基本的单因子选股策略框架-使用python的opencv模块识别滑动验证码的缺口（推荐）

图 5.3 基本的单因子选股策略框架 因子的值来预测下一期或者下一段时间的收益率。这里选用简单的线性回归来完成预 测工作，如下式所示： , 1 1 N t n n t n r a b f     其中 t r 是时刻 t 的股票收益率， , 1n t f  即为 t-1 时刻下第 n 个因子的大小， a 和 n b 是回 归式中的系数。进行交易决策的时间点为 t 时刻初、t-1 时刻末，因此回归式左边为预 测值，回归式右边的所有成分则都是决策点下的已知信息。在预测出每一支股票在时 刻 t 的收益率之后，按照收益预期值从大到小进行排序，然后选取排在前列的股票作 为当前可以建仓的股票。 需要特别说明的是，在某些量化交易策略的相关资料当中，会把对于不同股票而 言取值一致的回归系数 n b 称之为风险因子，而将具体的股票特征值 , 1n t f  称之为各支 股票在因子上的溢价。这主要是因为学术界在套利定价理论等研究的基础上，形成了 一种约定俗成的叫法，其中风险因子对于所有资产应该保持一致，而因子溢价则各有 不同。不过在量化选股策略中，对比本节所使用的称谓，这种叫法以及其他一些叫法 并不是非常直观，因此不予以使用。如果读者在阅读其他资料时碰到不一样的名称， 只需对号入座弄清准确含义即可。 a 和 n b 等参数的优化和拟合，书中使用的是法玛与麦克贝斯给出的一种线性回归 估计方法。如果可以获得 T 个时间段的因子数据以及相应的下一期股票收益率数据， 那么对于上面的线性回归式而言，一共可以进行 T 次估计，表示如下： , , 1 1 N t t n t n t n r a b f     , 1,...,t T 相比起上一个回归时， a 和 n b 的形式略有变动。 t a 和 ,n t b 代表一共可以得到 T 组 a 和 交易决策时的因子大小 选入 不选入 排序 前列 其他