【中信建投金融工程】深度专题117:掘金机构调研事件选股策略

鲁明量化全视角 2022-09-23 09:04

重要提示:通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司(下称“中信建投”)客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制,若您并非中信建投客户中的机构类专业投资者,为控制投资风险,请您请取消关注,请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意,感谢您的理解与配合!

主要结论

机构调研现象分析

机构调研一般指基金公司、保险公司、证券公司等专业投资者通过参与特定对象调研,分析师会议,业绩说明会等方式了解公司内部经营状况和上涨潜力的行为,一般说明该股具有一定的投资价值,可能包括行业处于拐点,业绩有较大增幅等信息。

2012年8月份至今机构调研次数趋于稳定,有81%的月份当月机构调研次数高于500次,有95.7%的月份当月机构调研次数高于300次。机构调研事件样本数量趋于稳定利于我们对机构调研策略的构建。


事件研究结果

全样本事件研究结果表明特定调研方式如业绩发布会,特定机构如基金公司,证券公司,特定月份如1,4,5,7,9月份表现出超额收益。调研前60日累计超额收益最低组合,调研当日超额收益最低组合,调研前60日成交量t值较低组表现优异,调研距下个业绩发布日日期表现明显单调性且最低组表现最优。


Top50个股画像结果

Top50个股画像结果表明特定调研方式业绩说明会,特定机构证券公司,特定月份3,5,6,8月份分布超过全样本分布,调研前60日累计超额收益,调研当日超额收益,调研前60日成交量t值和调研前30日累计调研人数排名均呈现两边高中间低的U型分布。


多事件选股策略构建

我们采用调研前60日成交量t值和调研距下个业绩发布日日期组合构建的策略40天持有期从2016年1月到2022年7月29日,40天持有期组合累计收益259.8%,累计超额281%,年化超额中证500 22.52%,月度胜率63%,IR 0.70。40天持有期组合在2021年市场复杂的风格轮动下表现优异,绝对收益83%,超额收益59%。2022年初到2022年7月29日,组合累计绝对收益-9.34%,超额收益6.42%。

风险提示:模型基于历史数据构建,过往规律未来可能失效,文中的回测仅供研究参考并非推荐。

主要内容

一、机构调研现象分析


1.1、机构调研简介

  机构调研一般指基金公司、保险公司、证券公司等专业投资者通过参与特定对象调研,分析师会议,业绩说明会等方式了解公司内部经营状况和上涨潜力的行为,一般说明该股具有一定的投资价值,可能包括行业处于拐点,业绩有较大增幅等信息。

近些年随着机构投资者业绩表现相较大盘的显著提升,市场对机构调研的关注度不断提升,比如:机构投资者披露持仓被市场各类投资者细致研究,机构调研的个股受到各类媒体的报道。因此机构调研信息值得我们细致挖掘。


1.2、机构调研事件统计

在2012年8月以前机构调研次数较少且不稳定,2012年8月份至今机构调研次数趋于稳定,有81%的月份当月机构调研次数高于500次,有95.7%的月份当月机构调研次数高于300次。机构调研事件样本数量趋于稳定利于我们对机构调研策略的构建。


1.3、机构调研个股优异表现

从过去机构调研个股的优异表现可以看出:机构调研信息蕴藏着丰富的增量信息,通过挖掘机构调研信息有望获得超越市场指数的超额收益,以下简要列举两个机构调研后取得较高收益的例子:

300261.SZ雅本化学2021年10月26日受到机构调研,入库日之后60天取得4倍收益。

300850.SZ新强联2020年9月23日受到机构调研,入库日后60日累计收益1.86倍。


二、数据使用和处理


2.1、数据来源

我们的策略构建所需数据主要分为三类:调研信息,业绩发布信息和个股交易信息。

调研信息中,我们使用Wind数据库的中国A股机构调研活动和中国A股机构调研参与主体数据表。中国A股机构调研活动表用于获取调研日期,股票代码,投资者关系活动类型(例如:特定对象调研,分析师会议,业绩说明会等)。中国A股机构调研参与主体表用于获取调研的机构参与人员姓名,机构投资者类型(例如基金公司,保险公司,证券公司等)。

业绩发布信息中,我们使用Wind数据库的中国A股业绩预告,中国A股业绩快报,中国A股定期报告披露日期数据表来获取股票代码以及对应的业绩预告,业绩快报,定期报告的发布日期。

