量化投资方法及装置

摘要

本发明提供一种量化投资方法及装置，包括：选取股票市场中符合预设的选股条件的各个股票，从预选的各个候选因子中确定各个目标因子，并根据各个目标因子构建评分选股模型；根据评分选股模型，对各个股票进行评分，得到每个股票的评分结果，并根据各个评分结果由大到小的顺序对各个股票进行排序，从已经排序好的各个股票中确定排序前N的各个股票为目标股票；基于预先构建的HMS‑GMD择时模型和预设的技术面指标择时模型，确定各个目标股票的购入时间。应用该方法，可以从全面考虑各个因子对股票收益的影响，并且从多维角度进行股票的择时考虑，帮助投资者获取到股票的最佳买入抛出时机，提高投资者的股票投资成功概率。

说明书

技术领域

本发明涉及金融技术领域，特别是涉及一种量化投资方法及装置。

背景技术

股票的价格都是实时波动的，在千变万化的股票市场中，制定良好的投资策略，及时进行股票的买入抛出，能够确保投资者在最终股票交易中具有较好的收益。

现有技术中，在制定投资策略的过程中，由于在选择与收益率最相关的指标，即因子的选择方面欠缺全面考虑，使得投资者难以在股票市场中筛选出收益较高的股票，并且因为欠缺多维角度的择时考虑，使得投资者难以获取到股票的最佳买入抛出时机，因此而得出的投资策略不能帮助投资者获得最佳收益，还有可能造成投资者的损失。

发明内容

有鉴于此，本发明提供一种量化投资方法，通过该方法，可以全面考虑各个因子对股票收益的影响，并从多维角度考虑股票的择时，帮助投资者获取到股票的最佳买入抛出时机。

本发明还提供了一种量化投资装置，用以保证上述方法在实际中的实现及应用。

一种量化投资方法，包括：

选取股票市场中符合预设的选股条件的各个股票；

从预选的各个候选因子中确定各个目标因子，并根据各个所述目标因子构建评分选股模型；

根据所述评分选股模型，对各个所述股票进行评分，得到每个所述股票的评分结果，并根据各个所述评分结果由大到小的顺序对各个所述股票进行排序，从已经排序好的各个所述股票中确定排序前N的各个股票为目标股票，其中，N为正整数；

基于预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和预设的技术面指标择时模型，确定各个所述目标股票的购入时间。

上述的方法，可选的，所述从预选的各个候选因子中确定各个目标因子，包括：

获取每个所述股票在预设时间点对应的各个所述候选因子的值；

根据获取到的每个所述候选因子的值，对各个所述股票进行排序，并根据该候选因子下各个所述股票的排列顺序，依次选取预设数量的所述股票组成股票组合，得到该候选因子对应的各个股票组合；

计算每个所述候选因子对应的每个股票组合在预设的年限内的各个组合月收益和基准月收益；

根据每个所述股票组合的各个组合月收益和基准月收益，计算出每个所述股票组合的组合年化收益和超额收益；

基于每个所述候选因子对应的各个股票组合的组合年化收益和超额收益，确定满足预设的筛选条件的每个所述候选因子为目标因子。

上述的方法，可选的，所述基于每个所述候选因子对应的各个股票组合的组合年化收益和超额收益，确定满足预设的筛选条件的每个所述候选因子为目标因子，包括：

根据每个所述候选因子下各个所述股票的排列顺序，确定该候选因子对应的各个股票组合的排列序号；

根据每个所述候选因子对应的各个股票组合的组合年化收益以及各个所述股票组合的排列序号，确定每个所述股票组合的相关性绝对值；

确定每个所述候选因子对应的各个股票组合中排列序号最大的第一股票组合和排列序号最小的第二股票组合；

若每个所述候选因子对应的各个股票组合的相关性绝对值，以及该候选因子对应的各个股票组合中的第一股票组合的超额收益和第二股票组合的超额收益满足预设的筛选条件，则确定该候选因子为目标因子。

