多因子模型与细分行业多因子测试源码（以医疗行业为例）

最新推荐文章于 2026-05-08 00:01:28 发布
原创 最新推荐文章于 2026-05-08 00:01:28 发布 · 2.5k 阅读 · 19
标签
#因子分析 #多因子模型 #源码
本文通过rank IC分析医疗板块风格类、技术类、盈利能力类和基本面类因子的盈利预测能力，构建多因子模型。研究发现，风格类因子在后期反转，技术类因子与收益率负相关，基本面因子中盈利能力相关因子表现突出。最终模型实现年化收益28.19%。

研究内容

本文主要研究内容是基于rank IC分析医疗板块四大类因子（风格类、技术类、盈利能力类、基本面类）盈利预测能力，以及在此基础上构建医疗板块多因子rank IC赋权模型。

本文将分为以下三个板块：

  • 因子选取及数据预处理
  • 医疗板块因子分析
  • 构建医疗板块多因子模型

 

因子选取及数据预处理

>>> 因子选取

本文基于海通证券研报的内容，选取四大类因子（风格类、技术类、盈利能力类、基本面类）作为所选研究因子。具体如下表：

>>> 数据预处理

股票池：申万一级医疗行业中非*ST股
时间维度：2010年1月1日——2018年8月1日
处理方式：去空值、去极值、中性化、标准化

去空值：先将任一因子数据全部为空的股票从股票池中剔除，再将剩余股票的空值用当天医药行业该因子的平均水平进行填充。
去极值：采取中位数去极值法
中性化：将除了市值外的因子对市值进行中性化。因为股票池全部为同一行业的股票。无需对行业哑变量进行中性化。
标准化：采取传统均值标