个股交易信息中,我们使用Wind数据库的中国A股日行情,中国A股指数日行情数据表来获取个股当日涨跌幅和成交量以及中证800指数当日涨跌幅和成交量。


2.2、异常值处理

由于Wind中国A股机构调研活动和中国A股机构调研参与主体数据表制作开始于2015年3月3日,因此对于在此之前的调研活动,其调研日和入库日可能相差过大,导致入库日的股票表现与调研事件相关性降低。以下我们观察了剔除2015年3月3日之前和之后样本总数,样本公告日到调研日的差,以及入库日到调研日的样本累计分布情况。试图在保证入库日与调研日的差距适当的情况下,保留足够的样本以进行进一步研究。

剔除调研日开始于2015年3月3日之前的样本之后,历史样本总数剩余66407条仍能满足下一步研究需要,而入库日到调研日的差在5日之内的样本从50%提升到66%,有了明显的提高。为使研究更具有及时性,我们进一步选取入库日到调研日相差5天以内的样本,最终的样本数量为44023个。


2.3、针对机构调研因子的数据处理

由于部分调研事件的调研机构并未披露,在去除掉未披露调研机构的样本后,在去除重复记录之后,剩余40683个事件样本,以此作为调研机构因子的总体样本。重复记录原因在于A股机构调研主体表是按照调研人记录的,对于一次调研可能出现多个机构类型。对此我们的处理方法是对全样本每次记录保留一次作为总体样本;对于各个调研机构首先选取对应机构之后对每次记录保留一次作为对应调研机构的样本。


2.4、因子构建

根据逻辑推理和经验,我们使用上述数据构建了以下因子:1.调研方式因子:按照调研方式将调研事件分为特定对象调研,分析师会议,业绩说明会等。2.调研机构因子:按照参与调研的机构类型将调研事件分为基金公司,保险公司,证券公司等。3.调研月份因子:调研事件发生的月份。4.调研前超额收益因子:调研日当天超额收益,调研日前60日累计超额收益。5.调研前成交量跳升t值因子:用调研前60日到调研前15日的成交量序列取均值得到vol_mean,用调研前15日到调研前1日的成交量序列取最大值得到vol_max,最后计算t_value=(vol_max-vol_mean)/vol_mean。6.调研前30日调研人数排名因子:对于调研前30天的个股调研人数进行加总并按从小到大的顺序进行排名(调研人数最少的排名为0),提取排名值。7.距离业绩发布日的日期:业绩发布日期通过合并业绩预告,业绩快报,定期报告距离调研最近的日期获得。可计算两个因子。调研距调研之前最近业绩发布日期的天数,调研距调研之后最近业绩发布日期天数。


三、事件研究结果


3.1、事件研究方法介绍

时间上选择调研发生的入库日次日开始计算到入库日后60日结束。数值上选择个股的收益减去中证800的当日收益计算超额收益。对于调研方式因子,调研机构因子和调研月份因子,我们按照各个类型分别测算。对于数值型的因子我们采用5分组的方式(0,20,40,60,80,分别代表样本的5个20分位数)进行测算。(包括调研前超额收益因子,调研前成交量跳升t值因子,调研前30日调研人数排名因子,距离业绩发布日的日期)

下图是我们计算的对于全样本44023个调研事件计算的平均累计收益曲线,60日平均超额累计收益1.68%。


3.2、调研方式因子研究结果

累计超额收益为正的调研方式包括业绩说明会,投资者接待日活动,路演活动,特定对象调研和其他。累计超额收益为负的调研方式包括新闻发布会,现场参观,一对一沟通,分析师会议和媒体采访。超过全样本累计超额收益1.68%的调研方式包括业绩说明会和投资者接待日活动。其中业绩说明会的平均累计超额收益达到5.3%.业绩说明会调研方式值得后续研究。


3.3、调研机构因子研究结果

在调研机构因子研究中,由于剔除了调研机构类型缺失的样本,全样本累计60日超额收益有所变化为1.38%。

各个调研机构的累计超额收益均超过0%,其中累计超额最高的三个调研机构为基金公司1.64%,券商自营1.48%,证券公司1.34%。调研机构为基金公司,券商自营,证券公司值得后续关注。