上述的方法，可选的，所述HMS-GMD择时模型的建立过程，包括：

获取各个所述股票的多个历史价格特征数据；

确定隐藏状态数目以及高斯混合数目；

基于所述隐藏状态数目、高斯混合数目以及每个所述股票的多个历史价格特征数据，通过预设的隐马尔科夫HMM模块，得到该股票对应的各个市场状态序列；

确定每个所述市场状态序列对应的市场状态分值，完成每个所述股票对应的HMS-GMD择时模型的建立过程。

上述的方法，可选的，所述基于预先构建的HMS-GMD择时模型和预设的技术面指标择时模型，确定各个所述目标股票的购入时间，包括：

获取每个所述目标股票当前的价格特征数据，将所述价格特征数据输入到该目标股票对应的HMS-GMD择时模型，得到该目标股票的市场状态分值；

获取每个所述目标股票当前的技术特征数据，将所述价格特征数据输入到所述技术面指标择时模型，得到该目标股票的技术指标择时分值；

根据所述市场状态分值和技术指标择时分值以及预设的市场状态权重值和技术指标择时权重值，确定当前每个所述目标股票的购入时机分值，当所述购入时机分值达到预设的阈值时，确定当前时间为该目标股票的购入时间。

一种量化投资装置，包括：

股票选取单元，用于选取股票市场中符合预设的选股条件的各个股票；

模型构建单元，用于从预选的各个候选因子中确定各个目标因子，并根据各个所述目标因子构建评分选股模型；

股票评分单元，用于根据所述评分选股模型，对各个所述股票进行评分，得到每个所述股票的评分结果，并根据各个所述评分结果由大到小的顺序对各个所述股票进行排序，从已经排序好的各个所述股票中确定排序前N的各个股票为目标股票，其中，N为正整数；

时机确定单元，用于基于预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和预设的技术面指标择时模型，确定各个所述目标股票的购入时间。

上述的装置，可选的，所述模型构建单元，包括：

获取子单元，用于获取每个所述股票在预设时间点对应的各个所述候选因子的值；

排序子单元，用于根据获取到的每个所述候选因子的值，对各个所述股票进行排序，并根据该候选因子下各个所述股票的排列顺序，依次选取预设数量的所述股票组成股票组合，得到该候选因子对应的各个股票组合；

第一计算子单元，用于计算每个所述候选因子对应的每个股票组合在预设的年限内的各个组合月收益和基准月收益；

第二计算子单元，用于根据每个所述股票组合的各个组合月收益和基准月收益，计算出每个所述股票组合的组合年化收益和超额收益；

第一确定子单元，用于基于每个所述候选因子对应的各个股票组合的组合年化收益和超额收益，确定满足预设的筛选条件的每个所述候选因子为目标因子。

上述的装置，可选的，所述第一确定子单元，具体用于：

根据每个所述候选因子下各个所述股票的排列顺序，确定该候选因子对应的各个股票组合的排列序号；

根据每个所述候选因子对应的各个股票组合的组合年化收益以及各个所述股票组合的排列序号，确定每个所述股票组合的相关性绝对值；

确定每个所述候选因子对应的各个股票组合中排列序号最大的第一股票组合和排列序号最小的第二股票组合；

若每个所述候选因子对应的各个股票组合的相关性绝对值，以及该候选因子对应的各个股票组合中的第一股票组合的超额收益和第二股票组合的超额收益满足预设的筛选条件，则确定该候选因子为目标因子。

上述的装置，可选的，还包括：

获取单元，用于获取各个所述股票的多个历史价格特征数据；

第一确定单元，用于确定隐藏状态数目以及高斯混合数目；

执行单元，用于基于所述隐藏状态数目、高斯混合数目以及每个所述股票的多个历史价格特征数据，通过预设的隐马尔科夫HMM模块，得到该股票对应的各个市场状态序列；

第二确定单元，用于确定每个所述市场状态序列对应的市场状态分值，完成每个所述股票对应的HMS-GMD择时模型的建立过程。

上述的装置，可选的，所述时机确定单元，包括：

第一执行子单元，用于获取每个所述目标股票当前的价格特征数据，将所述价格特征数据输入到该目标股票对应的HMS-GMD择时模型，得到该目标股票的市场状态分值；

第二执行子单元，用于获取每个所述目标股票当前的技术特征数据，将所述价格特征数据输入到所述技术面指标择时模型，得到该目标股票的技术指标择时分值；

第二确定子单元，用于根据所述市场状态分值和技术指标择时分值以及预设的市场状态权重值和技术指标择时权重值，确定当前每个所述目标股票的购入时机分值，当所述购入时机分值达到预设的阈值时，确定当前时间为该目标股票的购入时间。

