝阳永续注数据截至20221230请参阅最后一页的重要声明多因子与ESG策略量化深度报告图表18原始因子与叠加衍生因子在多空组合的净值多空组合净值43532521510502019101820211216201801022018021420180409201805242018070920180821201810112018112320190109201902282019041520190531201907162019082820191202202001152020030620200421202006082020072320200904202010272020120920210122202103152021042820210616202107292021091020211103202202072022032220220511202206242022080820220921MLNewsCoOcurML数据来源中信建投Wind朝阳永续注数据截至20221230五总结与展望本期报告拓展自团队早期对供应链关系和分析师共同覆盖关系的研究探究了刻画股票之间关系的另一个维度新闻共同报道基于该类关系构造了股票之间的关系矩阵展开分析从特征工程的角度入手对本团队量价因子策略库报告中所提及的300余个因子通过矩阵乘法的方式进行特征提取从而衍生出新的因子特征并将原始因子和衍生因子一起用于XGBOOST模型的训练在个股截面收益率预测任务上将个股自身行情信息和个股在新闻共同报道上相关的其他个股的行情信息联合起来预测从而带来模型训练过程中的信息增量以及组合投建环节的增量从实验结果上看叠加新闻共同报道关系矩阵衍生出的因子相比于原始因子而言在模型输出结果的IC上提升135年化IR上提升09在分组测试多空收益等评估维度上叠加新闻共同报道关系矩阵衍生因子训练的模型方案相对原始因子建模方案带来不同程度的超额收益夏普风险层面的优化请参阅最后一页的重要声明多因子与ESG策略量化深度报告六风险提示本报告所涉及的因子挖掘是基于历史行情总结规律后所刻画出的股价先行指标其有效性会随着市场风格变化因子被使用的程度等因素发生变化本报告所介绍的机器学习模型是基于历史数据进行训练拟合假设数据中的信息和经验能在未来延续市场风格变化极端行情等因素都会导致这一假设在部分时段不成立投资者应结合自身情况自主对相关方法进行选择性使用并自行承担相应风险本报告所介绍的方法论不构成投资收益的保证或投资建议请参阅最后一页的重要声明多因子与ESG策略量化深度报告参考文献1WuQBrintonCGZhangZetalEquity2vecEnd-to-enddeeplearningframeworkforcross-sectionalassetpricingCProceedingsoftheSecondACMInternationalConferenceonAIinFinance20211-9请参阅最后一页的重要声明多因子与ESG策略量化深度报告鲁植宸多因子与策略组分析师中国科学院硕士曾在头部券商自营从事分析师介绍ESG量化投研和实盘管理工作在人工智能机器学习算法的量化应用方面有从学术研究到策略设计实盘落地及策略管理的全周期经验研究方向覆盖机器学习算法多因子模型-策略设计建模训练过程优化样本特征处理技术ESG策略和指数编制等徐建华总监多因子与策略组首席先后就职于公司和标普研究助理ESGMSCIBarra公司等专业研究机构具有十多年金融市场研究统计建模等专业经验为多家银行基金和保险等资管客户提供因子模型投资组合优化管理基金评价指数研究以及风险管理等咨询请参阅最后一页的重要声明多因子与ESG策略量化深度报告评级说明投资评级标准评级说明报告中投资建议涉及的评级标准为报买入相对涨幅15以上告发布日后6个月内的相对市场表现增持相对涨幅515也即报告发布日后的6个月内公司股股票评级中性相对涨幅-55之间价或行业指数相对同期相关证券市减持相对跌幅515场代表性指数的涨跌幅作为基准A股卖出相对跌幅15以上市场以沪深300指数作为基准新三板强于大市相对涨幅10以上市场以三板成指为基准香港市场以恒中性相对涨幅之间行业评级-10-10生指数作为基准美国市场以标普500弱于大市相对跌幅10以上指数为基准分析师声明本报告署名分析师在此声明i以勤勉的职业态度专业审慎的研究方法使用合法合规的信息独立客观地出具本报告结论不受任何第三方的授意或影响ii本人不曾因不因也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿法律主体说明本报告由中信建投证券股份有限公司及或其附属机构以下合称中信建投制作由中信建投证券股份有限公司在中华人民共和国仅为本报告目的不包括香港澳门台湾提供中信建投证券股份有限公司具有中国证监会许可的投资咨询业务资格本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格证书编号已披露在报告首页在遵守适用的法律法规情况下本报告亦可能由中信建投国际证券有限公司在香港提供本报告作者所持香港证监会牌照的中央编号已披露在报告首页一般性声明本报告由中信建投制作发送本报告不构成任何合同或承诺的基础不因接收者收到本报告而视其为中信建投客户本报告的信息均来源于中信建投认为可靠的公开资料但中信建投对这些信息的准确性及完整性不作任何保证本报告所载观点评估和预测仅反映本报告出具日该分析师的判断该等观点评估和预测可能在不发出通知的情况下有所变更亦有可能因使用不同假设和标准或者采用不同分析方法而与中信建投其他部门人员口头或书面表达的意见不同或相反本报告所引证券或其他金融工具的过往业绩不代表其未来表现报告中所含任何具有预测性质的内容皆基于相应的假设条件而任何假设条件都可能随时发生变化并影响实际投资收益中信建投不承诺不保证本报告所含具有预测性质的内容必然得以实现本报告内容的全部或部分均不构成投资建议本报告所包含的观点建议并未考虑报告接收人在财务状况投资目的风险偏好等方面的具体情况报告接收者应当独立评估本报告所含信息基于自身投资目标需求市场机会风险及其他因素自主做出决策并自行承担投资风险中信建投建议所有投资者应就任何潜在投资向其税务会计或法律顾问咨询不论报告接收者是否根据本报告做出投资决策中信建投都不对该等投资决策提供任何形式的担保亦不以任何形式分享投资收益或者分担投资损失中信建投不对使用本报告所产生的任何直接或间接损失承担责任在法律法规及监管规定允许的范围内中信建投可能持有并交易本报告中所提公司的股份或其他财产权益也可能在过去12个月目前或者将来为本报告中所提公司提供或者争取为其提供投资银行做市交易财务顾问或其他金融服务本报告内容真实准确完整地反映了署名分析师的观点分析师的薪酬无论过去现在或未来都不会直接或间接与其所撰写报告中的具体观点相联系分析师亦不会因撰写本报告而获取不当利益本报告为中信建投所有未经中信建投事先书面许可任何机构和或个人不得以任何形式转发翻版复制发布或引用本报告全部或部分内容亦不得从未经中信建投书面授权的任何机构个人或其运营的媒体平台接收翻版复制或引用本报告全部或部分内容版权所有违者必究中信建投证券研究发展部中信建投国际北京上海深圳香港东城区朝内大街2号凯恒中心B上海浦东新区浦东南路528号福田区益田路6003号荣超商务中环交易广场2期18楼座12层南塔2106室中心B座22层电话86108513-0588电话86216882-1600电话867558252-1369电话8523465-5600联系人李祉瑶联系人翁起帆联系人曹莹联系人刘泓麟邮箱lizhiyaocsccomcn邮箱wengqifancsccomcn邮箱caoyingcsccomcn邮箱charleneliucscihk请参阅最后一页的重要声明