3.4、调研月份因子研究结果

调研月份不同确实对事件收益有显著影响,其中1-9月份调研的超额收益大于0,10-12月份调研的超额收益为负。在1-9月份中,1月份累计超额3.68%,4月份累计超额2.8%,5月份累计超额4.57%,7月份累计超额3.8%,9月份累计超额2.26%,均超过全样本累计超额水平。调研月份为1,4,5,7,9月份可能代表了更为充分的调研信息,


3.5、调研前60日累计超额收益因子研究结果

调研前60日累计超额收益最低的组合表现最佳,累计超额收益达到2.3%。调研前60日累计超额收益最高的组合表现最差,累计超额收益仅为0.17%。调研前60日累计超额收益最低组合和调研前60日累计超额收益最高组合的差异非常明显。位居中间的20,40,60组合并未表现出明显单调性,


3.6、调研当日累计超额收益因子研究结果

调研当日累计超额收益因子需要注意的一点是如果调研发生在工作日则取当日超额收益,否则取下一个最近的工作日超额收益。调研当日超额收益最低的组合表现最优,平均累计超额达到2.4%,且相比其他组合有明显超额收益,但20,40,60,80组合未表现出明显单调性


3.7、调研前60日成交量t值因子研究结果

调研前成交量跳升通常意味着大额资金的隐蔽建仓行为,我们选用调研前15日成交量序列最大值max代表可能的调研信息泄漏带来的成交量跳升,调研前60日到调研前15日成交量均值mean代表正常情况下个股的成交量,并用t_value=(max-mean)/mean 表示标准化后的结果。调研前60日成交量t值其中40组合累计超额收益最优为2.25%,0,20,40组表现前三,但整体分组并未表现出明显的单调性。


3.8、调研前30日调研人数排名因子研究结果

60分组表现最佳平均累计超额为2.3%,调研前30日调研人数排名最大(也就是调研累计调研人数最多)的组合平均累计超额最低为0.3%。调研前30日调研人数排名因子单调性方面表现一般。


3.9、距上个业绩发布日天数因子研究结果

40组和80组表现最佳,均取得2.2%的超额收益,距离上个业绩发布日最近的0组表现最差,累计超额收益仅为0.8%。距离上个业绩发布日天数因子并未表现为显著单调性。


3.10、距下个业绩发布日天数因子研究结果

距下个业绩发布日天数呈现较为明显的单调性,距离下个业绩发布日更近的超额收益更高,其中离下个业绩发布日最近的0组超额收益3%。距下个业绩发布日天数因子适合作为进一步优化的因子之一。


四、Top50个股画像结果


4.1、个股画像介绍和方法设定

个股画像的研究方法是采用对历史上表现前列的个股进行细致研究,从而总结出这些强势股票上涨前具有的共性,从而对策略做以指引。本次个股画像选用了调研入库日累计超额收益最大的50个调研事件,通过对调研方式因子,调研机构因子,调研月份因子,调研前超额收益因子,调研前成交量跳升t值因子,调研前30日调研人数排名因子,距离业绩发布日的日期因子在Top50和全样本的分布对比来总结个股画像规律。


4.2、调研方式因子个股画像结果

全样本调研方式分布概率最大前三是特定对象调研,业绩说明会和其他类。其中Top50在特定对象调研和其他类上分布概率低于全样本,但是在业绩说明会上分布概率显著高于全样本,说明业绩说明会调研方式可能存在超额收益。这一点与调研方式因子的事件研究结果一致。


4.3、调研机构因子个股画像结果

全样本调研机构分布概率最大前三为基金公司,投资公司和证券公司,其中基金公司和投资公司上Top50的概率分布均低于全样本概率分布,在证券公司上Top50的概率分布显著高于全样本概率分布,说明证券公司调研可能存在超额收益。


4.4、调研月份个股画像结果

调研月份在全样本下分布最多的月份是5,9,11月,其中Top50分布超过及接近全样本分布的月份是3,5,6,9月份。


4.5、调研前60天累计超额收益因子个股画像结果

在Top50中调研前60日累计超额收益最大的4组占比显著高于全样本下的分布概率。这一点与事件研究调研前60日累计超额收益最小的0组表现最好向背。原因可能是表现最好的50只股票中,较大概率存在信息泄露的情况,表现为调研前60天累计超额收益较高,但从全样本来看,信息泄露造成的调研前60日累计超额收益升高对后续收益有危害。