一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的量化投资方法。

一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的量化投资方法。

与现有技术相比，本发明包括以下优点：

基于本发明提供的实施例，在进行量化投资的过程中，选取股票市场中符合预设的选股条件的各个股票；从预选的各个候选因子中确定各个目标因子，并根据各个目标因子构建评分选股模型；根据评分选股模型，对各个股票进行评分，得到每个股票的评分结果，并根据各个评分结果由大到小的顺序对各个股票进行排序，从已经排序好的各个股票中确定排序前N的各个股票为目标股票；基于预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和预设的技术面指标择时模型，确定各个目标股票的购入时间。

应用本发明提供的实施例，从多个候选因子中选择与股票收益相关性最大的因子作为目标因子，并根据目标因子从股票市场中选出具有较高收益的各个目标股票，全面考虑各个因子对股票收益的影响，并且通过HMS-GMD择时模型和技术面指标择时模型，从多维角度进行股票的择时考虑，帮助投资者获取到股票的最佳买入抛出时机，提高投资者的股票投资成功概率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种量化投资方法的方法流程图；

图2为本发明实施例提供的一种量化投资方法的又一方法流程图；

图3为本发明实施例提供的一种量化投资方法的再一方法流程图；

图4为本发明实施例提供的一种量化投资装置的装置结构图；

图5为本发明实施例提供的一种电子设备结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。

本发明实施例提供了一种量化投资方法，该方法可以应用在多种系统平台，其执行主体可以为计算机终端或各种移动设备的处理器，所述方法的方法流程图如图1所示，具体包括：

S101：选取股票市场中符合预设的选股条件的各个股票。

本发明提供的实施例中，根据预先设置的选股条件从股票市场中初步筛选出符合选股条件的股票，其中，选股条件可以是基于价值投资理论而产生，依据价值投资理论的理念，为选取值得投资的股票，可以主要利用以下七个指标：市盈率<20、市净率<3、销售毛利率>20％、总资产收益率>10％、存货周转率>0.5、营业收入近三年平均增长率>8％以及近三年净利润增长率>8％，根据上述指标生成选股条件，从沪深300股中选出符合选股条件的股票，满足选股条件的股票将被选入初始股票池。

具体的，如果要对未来一年的投资股票选取值得投资的各个股票，则利用前一年的公司年报中所表现的各个指标值来进行判断，当一只股票所对应的公司的年报中的指标满足了上述所设立的七个指标条件，则这只股票被纳入初始股票池，由此最终所建立的初始股票池中的股票都是满足要求的股票。

S102：从预选的各个候选因子中确定各个目标因子，并根据各个所述目标因子构建评分选股模型。

本发明提供的实施例中，从与股票收益相关的各个影响因素，即各个因子中选取出符合预设候选因子条件的各个候选因子，可以根据基于价值投资理论指导，选取估值类因子和考虑公司发展的成长类因子，考虑到市值与股票收益率之间存在一定的相关性，还可以将市值等规模类因子也纳入候选因子，使得在因子的选取过程中更加的具有理论性和科学性，各个候选因子如表1所示：

表1

再从各个候选因子中选出与收益相关性较高的各个候选因子为目标因子，并根据各个目标因子构建评分选股模型，以各个目标因子作为选择股票的标准，构建股票投资组合，并期望所构建的股票投资组合能够在未来一段时间内明显跑赢市场指数组合。

本发明提供的实施例中，如图2所示，可选的，所述从预选的各个候选因子中确定各个目标因子，包括：

S201：获取每个所述股票在预设时间点对应的各个所述候选因子的值。

S202：根据获取到的每个所述候选因子的值，对各个所述股票进行排序，并根据该候选因子下各个所述股票的排列顺序，依次选取预设数量的所述股票组成股票组合，得到该候选因子对应的各个股票组合；

具体的，对于任意一个候选因子，从预设时间点开始获取每个股票的该候选因子的值，预设时间点可以是评分选股模型形成期的第一个月的月初，并根据获取到的每个股票的同一个候选因子的值，按照候选因子的值的大小顺序，对各个股票进行排序，根据该候选因子下各个股票的排列顺序，将各个股票划分成多个股票组合，具体划分方式可以是选取相同数量的股票组成股票组合，或平均分为多个股票组合，形成股票组合的所有股票要尽量涵盖本实施例中初始股票池中的所有股票。

