156 lines
7.0 KiB
Plaintext
156 lines
7.0 KiB
Plaintext
研究因子名称
|
||
基金季报超预期一致动量
|
||
|
||
假设
|
||
基金经理的管理能力不仅体现在其历史业绩的持续性上，更反映在对上市公司未来盈利的预判和先导性布局上。当一只基金在季度报告中，其重仓股组合的整体未来盈利预期（如下季度一致预期EPS的调整幅度）显著优于市场平均水平时，这表明该基金经理的选股能力获得了专业卖方分析师的即时验证，其持仓组合蕴含着未被市场完全定价的积极信息。这种基于机构专业判断形成的“超预期共识”将产生持续的动量效应，因为信息的消化和资金的跟进需要时间，使得具备该特征的基金在未来一段时间内有望继续跑赢。
|
||
|
||
实施方案
|
||
在每季度基金报告（季报/年报）披露后，提取其公布的前十大重仓股及其持仓权重。对于每只重仓股，计算其在基金报告截止日之后（如下一月）的卖方一致预期EPS（未来12个月）的月度环比调整百分比。然后，以持仓市值为权重，加权计算该基金重仓股组合的整体预期调整幅度。将此加权调整幅度与全市场所有股票的平均预期调整幅度（或基准指数成分股的平均值）进行比较，得到“超预期幅度”因子值。最终，根据该因子值对所有基金进行排序，构建多空组合或用于截面收益预测。
|
||
|
||
|
||
*=========================================================================================*
|
||
|
||
输出格式：
|
||
输出必须是且仅是纯文本。
|
||
每一行是一个完整、独立、语法正确的WebSim表达式。
|
||
严禁任何形式的解释、编号、标点包裹（如引号）、Markdown格式或额外文本。
|
||
|
||
===================== !!! 重点(输出方式) !!! =====================
|
||
现在，请严格遵守以上所有规则，开始生成可立即在WebSim中运行的复合因子表达式。
|
||
不要自行假设, 你需要用到的操作符 和 数据集, 必须从我提供给你的里面查找, 并严格按照里面的使用方法进行组合
|
||
**输出格式**(一行一个表达式, 每个表达式中间需要添加一个空行, 只要表达式本身, 不需要赋值, 不要解释, 不需要序号, 也不要输出多余的东西)：
|
||
|
||
表达式
|
||
|
||
表达式
|
||
|
||
表达式
|
||
|
||
...
|
||
|
||
表达式
|
||
=================================================================
|
||
|
||
重申：请确保所有表达式都使用WorldQuant WebSim平台函数，不要使用pandas、numpy或其他Python库函数。输出必须是一行有效的WQ表达式。
|
||
以下是我的账号有权限使用的操作符, 请严格按照操作符, 以及我提供的数据集, 进行生成,组合 50 个 alpha：
|
||
不要自行假设, 你需要用到的操作符 和 数据集, 必须从我提供给你的里面查找, 并严格按照里面的使用方法进行组合
|
||
!! 数据集使用要求尽量分散, 不要重复使用
|
||
!! 数据集使用要求尽量分散, 不要重复使用
|
||
=================================================================
|
||
**操作符汇总
|
||
|
||
**算术运算符 (Arithmetic):
|
||
abs(x) - 绝对值
|
||
add(x, y, filter=false) - 加法 (x + y)
|
||
densify(x) - 分组字段稠密化
|
||
divide(x, y) - 除法 (x / y)
|
||
inverse(x) - 倒数 (1/x)
|
||
log(x) - 自然对数
|
||
max(x, y, ..) - 最大值
|
||
min(x, y, ..) - 最小值
|
||
multiply(x, y, filter=false) - 乘法 (x * y)
|
||
power(x, y) - 幂运算 (x^y)
|
||
reverse(x) - 取反 (-x)
|
||
sign(x) - 符号函数
|
||
signed_power(x, y) - 保留符号的幂运算
|
||
sqrt(x) - 平方根
|
||
subtract(x, y, filter=false) - 减法 (x - y)
|
||
to_nan(x, value=0, reverse=false) - 值与NaN转换
|
||
|
||
**逻辑运算符 (Logical):
|
||
and(input1, input2) - 逻辑与
|
||
if_else(input1, input2, input3) - 条件判断
|
||
input1 < input2 - 小于比较
|
||
input1 <= input2 - 小于等于
|
||
input1 == input2 - 等于比较
|
||
input1 > input2 - 大于比较
|
||
input1 >= input2 - 大于等于
|
||
input1 != input2 - 不等于
|
||
is_nan(input) - 是否为NaN
|
||
not(x) - 逻辑非
|
||
or(input1, input2) - 逻辑或
|
||
|
||
**时间序列运算符 (Time Series):
|
||
days_from_last_change(x) - 上次变化天数
|
||
hump(x, hump=0.01) - 限制变化幅度
|
||
jump_decay(x, d, sensitivity=0.5, force=0.1) - 跳跃衰减
|
||
kth_element(x, d, k) - 第K个值
|
||
last_diff_value(x, d) - 最后一个不同值
|
||
ts_arg_max(x, d) - 最大值相对索引