4.6、调研日超额收益因子个股画像结果

Top50中T0日超额收益最低的0组的分布显著高于全样本下的0组分布。这一点与事件研究的结果一致。


4.7、成交量跳升t值个股画像结果

在Top50中成交量跳升中的0,3组分布与全样本分布接近,在Top50中成交量跳升最明显的4组分布明显高于全样本中4组分布。结合事件研究结果3,4组在全样本表现显著落后,最终选择成交量跳升t值最小0组进一步研究。


4.8、调研前30日累计调研人数排名个股画像结果

Top50中30天累计调研人数排名最低的0组和排名最高的4组分布均明显高于全样本下的分布。


4.9、距上个业绩发布日日期个股画像结果

Top50在距上个业绩发布日中的2组(40-60分位),3组(60-80分位)的分布明显高于全样本分布。


4.10、距下个业绩发布日日期个股画像结果

Top50中距下个业绩发布日的1组(20-40分位),3组(60-80分位)分布明显超过全样本下的1组,3组分布。

五、多事件选股策略构建

从构建逻辑上调研日前60日成交量t值的成交量信息和调研日距离下一个业绩发布日日期的时间差信息具备一定独立性且存在两个维度的互补性。从逻辑出发,我们认为调研日前60日成交量t值的过度上升可能意味着调研内容的泄露,因此缩量可能是预示更好的表现。调研日距离下一个业绩发布日日期的时间差更近可能意味着调研明确指向下一次业绩报告的内容,带有对利好信息的提前预判,预示着更好的表现。

业绩发布日期的事件研究结果非常单调,且调研日距离下一个业绩发布日日期的时间差最小的0组表现最优,符合我们的预期。

调研日前60日成交量t值在事件研究结果不具有单调性,事件研究结果(左图)说明全样本下t值较低的0,20,40组优于t值较高的60,80组,缩量表现整体优于放量因此我们选择保留缩量的0,20,40组。

最终我们选择成交量t值缩量和距下个业绩发布日期最短的叠加方法。调研日前60日成交量t值较小的0,20,40组意味着调研相关信息未提前泄露,调研日距离下一个业绩发布日日期最短0组意味着调研涉及更多增量信息,二者叠加有助于获得更高收益

从2016年1月到2022年7月29日,40天持有期组合累计收益259%,累计超额281%,年化超额中证500 22.5%,月度胜率63%,IR 0.70。40天持有期组合在2021年市场复杂的风格轮动下表现优异,绝对收益83%超额收益59%。

接下来我们按照组合年度表现的绝对收益,超额收益,年内月度胜率,相对回撤展示组合的年化指标,40天持有期组合年化指标如下


证券研究报告名称:《掘金机构调研事件选股策略》 

对外发布时间:2022年9月22日

报告发布机构:中信建投证券股份有限公司 

本报告分析师:丁鲁明 执业证书编号:S1440515020001

研究助理:郭纯一

免责声明:

本公众订阅号(微信号:中信建投金融工程研究)为丁鲁明金融工程研究团队(现供职于中信建投证券研究发展部)设立的,关于金融工程研究的唯一订阅号;团队负责人丁鲁明具备分析师证券投资咨询(分析师)执业资格,资格证书编号为:S1440515020001。

本公众订阅号所载内容仅面向专业机构投资者,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众订阅号不构成任何合同或承诺的基础,本公司不因任何订阅或接收本公众订阅号内容的行为而将订阅人视为本公司的客户。

本公众订阅号不是中信建投证券研究报告的发布平台,所载内容均来自于中信建投证券研究发展部已正式发布的研究报告或对报告进行的跟踪与解读,订阅者若使用所载资料,有可能会因缺乏对完整报告的了解而对其中关键假设、评级、目标价等内容产生误解。提请订阅者参阅本公司已发布的完整证券研究报告,仔细阅读其所附各项声明、信息披露事项及风险提示,关注相关的分析、预测能够成立的关键假设条件,关注投资评级和证券目标价格的预测时间周期,并准确理解投资评级的含义。

本公司对本帐号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。本帐号资料、意见等仅代表来源证券研究报告发布当日的判断,相关研究观点可依据本公司后续发布的证券研究报告在不发布通知的情形下作出更改。本公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本帐号资料意见不一致的市场评论和/或观点。

本帐号内容并非投资决策服务,在任何情形下都不构成对接收本帐号内容受众的任何投资建议。订阅者应当充分了解各类投资风险,根据自身情况自主做出投资决策并自行承担投资风险。订阅者根据本帐号内容做出的任何决策与本公司或相关作者无关。