S203：计算每个所述候选因子对应的每个股票组合在预设的年限内的各个组合月收益和基准月收益；

S204：根据每个所述股票组合的各个组合月收益和基准月收益，计算出每个所述股票组合的组合年化收益和超额收益；

具体的，在预设年限内的每个月的月初，根据S201-S202中的方法将各个股票划分为多个股票组合，根据流通市值加权，计算每个所述候选因子对应的每个股票组合在该月的组合月收益与基准月收益，以观察每个股票组合在此一个月内的收益情况。

根据预设年限内每年各个股票组合的各个组合月收益和基准月收益，计算得到每个股票组合的组合年化收益和超额收益。

S205：基于每个所述候选因子对应的各个股票组合的组合年化收益和超额收益，确定满足预设的筛选条件的每个所述候选因子为目标因子。

可以理解的是，通过候选因子对应的各个股票组合的组合年化收益和超额收益，可以实现候选因子的检验，检验候选因子是否具有有效性，以从各个候选因子中选出符合筛选条件的，具有较好的选股能力各个目标因子。

具体的，所述基于每个所述候选因子对应的各个股票组合的组合年化收益和超额收益，确定满足预设的筛选条件的每个所述候选因子为目标因子，包括：

根据每个所述候选因子下各个所述股票的排列顺序，确定该候选因子对应的各个股票组合的排列序号；

根据每个所述候选因子对应的各个股票组合的组合年化收益以及各个所述股票组合的排列序号，确定每个所述股票组合的相关性绝对值。

具体的，在根据每个候选因子下各个所述股票的排列顺序，依次选取预设数量的股票组成股票组合，得到的多个股票组合依据组成各个股票的排列顺序具有顺序序列，例如序列1-n的组合，各个股票组合的年化复合收益也应满足一定排序关系，即组合因子大小与收益具有较大相关关系。假定序列i的组合年化收益为Xi，则Xi与i的相关性绝对值Abs(Corr(Xi,i))>MinCorr，此处MinCorr为给定的最小相关阀值。

确定每个所述候选因子对应的各个股票组合中排列序号最大的第一股票组合和排列序号最小的第二股票组合；

若每个所述候选因子对应的各个股票组合的相关性绝对值，以及该候选因子对应的各个股票组合中的第一股票组合的超额收益和第二股票组合的超额收益满足预设的筛选条件，则确定该候选因子为目标因子。

可以理解的是，排列序号最大的第一股票组合和排列序号最小的第二股票组合，即序列1与序列n表示的极端股票组合超额收益分别为AR1，ARn；其中，MinARtop和MinARbottom表示最小超额收益阀值。

如果AR1>ARn，因子越小，收益越大，则应满足AR1>MinARtop>0andARn

如果AR1MinARtop>0andAR1

以上保证因子最大最小的组合，一个明显跑赢市场，一个明显跑输市场。

满足上述两个条件中的任一个条件候选因子下的各个股票组合，无论在上涨，下跌还是整个股票评分模型形成期，序数1和n的两个极端股票组合中，较高收益的股票组合应该能以较高的概率跑赢市场，而较低收益的股票组合则能以较高的概率跑输市场，则至少说明该候选因子在过去一段时间内表现出较好的选股能力，可以作为进一步筛选的有效因子。

例如，从表1所述的各个候选因子中筛选出满足上述指标的有效因子：总市值，流通市值，市净率，静态市盈率，营业利润率，销售净利率，营业增长率，净利润同比增长率，净利润环比增长率，净资产收益率ROE。

从各个候选因子中筛选出满足上述条件的各个有效因子后，对各个有效因子进行进一步的筛选，可以剔除其中相关性较高的有效因子，得到最终的目标因子，具体的：对不同有效因子对应的各个股票组合进行打分，收益越大分值越大。在预设年限内按月计算每个股票的不同有效因子得分的相关性矩阵，得到第t月每个股票的有效因子得分相关性矩阵，并计算预设年限内相关性矩阵的平均值，即预设年限共m个月，加总相关性矩阵后取1/m。根据各个股票的每个有效因子的相关性矩阵，确定满足得分相关性阈值的有效因子为目标因子。

进一步筛选有效因子后，剩余目标因子：总市值，流通市值，市净率，营业利润率，营业收入增长率，净利润环比增长率，净资产收益率ROE。

应用本发明提供的实施例，通过计算预设年限内各个候选因子对股票收益的影响，能够有效地筛选出与股票收益相关性较高的目标因子。

S103：根据所述评分选股模型，对各个所述股票进行评分，得到每个所述股票的评分结果，并根据各个所述评分结果由大到小的顺序对各个所述股票进行排序，从已经排序好的各个所述股票中确定排序前N的各个股票为目标股票。

