"华泰"相关数据
更新时间:2024-10-08策略专题:华泰总量联合全行业深度解读新冠疫情
辩证地看待新冠疫情所带来的风险与契机
本轮新冠疫情从1月中下旬开始迅速升温,华泰研究所总量团队联合全行业深度解读疫情冲击,辩证地看待疫情所带来的风险与契机。我们认为在新冠疫情vs SARS的五点差异下(内外扩散程度、重疫区经济功能、劳动力输入输出、经济周期及结构、互联化产业成熟度),或将对经济造成阶段性打击,逆周期调节措施有望加码。疫情或放大债市波动且短期利好,在新增疑似病例高峰到来前,整体市场风险偏好特别是疫情利空行业仍有下行压力。总体看,疫情或对消费需求形成较大冲击,基建及地产开工和投资或受较大影响,对制造业影响间接,同时疫情或将加快B端向线上的迁移。
总量:疫情将对经济造成阶段性打击,短期或利好债市、股市或承压
宏观:基准情形下,疫情可能在今年一季度得到控制,二季度GDP增速反弹:三季度开始,政策刺激力度或超市场预期。固收:疫情或放大债市波动且短期利好,十年国债预计下探到2.9%附近,信用风险有所增大,适度杠杆可继续保持。策略:新增疑似病例是市场情绪的高频同步指标,其波峰或将预示市场走出波谷;五点差异之下,疫情对全年A股盈利影响或弱于SARS,但对Q1 A股盈利的影响或不弱于SARS。
【更多详情,请下载:策略专题:华泰总量联合全行业深度解读新冠疫情】
- 策略专题:华泰总量联合全行业深度解读新冠疫情本文包括辩证地看待新冠疫情所带来的风险与契机,总量:疫情将对经济造成阶段性打击,短期或利好债市、股市或承压,消费:消费需求总体冲击相对较大,但细分板块影响有分化。2020年发布时间:2020-05-01
- 华泰人工智能系列之三十四:再探AlphaNet,结构和特征优化华泰金工前期报告《AlphaNet:因子挖掘神经网络》(2020.6.14)提出了AlphaNet-v1模型,能以端到端的方式有效提取股票原始量价数据中的因子。然而AlphaNet-v1在2019年下半年之后表现欠佳,针对该问题,本文分别从神经网络结构和特征的角度进行改进,构建了AlphaNet-v2和AlphaNet-v3两个升级模型,并在多个股票池内测试。结果显示,在全A股和中证800成分股中AlphaNet-v2表现优于AlphaNet-v1,在中证500成分股中AlphaNet-v3表现小幅优于AlphaNet-v2。另外,本文总结对比了“遗传规划+随机森林”模型和AlphaNet的优缺点。2020年发布时间:2021-03-04
- 华泰周期起源系列研究报告之一:从微观同步到宏观周期华泰金工历经四年打造出了一套基于周期的资产配置框架。在这套框架中,我们认为全球金融经济系统是统一的。宏观指标与金融市场都是观测这个系统的一个维度。这个系统在复杂的相互作用中形成了有规律的周期运动。资产配置的核心就是识别这个周期,并且配置当下周期中最适宜的资产。周期性是这个系统最重要的特征之一,自然科学中有许多非线性系统是通过微观同步产生的宏观周期,对比经济系统与自然界中的非线性系统我们发现,两者存在许多相似,经济系统也满足从微观同步到宏观周期的四个可能条件。经济系统产生周期有可能是必然的。2019年发布时间:2020-04-18
- 华泰人工智能系列之二十七:揭开机器学习模型的“黑箱”本文介绍六种机器学习模型解释方法的原理,并以华泰XGBoost 选股模型为例,尝试揭开机器学习模型的“黑箱”。机器学习多属于黑箱模型,而资管行业的伦理需要可解释的白箱模型。除传统的特征重要性外,ICE、PDP、SDT、LIME、SHAP 都是解释模型的有力工具。揭开选股模型黑箱,我们发现:1)价量类因子的重要性整体高于基本面类因子;2)XGBoost 模型以非线性的逻辑使用因子,因子的非线性特点在市值、反转、技术、情绪因子上体现尤为明显。2019年发布时间:2020-07-21
- 华泰研究所倾情巨献:科创板估值手册2019年发布时间:2019-06-26
- 华泰多因子系列之十二:桑土之防,结构化多因子风险模型2019年发布时间:2020-01-15
- 华泰宏观“海外杂谈”第二期:空美股多黄金2019年发布时间:2019-06-26
- 华泰人工智能系列之三十八:WGAN生成,从单资产到多资产本研究将生成对抗网络的应用领域从单资产序列生成拓展至多资产序列生成。多资产序列生成中,不仅需要模拟每种资产收益率的分布特征和时序特性,还需要复现多资产之间的协变关系。为此必须在前期研究基础上进行两项改造:1)增加评价多资产之间协变关系的指标;2)改变网络结构使之能适应多资产输入。我们将改造后的WGAN模型应用于1)相同类型的三种股票指数以及2)不同类型的股票、债券、商品指数收益率序列的生成,结果表明WGAN能够复现真实序列具有的典型化事实,在评价指标上相比对照组模型更接近真实序列。2020年发布时间:2021-08-27