本帐号内容仅为本公司所有。未经本公司许可,任何机构和/或个人不得以任何形式转发、翻版、复制和发布相关内容,且不得对其进行任何有悖原意的引用、删节和修改。除本公司书面许可外,一切转载行为均属侵权。版权所有,违者必究。








中信建投金融工程深度专题报告回顾

(点击标题可查看历史文章)


资产配置

深度专题1:结合基本面的行业月度波动特征分析

深度专题3:梦碎浮华回归本质,论行业财务基本面指标的有效性

深度专题6:外延扩张主导市场,创业板必劫后重生

深度专题9:股价大跌后的外延扩张实施意愿定量分析

深度专题12:“量化基本面”理论体系及农林牧渔行业案例

深度专题15:量化全球大类资产配置体系,美国道指市盈率估计模型

深度专题17:再谈美林时钟模型在中美市场的有效性

深度专题19:量化基本面理论体系及通信行业案例

深度专题21:A股大盘与行业板块节假日效应研究

深度专题23:基于残差分析的大类资产轮动策略

深度专题24:股票行业配置,基于投资时钟理论

深度专题27:2017年投资策略:美国加息大周期下的中国量化及绝对收益之路 

深度专题28:2016年,A股收益从何处来?又向何处去? 

深度专题31:融合多策略的资产配置体系框架:从配置资产到配置风险

深度专题33:量化视角看本轮消费板块行情还能走多远

深度专题35:2017年中期投资策略:量化基本面方法论之再探索与实证 

深度专题36:基于Black~Litterman的多策略资产配置策略

深度专题38:基于成分股动量反转效应的均线择时研究—以深次新股指数为例

深度专题39:宏观事件驱动研究之美联储加息缩表

深度专题40:深度解析Hurst模型的打开方式  

深度专题41:基于大数据新闻热度的周期、成长、消费风格轮动配置策略

深度专题42:周期行业基本面量化之钢铁篇

深度专题44:大数据、机器学习、深度学习在投资领域应用的方法论概述

深度专题46:论美国经济主导下的美元时钟与资产配置

深度专题49:传统回归模型比较之OLS、RIDGE、ENET、LASSO、SCAD、MCP、分位数回归

深度专题51:宏观经济指标在风格配置中的运用

深度专题54:量化视角看库存周期下大类板块的择时策略

深度专题56:借鉴Blackrock产品体系的思考:因子投资,资产配置新思路

深度专题57:宏观变量控制下的有效因子轮动

深度专题58:“基于财务费用率的传导路径”:以史为鉴,货币转向将如何影响行业利润?

深度专题60:量化基本面选股:从逻辑到模型,航空业投资方法探讨

深度专题63:因子深度研究系列--市值因子择时

深度专题64:量化基本面深度专题:如何提前预测商誉减值大拐点?

深度专题69:产业资本动向与A股中期拐点的关系有多大?

深度专题70:量化视角下的信用+货币周期与资产配置

深度专题78:行业基本面量化系列之银行篇

深度专题80:坚定看涨的理由!——量化基本面体系下的A股20年周期性起伏

深度专题84:世界人口周期研究指南

深度专题86:风险平价理论与应用详解

深度专题89:疫情冲击后,二季度重回库存周期回升节奏不变

深度专题91:美国实体经济债务周期何时触底?——经济周期长波系列之一

深度专题95:中国房地产行业择时和选股策略研究初探——行业基本面量化系列

深度专题97:农林牧渔行业基本面量化择时策略

深度专题103:建材行业基本面量化择时策略

深度专题107:中国竞争对手印度的崛起——经济周期长波系列之二

深度专题108:理论与应用指南:Black-Litterman模型详解

深度专题113:基于基本面及分析师预期的复合行业轮动策略

深度专题116:家电行业量化基本面择时策略研究

【大类资产热点思考系列之一】升值也分不同阶段:历次人民币升值的启示

【大类资产热点思考系列之二】失控边缘的通胀:60年代美国的启示

【大类资产热点思考系列之三】2010年的指引:全球基钦周期共振下行即将开启

【大类资产热点思考系列之四】真正的紧缩冲击是黄金下一个买点

【大类资产热点思考系列之五】全球股市风格漂移接近尾声

【大类资产热点思考系列之六】周期正在退潮,商品即将见顶

因子选股

深度专题2:多因子打分体系介绍

深度专题8:从潜伏期转战至前线,不容错过的高送转十大金股

深度专题10:股权激励事件选股,超额收益源自哪里?