其中，N为正整数。

本发明提供的实施例中，根据所述评分选股模型，可借鉴Mindgo平台中的百分比无量纲处理的方法，将各个目标因子的不同值无量纲化。获取各个股票的每个目标因子的值，对每个股票所对应的目标因子的值进行无纲量化，并将各个无纲量化后得到的各个目标因子的无量纲化因子值进行相加，得到每个股票的各个目标因子对应的评分相加得到总得分，按各个股票的总得分从大到小的顺序对各个股票进行排序，从已经排序好的各个股票中确定排序前N的各个股票为目标股票，各个目标股票组成最优股票池。

S104：基于预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和预设的技术面指标择时模型，确定各个所述目标股票的购入时间。

本发明提供的实施例中，基于行为金融学理论以及结合现实情况，可以利用相应的技术面指标结合隐马尔科夫模型去进行股票的择时。根据预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和技术面指标择时模型，可以基于当下各个目标股票的价格特征数据，确定当下时间是否是目标股票的购入时间。

基于本发明提供的实施例，在进行量化投资的过程中，选取股票市场中符合预设的选股条件的各个股票；从预选的各个候选因子中确定各个目标因子，并根据各个目标因子构建评分选股模型；根据评分选股模型，对各个股票进行评分，得到每个股票的评分结果，并根据各个评分结果由大到小的顺序对各个股票进行排序，从已经排序好的各个股票中确定排序前N的各个股票为目标股票；基于预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和预设的技术面指标择时模型，确定各个目标股票的购入时间。

应用本发明提供的实施例，从多个候选因子中选择与股票收益相关性最大的因子作为目标因子，并根据目标因子从股票市场中选出具有较高收益的各个目标股票，全面考虑各个因子对股票收益的影响，并且通过HMS-GMD择时模型和技术面指标择时模型，从多维角度进行股票的择时考虑，帮助投资者获取到股票的最佳买入抛出时机，提高投资者的股票投资成功概率。

具体的，如图3所示，所述基于预先构建的HMS-GMD择时模型和预设的技术面指标择时模型，确定各个所述目标股票的购入时间，包括：

S301：获取每个所述目标股票当前的价格特征数据，将所述价格特征数据输入到该目标股票对应的HMS-GMD择时模型，得到该目标股票的市场状态分值。

可以理解的是，根据目标股票当前的价格特征数据，可以判断出当前时间是否为目标股票的购入时间。

将目标股票的当前的价格特征数据输入到已经预先训练好的该目标股票对应的HMS-GMD择时模型中，得到输出结果，并根据输出结果对应的市场状态序列，可以得到目标股票当前的市场状态分值。

本发明提供的实施例中，可选的，所述HMS-GMD择时模型的建立过程，包括：

获取各个所述股票的多个历史价格特征数据；

确定隐藏状态数目以及高斯混合数目；

基于所述隐藏状态数目、高斯混合数目以及每个所述股票的多个历史价格特征数据，通过预设的隐马尔科夫HMM模块，得到该股票对应的各个市场状态序列；

确定每个所述市场状态序列对应的市场状态分值，完成每个所述股票对应的HMS-GMD择时模型的建立过程。

具体的，HMS-GMD择时模型是HMM模型(Hidden Markov Model，隐马尔科夫模型)的扩展，运用HMM模型，可以通过可观测序列得到其对应的隐藏序列。将股价这一观测到的序列(Y1,...,Yn)称为可观测序列，而每一个可观测值的产生对应着市场状态序列(Z1,...,Zn)，每个状态通过不同的分布函数来产生观测值。通过HMM模型，可以用简单的输入，来得出对目前市场状态的判断，从而进行择时选择。因为市场状态不是显性可观测的，属于隐藏状态，通过对可观测变量的处理来进行推测。