- 华泰人工智能系列之三十五:WGAN应用于金融时间序列生成本文探讨GAN模型的一类重要变体——WGAN,并将其运用于金融资产时间序列的生成,发现WGAN在生成数据的真实性和多样性上均优于原始GAN。原始GAN模型具有训练不同步、训练损失函数不收敛和模式崩溃的缺点。WGAN模型使用Wasserstein距离衡量真实分布与生成分布之间的距离,克服了原始GAN 模型中JS距离的缺陷。使用GAN和WGAN生成上证综指日频和标普500 月频收益率序列,结果表明GAN无法复现出真实序列的长时程相关等特性,WGAN则有显著改善,并且WGAN在多样性上相比于GAN也有一定提升。2020年发布时间:2021-03-04
- 华泰人工智能系列之三十六:相对生成对抗网络RGAN实证RGAN引入相对损失函数,提高训练稳定性,可应用于金融时间序列模拟本文介绍GAN的一类重要变式——相对生成对抗网络(RGAN),并将其应用于金融资产时间序列的生成,发现RGAN在生成数据的真实性上优于原始GAN。GAN的绝对判别器直接将某一类样本作为输入,判定该样本是否真实;而RGAN的相对判别器将真假样本对作为输入,以其中一个样本作为基准,计算另一个样本相对基准更加真实的程度,再给出判定结果,使得判别器更稳健,生成对抗网络训练更稳定。使用GAN和RGAN生成上证综指日频和标普500月频收益率序列,结果表明GAN无法复现出真实序列的长时程相关等特性,GAN则有显著改善。2020年发布时间:2021-03-04
- 华泰因子周期研究系列之三:市值因子收益与经济结构的关系2019年发布时间:2019-06-26
- 华泰人工智能系列之二十八:基于量价的人工智能选股体系概览经过华泰金工前期报告的探索,我们认为人工智能模型已经可以很好融入多因子选股模型的因子生成和多因子合成步骤。在多因子模型的信息来源中,量价信息能提供海量的数据,是最适合AI技术运用的领域。本文构建了基于量价信息的全流程人工智能选股体系,主要包含三个步骤:(1) 遗传规划自动挖掘因子;(2) 机器学习模型进行多因子合成;(3) 机器学习模型的可解释性分析。在测试中,该体系能提供独立于传统多因子模型的增量超额收益。2011-2020年发布时间:2020-07-21
- 华泰金工衍生品研究:成分股分红对股指期货基差的影响2019年发布时间:2020-01-15
- 华泰科创投资手册系列:科创板新材料企业解读-建龙微纳2019年发布时间:2019-12-09
- 华泰人工智能系列之十八:机器学习选股模型的调仓频率实证2019年发布时间:2019-07-12
- 华泰行业轮动系列报告之十二:拥挤度指标在行业配置中的应用本文主要从控制交易风险的角度出发,构建拥挤度指标以定量分析各行业的交易过热风险,为交易过程提出警示,实证结果表明,拥挤度指标可以作为有效的风险预警指标和其他策略进行搭配,在交易过程中规避行业指数可能出现的下跌风险,提高其他行业轮动策略的表现。2019-2020年发布时间:2020-05-01
- 华泰人工智能系列之二十二:基于CSCV框架的回测过拟合概率2019年发布时间:2020-01-15
- 华泰人工智能系列之三十九:周频量价选股模型的组合优化实证本文对周频AlphaNet测试多种组合优化方案,可匹配多种风险收益目标近年来,中高频调仓的量价选股模型日益受到投资者关注,针对该类模型的风险模型和组合优化是一个值得研究的主题。本文以基于量价数据构建的AlphaNet为收益模型,对其进行业绩归因、风险模型构建和组合优化。业绩归因结果显示,行业市值中性的周频AlphaNet具有显著的alpha收益,但2015年之后在Barra风格因子上的暴露逐渐增加。为了精确控制组合风险,本文论述了不同预测期限下多因子风险模型的构建方法并验证了其有效性。最后,我们对周频调仓的AlphaNet测试了多种组合优化方案,可匹配多种风险收益目标。2020年发布时间:2021-08-27
- 机械设备行业华泰科创投资手册系列:科创板高端装备解读,中微公司2019年发布时间:2019-06-26
- 华泰金工大类资产配置8月月报:美元大周期警惕新兴市场货币风险2019年发布时间:2019-12-26