深度专题11:定增事件选股:超额收益源自哪里

深度专题13:指数成分股调整选股

深度专题18:高管增持事件选股,追踪真正的聪明钱

深度专题20:量化视角下的缠论初步解析

深度专题22:员工持股计划:真实alpha最高的事件类选股

深度专题26:大数据研究之择时:基于新闻热度的多空策略 

深度专题29:大数据研究之指标构建:机器学习之贝叶斯文本分类算法的实现

深度专题30:大数据研究之选股:新闻情绪选股的多空差策略

深度专题32:管窥市场:从残差波动率角度看涨跌 

深度专题34:指数分红点数预测

深度专题37:市场风格切换下的因子有效性探索——2017年上半年因子表现回顾

深度专题43:股东数量变化因子的有效性分析

深度专题45:如何正确理解近期热度极高的低波动率因子

深度专题48:香港股市的有效alpha选股因子探索与分析

深度专题50:机器学习因子有效性分析

深度专题52:零基础python代码策略模型实战

深度专题55:特质波动率纯因子组合在A股的实证与研究

深度专题59:谈IC系数与股票权重的联系:从相关关系到指数增强

深度专题62:Barra风险模型介绍及与中信建投选股体系的比较

深度专题65:量化视角衡量个股估值提升的确定性

深度专题67:因子衰减在多因子选股中的应用

深度专题73:基于市场羊群效应的股票alpha探究

深度专题74:因子估值在A股市场是否有效?从因子估值到因子换手率的因子择时

深度专题75:负alpha专题系列一:如何从财务角度构建负面清单?

深度专题76:中信建投一致预期因子体系搭建

深度专题79:从ROIC到WACC——企业价值角度出发的选股思路

深度专题82:负alpha专题系列二:基于公告数据构建负面清单

深度专题83:如何提高反转因子的稳健性?

深度专题87:优质公司溢价的根源——A股质量因子的有效性

深度专题88:分析师预期修正动量效应选股策略

深度专题92:人工智能研究之八——Xgboost算法在选股中的应用

深度专题93:分析师超预期因子选股策略

深度专题96:行为金融学实证研究系列:前景理论因子的选股能力

深度专题98:高频量价选股因子初探

深度专题102:买卖报单流动性因子构建

深度专题104:高频订单失衡及价差因子

深度专题105:多层次订单失衡及订单斜率因子

深度专题106分析师预期调整事件增强选股策略全攻略

深度专题109:北向机构持仓深入挖掘

深度专题111:券商金股组合深度解析及分析师因子再增强

深度专题112:基于QLIB ALPHA360的Temporal Fusion Transformer选股模型

深度专题114:光伏行业因子投资框架:如何构建光伏行业指数增强策略?

深度专题115:基于限价订单簿数据的 DEEPLOB 模型

交易策略与衍生品

深度专题4:分级A理论定价体系构建及影响因素分析

深度专题5:基于多因素定价修正后的分级A短期轮动策略

深度专题7:2015年衍生品市场政策总结及交易策略

深度专题16:国内衍生品市场期权期货平价套利策略详解

深度专题47:可转债发行详解:从前世今生到投资机会

深度专题53:以螺纹钢期货为例:持仓信息的潘多拉魔盒

深度专题61:技术形态选股研究之黎明曙光:深跌反转形态

深度专题85:基于相对k线波段划分的反转形态选股

深度专题90:如何解读陆股通资金?——基于陆股通数据的择时与选股模型

基金产品研究与FOF

深度专题14:非传统型基金产品概述:躲不过的中国资本市场宏观对冲时代‍match

深度专题25:公募FOF新观察:产品、规则、策略全解析

深度专题66:科创板解析:规则、投资者结构与基金产品

深度专题68:工具化、配置化、异质化之路——公募基金市场综述与展望

深度专题71:科创板发行制度解析及上市表现猜想——来自海内外的经验

深度专题72:基于净值数据的Campisi型债基归因模型

深度专题77:因子投资热潮渐起,聪明指数未来可期——Smart Beta市场综述

深度专题81:权益仓位上升,偏股基金继续跑赢指数——基金分类与研究框架纵览

深度专题110:基于主题分类的基金行业轮动FOF策略









推荐阅读