获取沪深300指数中所述股票的相应价格曲线数据，即多个历史价格特征数据作为观测值，并确定需要建立的HMS-GMD择时模型的n个隐藏状态数目和混合高斯分布数目m。根据所述隐藏状态数目n、高斯混合数目m以及每个所述股票的多个历史价格特征数据，输入历史价格特征数据到隐马尔科夫HMM模块，能够输出n个状态序列，因此，通过机器学习算法训练可以出一个适合于这段时间的HMS-GMD择时模型，最后能够得出这个段时间内每个时间点的n个市场状态序列。人为地为各个市场状态序列赋予实际意义，设置每个市场状态序列对应的市场状态分值，完成每个股票对应的HMS-GMD择时模型的建立过程。

应用本发明提供的实施例，在HMM模型里加入了高斯分布，并基于历史价格特征数据构建出HMS-GMD择时模型，能够使得构建出的HMS-GMD择时模型更加适应于金融领域的环境，提高择时判断的准确性。

S302：获取每个所述目标股票当前的技术特征数据，将所述价格特征数据输入到所述技术面指标择时模型，得到该目标股票的技术指标择时分值。

基于行为金融学理论结合实际分析，可以选取目标股票的板块指数、人气指标、乖离率和大宗交易等技术特征数据来构建技术面指标择时模型，根据目标股票的板块指数、人气指标、乖离率和大宗交易，以及预设的评分标准，能够得到目标股票的技术指标择时分值。

本发明实施例中，分别对板块指数、AR(Ability Ranking，网络营销能力评级)人气指标、乖离率和大宗交易都设置了评分标准，将目标股票在板块指数、人气指标、乖离率和大宗交易上的得分根据预先设定的权重相加，得到目标股票的技术指标择时分值。

其中，板块指数中股票板块主要是按照行业、概念、地区分类，板块指数可以反应股票未来的走向趋势；AR人气指标反应的是股票的市场买卖意愿的程度；乖离率反应股价与平均移动线之间的偏离程度，通过百分比来表示股价与平均移动线之间的差距；大宗交易针对的是一笔数额较大的证券买卖，通常大股东交易股数越大、买入迹象明显，会使其后几天股票价格上涨，因此投资者可以用通过大宗交易来判断何时进行股票买卖。

S303：根据所述市场状态分值和技术指标择时分值以及预设的市场状态权重值和技术指标择时权重值，确定当前每个所述目标股票的购入时机分值，当所述购入时机分值达到预设的阈值时，确定当前时间为该目标股票的购入时间。

给市场状态分值和技术指标择时分值设置市场状态权重值和技术指标择时权重值，将目标股票的市场状态分值与市场状态权重值之积以及技术指标择时分值与技术指标择时权重值之积相加，得到目标股票的购入时机分值，如果购入时机分值达到预设的阈值时，确定当前时间为该目标股票的购入时间，可以将目标股票进行买入。

应用本发明提供的实施例，基于行为金融学理论以及结合现实情况，可以利用相应的技术面指标结合隐马尔科夫模型去进行股票的择时。利用相应的技术面指标可以通过给各个指标设置相应的权重，以及对各个指标本身进行分值的设置，并结合隐马尔科夫模型的择时判断来实现股票的自动买卖，可以避免股票买卖时人为心理的认知偏差，使投资者的择时更加科学有依据，同时将经验与理论相结合，确定最优的股票买卖时机，以获取收益最大化。

需要说明的是，板块指数的评分标准如下所述：一般情况下，板块的变化要快于个股的变化，板块呈上升，个股股价在未来几天也会呈上升趋势。

如果目标股票的板块指数前一天的收盘价>前前一天的收盘价，则表示可以买入，板块指数分值加5；如果目标股票的板块指数前一天的收盘价<前前一天的收盘价，股价前一天的收盘价>前前一天的收盘价，则表示可以买入，板块指数分值加5；如果目标股票的板块指数前一天的收盘价<前前一天的收盘价，股价前一天的收盘价<前前一天的收盘价，则表示可以卖出，板块指数分值减5。

AR人气指标的评分标准如下所述：AR以100为中心地带，其上下20之间，即80～120，属盘整行情，股价走势平稳，不会出现剧烈波动；AR走高表示行情活跃，人气旺盛，过高则表示股价进入高价，应择时退出，AR值一般上升到150以上，股价随时可能回档下跌；AR值走低表示人气衰减，需要充实，过低则暗示股价进入低谷，可考虑伺机介入，一般AR跌至70以下，股价有可能随时反弹上升；将AR人气指标分为五个等级，计算相应的得分：