最低0.47元/天 解锁文章
机器学习 | 主成分分析（PCA）
m0_65437885的博客
01-01 1万+
PCA（principle component analysis），即主成分分析法，是一个非监督的机器学习算法，是一种用于探索高维数据结构的技术，主要用于对数据的降维，通过降维可以发现更便于人理解的特征，加快对样本有价值信息的处理速度，此外还可以应用于可视化（降到二维）和去噪。基本原理是通过线性变换将原始数据投影到新的坐标系，使得投影后的数据方差最大。PCA算法所要达到的目标是，降维后的数据所损失的信息量应该尽可能的少。
因子分析模型介绍、matlab案例我国上市公司盈利能力与资本结构的实证分析
weixin_45775970的博客
08-13 1799
因子分析模型介绍、matlab案例我国上市公司盈利能力与资本结构的实证分析
多因子策略_基于成长因子的模型测试
Mikowoo007的博客
11-27 1639
msci_tools.py from gm.api import * import numpy as np import pandas as pd from sklearn import preprocessing #这段代码是获取MSCI成分股，返回一个list def read_MSCI(): symbol_list = [] f2 = open("../MSCI_tools/MSCI成分股.txt", "r") lines = f2.readlines() for l
Python量化交易学习——Part6：多因子选股策略实战（2）
柴犬的博客
06-08 1838
首先根据上节所选的因子进行选股，各个因子的权重都设置为1，之后对加权后的因子进行排序，选择因子权重值大的5只股票，进行买入，每个月执行一次上述策略，看最终收益率情况如何。从结果上看，这个策略还是负收益，超额收益率只有5.63%,不算是一个非常优秀的策略，所以我们可以调整因子或者调整权重进行测试，不断迭代，最终寻找收益率更高的策略。主函数我们另外新建一个py文件，在这里我命名为test3.py（随意写了），大家注意把策略名/文件名/token码都替换为自己的哈。
ML：主成分分析（PCA）的基本原理与实现
最新发布
qq_41176800的博客
05-08 274
它属于无监督学习（Unsupervised Learning）中的降维方法：训练数据中不需要标签，算法也不直接学习输入与输出之间的映射关系，而是从数据自身的分布结构中寻找更紧凑的表示方式。在 PCA 的假设中，这类方向往往包含更多主要结构信息。需要注意的是，鸢尾花数据的各特征单位相同，数值范围差异也不算特别大，所以这个示例可以直接演示 PCA 的基本流程。PCA 的设计出发点可以概括为一句话：如果高维数据中的主要变化集中在少数几个方向上，就可以用这些方向重新表示数据，从而达到降维、压缩和可视化的目的。
PCA(主成分分析方法)
热门推荐
YMilton的专栏
04-13 3万+
目录 1. 降维问题 2. 向量与基变换 2.1 内积与投影 2.2 基 2.3 基变换的矩阵 3.协方差矩阵及优化目标 3.1 方差 3.2协方差 3.3协方差矩阵 3.4协方差矩阵对角化 4. 算法与实例 4.1 PCA算法 4.2 实例 5. 讨论 PCA（Principal Component Analysis）是常用的数据分析方法。...
阻滞增长模型求解_多因子模型与细分行业多因子测试源码（以医疗行业为例）...
weixin_32569115的博客
12-18 453
研究内容本文主要研究内容是基于rank IC分析医疗板块四大类因子(风格类、技术类、盈利能力类、基本面类)盈利预测能力，以及在此基础上构建医疗板块多因子rank IC赋权模型。本文将分为以下三个板块：因子选取及数据预处理医疗板块因子分析构建医疗板块多因子模型因子选取及数据预处理>>> 因子选取本文基于海通证券研报的内容，选取四大类因子(风格类、技术类、盈利能力类、基本面类)作为所...
在线问诊系统源码全解析：数字药店APP的技术架构与开发流程
wy15564849548的博客
05-24 528
本文系统解析了在线问诊系统源码的技术架构与开发流程，深入剖析数字药店APP的核心功能模块与实施路径。适用于有意布局互联网医疗、搭建数字药房的企业或开发团队，提供从技术选型到实际落地的全流程参考。文章融合实战经验与技术要点，帮助企业打造高效、安全、合规的一体化在线问诊与购药平台。
2026毕设springboot+vue病患互助平台论文+程序
计算机源码_陈
09-23 850
【摘要】本研究针对"互联网+医疗"领域存在的名医资源稀缺、患者支付能力弱与公益捐赠分散三大矛盾，设计基于SpringBoot+Vue的诊疗-筹资-捐赠协同平台。技术上采用Redis分布式锁防止号源超卖，集成WebSocket实现实时数据推送；业务上创新"边筹边审+混合支付"机制，通过患者信用评估与公益号源分配优化就医公平性。平台包含患者端（发起互助筹资、智能预约）、医生端（发布公益号源）、管理端（资金监管）三大模块，实现诊疗流程与慈善资源的数字化闭环。预期成果包括可支
矩阵转置相关公式_透析矩阵，由浅入深娓娓道来—高数-线性代数-矩阵
weixin_39521835的博客
10-19 3235
