استراتژی انتخاب سهام بر اساس عوامل اساسی

در سالهای اخیر ، سرمایه گذاری فاکتور در بین سرمایه گذاران نهادی جهانی محبوبیت قابل توجهی کسب کرد. در این آموزش ، ما ابتدا یک مدل انتخاب فاکتور را برای آزمایش در صورتی که فاکتورها توانایی تمایز برندگان و بازنده های بالقوه در بازار سهام را داشته باشند ، تهیه کردیم. سپس ما از این عوامل از پیش تعیین شده برای اجرای الگوریتم انتخاب سهام فاکتور بر اساس مدل انتخاب سهام مبتنی بر فاکتور برای سهام ترکیه ، 2015 ، Ayhan Yüksel استفاده می کنیم.

انتخاب عامل

QuantCoect داده های اصول Moingstar را برای سهام ایالات متحده ارائه می دهد. نسبت ارزیابی داده های روزانه است. برای دیگران مانند نسبت عملیات و صورتهای مالی بسته به ملک ، داده های مختلف برای چندین دوره در دسترس هستند. برای مشاهده عوامل اساسی که در دسترس هستند ، به ویژگی های نقطه داده مراجعه کنید.

این الگوریتم برای آزمایش اهمیت یک عامل هر بار طراحی شده است.

مرحله 1: رتبه بندی سهام بر اساس مقادیر فاکتور

ابتدا سهام را با حجم دلار روزانه مرتب می کنیم و سهام برتر را با بالاترین حجم دلار به عنوان کاندیداهای خود می گیریم. یک روش مناسب با استفاده از API انتخاب جهان ما وجود دارد. جهان ها هر روز به طور پیش فرض تازه می شوند. در اینجا ما از API رویدادهای برنامه ریزی شده برای ایجاد کد برای اجرای اولین روز معاملات هر ماه استفاده می کنیم و از سه متغیر پرچم برای کنترل تعادل درشت انتخاب ، انتخاب جریمه و عملکردهای ONDATA استفاده می کنیم.

انتخاب جهان درشت ، داده های جهانی داخلی است که توسط QuantCoect ارائه می شود و به شما امکان می دهد تا جهان بیش از 16000 نماد را فیلتر کنید تا قبل از الگوریتم خود فیلتر خشن را انجام دهید. از آنجا که عملکرد انتخاب درشت تمام سهام از جمله ETF را که هیچ اطلاعات اساسی در نظر گرفته اند ، به خود اختصاص می دهد ، ما به ویژگی X. hasfundamentaldata نیاز داریم تا آنها را از استخر سهام نامزد ما محروم کند.

ما مقادیر عاملی سهام نامزد را در ابتدای هر ماه استخراج می کنیم و سهام را به ترتیب صعودی مقادیر فاکتور آنها مرتب می کنیم. در اینجا ما از داده های سرمایه مبتنی بر ریسک 12 ماهه استفاده می کنیم

به عنوان مثال. این جمع سرمایه Tier 1 و Tier 2 است. x. symbol. value می تواند نماد رشته ای از سهام انتخاب شده x را ارائه دهد. سپس ما آن نمادهای مرتب شده را به عنوان self. symbol ذخیره می کنیم.

مرحله 2: بازده ماهانه اوراق بهادار را محاسبه کنید

در پایان هر ماه ، ما تاریخ یک ماهه نزدیک هر سهام را استخراج می کنیم و بازده ماهانه را محاسبه می کنیم.

ما سهام را به 5 پرتفوی تقسیم می کنیم و میانگین بازده ماهانه هر نمونه کارها را محاسبه می کنیم. سپس بازده ماهانه معیار "جاسوسی" را در آخرین خط قاب داده df_retu اضافه می کنیم.

مرحله 3: معیارها را برای آزمایش اهمیت عامل ایجاد کنید

پس از دریافت بازده ماهانه اوراق بهادار و معیار ، میانگین بازده سالانه و بازده بیش از حد بیش از معیار هر نمونه کارها را در کل دوره پشتی محاسبه می کنیم. سپس ما سه معیار ایجاد می کنیم تا در مورد اهمیت هر عامل قضاوت کنیم.

• اولین معیارها همبستگی بین بازده نمونه کارها و رتبه آنهاست. مقدار مطلق ضریب همبستگی باید از 0. 8 بزرگتر باشد.
• اگر بازگرداندن نمونه کارها رتبه اول بزرگتر از نمونه کارها در پایین رتبه های بازگشت ، ما آن را به عنوان نمونه کارها برنده و سبد ضرر تعریف می کنیم و برعکس. احتمال پیروزی این احتمال است که بازگرداندن نمونه کارها برنده از بازده معیار بازگردد. احتمال از دست دادن این احتمال است که سبد ضرر بازگردد که معیار را برآورده کند. اگر این عامل معنی دار باشد ، هر دو احتمال از دست دادن و پیروزی باید بیشتر از 0. 4 باشد.
• بازده اضافی نمونه کارها برنده باید بیشتر از 0. 25 باشد ، در حالی که بازده اضافی سبد ضرر باید پایین تر از 0. 05 باشد.

جداول زیر نتیجه تست اهمیت فاکتور را نشان می دهد:

ما 4 عامل را انتخاب می کنیم: FCFyield ، PriceChange1m ، BookValuePershare و درآمد.

انتخاب سهام

بعد سهام را انتخاب خواهیم کرد.

مرحله 1: سهام را بر اساس مقادیر فاکتور رتبه بندی کنید

ابتدا سهام را بدون داده های اساسی حذف می کنیم یا ارزش ضریب صفر داریم. برای هر عامل از پیش انتخاب شده ، ما سهام را با آن مقادیر عاملی رتبه بندی می کنیم. اگر همبستگی فاکتور منفی باشد ، در حال نزول است ، صعود است اگر همبستگی فاکتور مثبت باشد.

مرحله 2: نمرات فاکتور کامپوزیت به همان اندازه را محاسبه کنید

مرحله دوم استفاده از متغیرهای مختلف فاکتور انتخاب شده برای محاسبه نمره فاکتور کامپوزیت به همان اندازه وزن برای هر سهام است.