多因子模型构建流程一、数据预处理二、单因子测试三、收益模型的构建四、风险模型的构建五、投资组合的优化六、业绩归因七、参考资料 一、数据预处理 （一）去极值 1. MAD(Median Absolute Deviation, 绝对值差中位数法) 步骤: （1）计算因子数据的中位数XmedianX_{median}Xmedian​. （2）计算因子数据与中位数的绝对偏差值∣Xi−Xmedian∣|X_i-X_{median}|∣Xi​−Xmedian​∣. （3）计算绝对偏差值∣Xi−Xmedian∣|X_i-X_{median}|∣Xi​−Xmedian​∣的中位数MADMADMAD. （4）确

网上基本找不到俱乐部收敛的运行方法，太难了！我这里提供PS收敛（非线性时变因子模型）的代码，找了很久，清晰简单明了，压缩包附带参考文献，供大家学习！

MIT版深度学习第13章 深度学习线性因子模型.线性因子模型被定义为通过随机、线性的解码器模型（decoder function），通过在一个线性变换加上噪声，来生成输入空间

以python构建Fama and French三因子（MKT、SMB、HML），代码从网络整理，可以运行，数据可通过tushare pro下载。

找到俱乐部收敛的方法太难了，基本没有，这个资源包括stata代码和详细的参考文献，清晰明了

在本文中，我们使用美国服务业的数据对新模型进行了经验检验，这是Fama和French（2015）[1]中5要素模型的扩展。 比较了5种因素的3种类型（全球，北美和美国）。 实证结果表明，Fama-French 5个因素仍然有效！ 与Fama和French（2015）的5因子模型相比，新模型的样本内拟合更好。

论文研究-广义动态因子模型在景气指数构建中的应用——中国金融周期景气分析.pdf,  传统的景气指数构建方法, 例如广为应用的OECD合成指数方法,不能刻画动态性及指标间的关系,而只能构建单一景气指数.广义动态因子模型方法,不仅可以反映经济系统的动态联系,而且可以在一个统一的框架下同时构建多个景气指数. 然而,该模型引入对称滤子导致实时分析存在滞后性.该文首先对算法在样本尾端进行单边化处理, 解决实时分析的问题; 其次,应用广义动态因子模型, 在统一的模型框架下,同时分析中国的货币、信贷、利率等子周期,在此基础上构建了中国的金融周期景气指数,分析中国金融周期的波动及其与重要宏观经济指标间的动态关系.

论文研究-动态因子模型的结构识别研究.pdf,  为了将关于动态因子模型载荷矩阵元素的零约束和外生冲击脉冲响应函数的零约束合并，本文首先提出了一类识别动态因子模型的零识别约束；其次，在这类零识别约束条件下，本文分别给出了判断动态因子模型可全局识别和恰好识别的秩条件.此外，对于恰好识别的动态因子模型，本文还给出了一种识别算法，该算法可以有效地解决在实证分析中动态因子模型的识别问题.

我们为面板数据开发了一个广义动态因子模型，目的是估计未观察到的指数。 虽然在动态因子分析的文献中已经开发了类似的模型，但我们的贡献是三方面的。 首先，与在每个时间段测量同一主题的多个属性的简单动态因素分析相反，我们的模型还考虑了多个主题。 因此它适用于面板数据框架。 其次，我们的模型为每个时间段的每个受试者估计了一个独特的未观察到的指数，这与之前使用所有受试者通用的时间指数的工作相反。 第三，我们开发了一种新颖的迭代估计过程，我们称之为两周期条件期望最大化 (2CCEM) 算法，并且足够灵活以处理各种不同类型的数据集。 该模型应用于测量与供水和卫生设施运营相关的属性的面板上。

混频因素模型 matlab代码用于实时视觉跟踪的具有铰链损失的 Siamese 网络 介绍 Siamese 网络因其平衡的效率、准确性和速度而在视觉跟踪领域非常受欢迎。 但是，这些跟踪器中使用的骨干网络仍然是经典的 AlexNet，它没有捕获现代深度神经网络的功能。 我们通过以下方式提高全卷积孪生跟踪器性能的建议： 使用 Hinge 损失函数提高 SiamDW 实现的性能 主要结果 结果基于 CIRResNet22​​-RPN 模型，使用更简单的损失函数（逻辑损失），而不是我们的铰链损失函数 VOT 和 OTB 的主要结果 楷模 VOT16 VOT17 VOT18 物流损失 0.331 0.376 0.294 铰链损失（我们的） 0.312 0.318 0.322 焦点损失（我们的） --- --- --- 环境 初始环境：GPU：NVIDIA .GTX 1050 高级环境：代码使用 Ryzen 5 1600x 6 core 12 thread CPU @ 4.20GHz RAM：16GB GPU：NVIDIA .RTX2060 训练 数据准备 有预处理的数据集VID 、 YTB 、