线性代数在科学领域有很多应用的场景，如下：矩阵，是线性代数中涉及的内容，线性代数是用来描述状态和变化的，而矩阵是存储状态和变化的信息的媒介，可以分为状态(静态)和变化(动态)信息来看待。描述一个事物的状态需要在一个选好的坐标系(什么样的向量空间)中进行，所以矩阵所包含的信息从来都是成对出现(坐标值和坐标系)。而基就是坐标系的信息，可以将其拆分出来。当把矩阵以动态信息来看待时，其信息的侧重点在于变化...
[Machine Learning] 12 降维(Dimensionality Reduction)
今天你DEBUG了吗
07-20 681
点Ta12 Dimensionality Reduction(降维)12.1 Motivation I_ Data Compression 12 Dimensionality Reduction(降维) 12.1 Motivation I_ Data Compression 第二种无监督学习问题，称为降维。使用降维可以实现数据压缩，数据压缩不仅压缩数据，因而使用较少的计算机内存或磁盘空间，但它也让我们加快我们的学习算法。 但首先，让我们谈论降维是什么。作为一种生动的例子，我们收集的数据集，有许多， 许多特征
PCA算法详解——化繁为简
weixin_44167798的博客
08-30 1万+
一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 一、前言 老鹰是一个三维立体实物，而图片是二维的，但我们能一眼识别出上图是一只老鹰而非鹌鹑，可见对于某些高维的数据，我们可以在低维空间下识其概貌，对其有个清晰的认知。然而，当我们沿老鹰翅尖拍摄一张照片，我们可能并不能很容易地看出这是一只老鹰。归其原因，拍摄的角度不同，导致最终的结果不同，在第一种情况下，图片保留...
SPSS因子分析经典案例分享
yibo492387的专栏
12-10 3万+
http://www.datasoldier.net/post/40.html 因子分析已经被各行业广泛应用，各种案例琳琅满目，以前在百度空间发表过相关文章，是以每到4至6月，这些文章总会被高校毕业生扒拉一遍，也总能收到各种魅惑的留言，因此，有必要再次发布这经典案例以飨读者。 什么是因子分析？ 因子分析又称因素分析，传统的因子分析是探索性的因子分析，即因子分析是基于相关关
机器学习-主成分分析（PCA）方法
oioooooi的博客
06-16 2045
主成分分析（PCA）是一种强大的降维工具，通过线性变换将高维数据映射到低维空间，同时保留数据中的主要信息。在实际应用中，PCA不仅可以用于数据压缩和特征提取，还可以帮助我们更好地理解数据结构。希望通过本文的介绍和案例分析，能够让你对PCA有更深入的理解。
PCA：详解主成分分析
wfengzi5的博客
04-08 9842
主成分分析算法（PCA）是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大），以此使用较少的数据维度，同时保留住较多的原数据点的特性。
机器学习——主成分分析（PCA）
2302_81076207的博客
06-07 1633
PCA 是一种无监督线性降维方法，它将原始高维特征空间的数据，通过线性变换映射到低维空间，新的维度（主成分）是原始特征的线性组合，且各主成分间正交（互不相关），按对数据方差的解释能力排序，第一主成分方差最大，后续主成分方差依次递减。PCA 以 “提取主成分、降维保留关键信息” 为核心，通过标准化、协方差矩阵分解、投影等步骤，实现高维数据的高效处理。结合人脸数据集的实践，从原理推导到代码实现，清晰展现其在简化数据、保留关键特征上的作用。
行业多因子模型
weixin_46109199的博客
04-29 685
以申万一级行业为基准，选择不同行业适合的指标选出优质股票，建立股票池。数据来源为优矿季度数据（注：使用google浏览器）。 01-匹配行业大类 注：（1）drop_duplicates 删除重复行，keep="first"保留重复的第一行。 （2）将资产负债表匹配行业大类，以ticker字段重合时，先将股票代码转换成字符串类型之后进行合并，合并使用merge函数，how=“left”表示左连接，...
主成分分析|PCA算法大全
昔风不起，唯有努力生存！
06-11 5530
主成分分析|PCA算法大全 文章目录主成分分析|PCA算法大全1. PCA原理1.1 最大方差理论1.2 最小平方误差理论1.3 高维数据下的特征值分解2. CCIPCA增量主元分析算法[1]3. KPCA4. 2DPCA[2]5. 2D2DPCA6. BDPCA参考文献 主元分析提供了一种用低维数据来表示高维复杂数据最主要特征的途径。PCA的思想是将nnn维特征映射到kkk维空间上k&...
python主成分分析_Python机器学习笔记：主成分分析（PCA）算法
weixin_39570530的博客
11-28 2231
一：引入问题首先看一个表格，下表是某些学生的语文，数学，物理，化学成绩统计：首先，假设这些科目成绩不相关，也就是说某一科目考多少分与其他科目没有关系，那么如何判断三个学生的优秀程度呢？首先我们一眼就能看出来，数学，物理，化学这三门课的成绩构成了这组数据的主成分（很显然，数学作为第一主成分，因为数据成绩拉的最开）。那么为什么我们能一眼看出来呢？当然是我们的坐标轴选对了！！下面，我们继续看一个表格，下...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值