若目标股票的AR人气指标＞150，则表示可以卖出，人气指标分值-2；如果目标股票的AR人气指标在120至150之间，则表示可以买入，人气指标分值+1；如果目标股票的AR人气指标在80至120之间，则表示股票状态可以不变，人气指标分值+0；如果目标股票的AR人气指标在70至80之间，则表示可以卖出，人气指标分值-1；如果目标股票的AR人气指标＜70，则表示可以买入，人气指标分值+2。

乖离率的评分标准如下所述：当股价在移动平均线(MA)之上时，称为正乖离率，反之称为负乖离率；当股价与移动平均线重合，乖离率为零。在股价的升降过程中，乖离率反复在零点两侧变化，数值的大小对未来股价的走势分析具有一定的预测功能。

经过回测分析，确定将历史乖离率最大值与最小值作为一个判断标准。根据乖离率与这两值的比较来分配分值。因此乖离率变化对应的得分为：

如果目标股票的乖离率＞历史最大乖离率，则表示可以卖出，乖离率分值-2；如果目标股票的乖离率＜历史最小乖离率，则表示可以买入，乖离率分值+2。

大宗交易的评分标准如下所述：通过爬虫爬取股票池近三天的大宗交易数据，如果个股有大宗交易：股价历史最低，则表示可以买入，大宗交易分值+1分，股价历史最高，则表示可以卖出，大宗交易分值-1分。

依据相关性程度的不同，将目标股票的板块指数、人气指标、乖离率和大宗交易四个指标分别按权重5：2：2：1分配分值，通过对每个时刻版块指数分值、人气指标分值、乖离率分值和大宗交易分值根据权重加总，来计算技术指标择时分值，决定是否对目标股票进行买卖，可以以此来进行相应的调仓操作：

如果计算得到的目标股票的技术指标择时分值在8至10分之间，则表示目标股票可以强买，若技术指标择时分值在3至7分之间，则表示目标股票可以买，若技术指标择时分值在-2至2分之间，则表示目标股票可以先持仓观望(不变)，若技术指标择时分值在-7至-3分之间，则表示目标股票可以卖，若技术指标择时分值在-10至-8分之间，则表示目标股票可以强卖。

还可以在计算得到技术指标择时分值后，再结合市场状态分值对目标股票进行调仓操作。可以根据技术指标和市场分值对目标股票收益判断准确的程度，设定技术指标择时权重值以及市场状态权重值，将目标股票的市场状态分值与市场状态权重值之积以及技术指标择时分值与技术指标择时权重值之积相加，得到目标股票的购入时机分值，如果购入分值达到预先设定的阈值，则表示当前目标股票可以买入。需要说明的是，预先设定的阈值可以根据目标股票的历史价格特征数据和技术特征数据分析所得。

为规避巨额亏损的风险，还可以进行止损设置，当目标股票的股价变为原来购买股价的80％时，自动实现全部清仓，以避免更加巨额的损失，达到一定程度上的风险控制。此外，当达到一定盈利就退场的设置，在实现投资一定收益的基础上，规避了泡沫股价带来的潜在损失，其标准为当股价达到购买股价的120％时，自动清仓，卖出所持有的目标股票。

其中对于止盈止损这方面的标准，主要因投资者而异，每一个投资者的风险偏好不一致，所设立的标准也不一致。

上述各个实施例的具体实施过程及其衍生方式，均在本发明的保护范围之内。

与图1所述的方法相对应，本发明实施例还提供了一种量化投资装置，用于对图1中方法的具体实现，本发明实施例提供的量化投资装置可以应用计算机终端或各种移动设备中，其结构示意图如图4所示，具体包括：

股票选取单元401，用于选取股票市场中符合预设的选股条件的各个股票；

模型构建单元402，用于从预选的各个候选因子中确定各个目标因子，并根据各个所述目标因子构建评分选股模型；

股票评分单元403，用于根据所述评分选股模型，对各个所述股票进行评分，得到每个所述股票的评分结果，并根据各个所述评分结果由大到小的顺序对各个所述股票进行排序，从已经排序好的各个所述股票中确定排序前N的各个股票为目标股票，其中，N为正整数；

时机确定单元404，用于基于预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和预设的技术面指标择时模型，确定各个所述目标股票的购入时间。