|
||
ts_arg_min(x, d) - 最小值相对索引
|
||
ts_av_diff(x, d) - 与均值的差
|
||
ts_backfill(x, lookback=d, k=1, ignore="NAN") - 回填
|
||
ts_corr(x, y, d) - 时间序列相关性
|
||
ts_count_nans(x, d) - NaN计数
|
||
ts_covariance(y, x, d) - 协方差
|
||
ts_decay_linear(x, d, dense=false) - 线性衰减
|
||
ts_delay(x, d) - 延迟值
|
||
ts_delta(x, d) - 差值 (x - 延迟值)
|
||
ts_max(x, d) - 时间序列最大值
|
||
ts_mean(x, d) - 时间序列均值
|
||
ts_min(x, d) - 时间序列最小值
|
||
ts_product(x, d) - 时间序列乘积
|
||
ts_quantile(x, d, driver="gaussian") - 分位数
|
||
ts_rank(x, d, constant=0) - 时间序列排名
|
||
ts_regression(y, x, d, lag=0, rettype=0) - 回归分析
|
||
ts_scale(x, d, constant=0) - 时间序列缩放
|
||
ts_std_dev(x, d) - 时间序列标准差
|
||
ts_step(1) - 天数计数器
|
||
ts_sum(x, d) - 时间序列求和
|
||
ts_target_tvr_decay(x, lambda_min=0, lambda_max=1, target_tvr=0.1) - 目标换手率衰减
|
||
ts_target_tvr_delta_limit(x, y, lambda_min=0, lambda_max=1, target_tvr=0.1) - 目标换手率差值限制
|
||
ts_zscore(x, d) - 时间序列Z分数
|
||
|
||
**横截面运算符 (Cross Sectional):
|
||
normalize(x, useStd=false, limit=0.0) - 标准化
|
||
quantile(x, driver=gaussian, sigma=1.0) - 分位数转换
|
||
rank(x, rate=2) - 排名
|
||
scale(x, scale=1, longscale=1, shortscale=1) - 缩放
|
||
scale_down(x, constant=0) - 按比例缩放
|
||
vector_neut(x, y) - 向量中性化
|
||
winsorize(x, std=4) - 缩尾处理
|
||
zscore(x) - Z分数
|
||
|
||
**向量运算符 (Vector):
|
||
vec_avg(x) - 向量均值
|
||
vec_max(x) - 向量最大值
|
||
vec_min(x) - 向量最小值
|
||
vec_sum(x) - 向量求和
|
||
|
||
**变换运算符 (Transformational):
|
||
bucket(rank(x), range="0,1,0.1" or buckets="2,5,6,7,10") - 分桶
|
||
generate_stats(alpha) - 生成统计量
|
||
trade_when(x, y, z) - 条件交易
|
||
|
||
**分组运算符 (Group):
|
||
combo_a(alpha, nlength=250, mode='algo1') - 组合Alpha
|
||
group_backfill(x, group, d, std=4.0) - 分组回填
|
||
group_cartesian_product(g1, g2) - 笛卡尔积分组
|
||
group_max(x, group) - 分组最大值
|
||
group_mean(x, weight, group) - 分组均值
|
||
group_min(x, group) - 分组最小值
|
||
group_neutralize(x, group) - 分组中性化
|
||
group_rank(x, group) - 分组排名
|
||
group_scale(x, group) - 分组缩放
|
||
group_zscore(x, group) - 分组Z分数
|
||
|
||
**特殊运算符 (Special):
|
||
in - 包含判断
|
||
self_corr(input) - 自相关性
|
||
universe_size - 宇宙大小
|
||
|
||
**归约运算符 (Reduce):
|
||
reduce_avg(input, threshold=0) - 平均值归约
|
||
reduce_choose(input, nth, ignoreNan=true) - 选择归约
|
||
reduce_count(input, threshold) - 计数归约
|
||
reduce_ir(input) - IR归约
|
||
reduce_kurtosis(input) - 峰度归约
|
||
reduce_max(input) - 最大值归约
|
||
reduce_min(input) - 最小值归约
|
||
reduce_norm(input) - 范数归约
|
||
reduce_percentage(input, percentage=0.5) - 百分比归约
|
||
reduce_powersum(input, constant=2, precise=false) - 幂和归约
|
||
reduce_range(input) - 范围归约
|
||
reduce_skewness(input) - 偏度归约
|
||
reduce_stddev(input, threshold=0) - 标准差归约
|
||
reduce_sum(input) - 求和归约 |