基于本发明实施例提供的量化投资装置，股票选取单元选取股票市场中符合预设的选股条件的各个股票；模型构建单元从预选的各个候选因子中确定各个目标因子，并根据各个目标因子构建评分选股模型；股票评分单元根据评分选股模型，对各个股票进行评分，得到每个股票的评分结果，并根据各个评分结果由大到小的顺序对各个股票进行排序，从已经排序好的各个股票中确定排序前N的各个股票为目标股票；最后由时机确定单元基于预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和预设的技术面指标择时模型，确定各个目标股票的购入时间。

应用本发明实施例提供的装置，可以全面考虑各个因子对股票收益的影响，并且通过HMS-GMD择时模型和技术面指标择时模型，从多维角度考虑股票的择时，帮助投资者获取到股票的最佳买入抛出时机，以获得最佳收益，提高投资者的股票投资成功概率。

上述的装置，可选的，所述模型构建单元，包括：

获取子单元，用于获取每个所述股票在预设时间点对应的各个所述候选因子的值；

排序子单元，用于根据获取到的每个所述候选因子的值，对各个所述股票进行排序，并根据该候选因子下各个所述股票的排列顺序，依次选取预设数量的所述股票组成股票组合，得到该候选因子对应的各个股票组合；

第一计算子单元，用于计算每个所述候选因子对应的每个股票组合在预设的年限内的各个组合月收益和基准月收益；

第二计算子单元，用于根据每个所述股票组合的各个组合月收益和基准月收益，计算出每个所述股票组合的组合年化收益和超额收益；

第一确定子单元，用于基于每个所述候选因子对应的各个股票组合的组合年化收益和超额收益，确定满足预设的筛选条件的每个所述候选因子为目标因子。

上述的装置，可选的，所述第一确定子单元，具体用于：

根据每个所述候选因子下各个所述股票的排列顺序，确定该候选因子对应的各个股票组合的排列序号；

根据每个所述候选因子对应的各个股票组合的组合年化收益以及各个所述股票组合的排列序号，确定每个所述股票组合的相关性绝对值；

确定每个所述候选因子对应的各个股票组合中排列序号最大的第一股票组合和排列序号最小的第二股票组合；

若每个所述候选因子对应的各个股票组合的相关性绝对值，以及该候选因子对应的各个股票组合中的第一股票组合的超额收益和第二股票组合的超额收益满足预设的筛选条件，则确定该候选因子为目标因子。

上述的装置，可选的，还包括：

获取单元，用于获取各个所述股票的多个历史价格特征数据；

第一确定单元，用于确定隐藏状态数目以及高斯混合数目；

执行单元，用于基于所述隐藏状态数目、高斯混合数目以及每个所述股票的多个历史价格特征数据，通过预设的隐马尔科夫HMM模块，得到该股票对应的各个市场状态序列；

第二确定单元，用于确定每个所述市场状态序列对应的市场状态分值，完成每个所述股票对应的HMS-GMD择时模型的建立过程。

上述的装置，可选的，所述时机确定单元，包括：

第一执行子单元，用于获取每个所述目标股票当前的价格特征数据，将所述价格特征数据输入到该目标股票对应的HMS-GMD择时模型，得到该目标股票的市场状态分值；

第二执行子单元，用于获取每个所述目标股票当前的技术特征数据，将所述价格特征数据输入到所述技术面指标择时模型，得到该目标股票的技术指标择时分值；

第二确定子单元，用于根据所述市场状态分值和技术指标择时分值以及预设的市场状态权重值和技术指标择时权重值，确定当前每个所述目标股票的购入时机分值，当所述购入时机分值达到预设的阈值时，确定当前时间为该目标股票的购入时间。

以上本发明实施例公开的量化投资装置中各个单元及子单元的具体工作过程，可参见本发明上述实施例公开的量化投资方法中的对应内容，这里不再进行赘述。

本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述量化投资方法。

本发明实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器501，以及一个或者一个以上的指令502，其中一个或者一个以上指令502存储于存储器501中，且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作：

选取股票市场中符合预设的选股条件的各个股票；

从预选的各个候选因子中确定各个目标因子，并根据各个所述目标因子构建评分选股模型；

根据所述评分选股模型，对各个所述股票进行评分，得到每个所述股票的评分结果，并根据各个所述评分结果由大到小的顺序对各个所述股票进行排序，从已经排序好的各个所述股票中确定排序前N的各个股票为目标股票，其中，N为正整数；

基于预先构建的隐马尔科夫-高斯分布HMS-GMD择时模型和预设的技术面指标择时模型，确定各个所述目标股票的购入时间。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现。

为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。