浙江证券投资竞赛

浙江省大学生证券投资竞赛团队赛报告报告名称:基于中美贸易战下的多因子选股策略投资分析团队赛类别：投资策略组2019年05月浙江省大学生证券投资竞赛团队报告基于中美贸易战下的多因子选股策略投资分析报告简介本文从中美经济贸易战影响的角度出发，分析了中美发生贸易战的主要原因，考虑了多因子影响下的股盘走向。首先分析了我国目前中美贸易战环境下的宏观背景。18年宏观经济情况前三季度同比增长远小于预期，季度呈现回落趋势下行压力巨大。本文选股策略基于多因子选股模型，我们以航空航天行业和新能源行业作为研究对象，并运用套利相关知识。首先通过可量化的角度选出9个常规估值因子后，再通过回归法对这9个因子进行逐步筛选，最后我们选取每股资本公积金、每股经营性现金流、净利率、毛利率、营业利润率、总资产周转率等6个因子构造等权重多因子策略进行综合得分排名，建立股票池。在中美贸易战的新经济环境下，近年来稳步飞速增长的航空航天行业和新能源行业在19年初的第一季度中基本都收到了较大冲击，我们认为2019年这两个行业中大部分仍会保持当前情况下的衰退趋势（即大幅度波动），根据上述股票池，我们会着重选取航天科技，航发控制，安泰科技和中成股份四支股票，对其行业价值，优势等进行了分析，并认为这四支股票在未来会受到贸易战的较大影响。浙江省大学生证券投资竞赛团队报告目录TOC\o"1-5"\h\z\o"CurrentDocument"1宏观背景分析 5基于中美贸易战的股市影响点分析 5关于美国对中开展双反调查的数据 6\o"CurrentDocument"2行业板块分析 6航空航天板块 6\o"CurrentDocument"新能源板块 8\o"CurrentDocument"3架构量化投资策略之多因素选股 10文献综述 10多因子模型的理论基础 10\o"CurrentDocument"候选因子与有效性检验 11\o"CurrentDocument"基本的多因子模型构建与实证分析 13\o"CurrentDocument"基于行业轮动效应的多因子模型修正 16\o"CurrentDocument"基于多元回归分析的多因子模型修正 19\o"CurrentDocument"结论 21\o"CurrentDocument"4个股分析 22\o"CurrentDocument"航天科技（SZ000901） 22浙江省大学生证券投资竞赛团队报告TOC\o"1-5"\h\z\o"CurrentDocument"航发控制（SZ000738） 24\o"CurrentDocument"安泰科技（SZ000969） 27\o"CurrentDocument"中成股份（SZ000151） 29\o"CurrentDocument"参考文献 31浙江省大学生证券投资竞赛团队报告1宏观背景分析中美经济周期背离是本轮贸易战的重要原因。2008年金融危机后的中美风险处理方式不同导致经济中美经济复苏周期不同步。在2018年初，美国经济复苏态势延续，中国经济存在下行压力。此时，美国以贸易逆差为导火索，发起贸易战。贸易战对股市有明显负向影响，在整体市场中，后期仍然是消费等防御板块表现优异。观察中国2018年的宏观经济情况，前三季度经济同比增长6.7%，小幅低于预期，季度呈现逐步回落态势，下行压力加大。在金融市场上，近期政策频繁出台，向市场释放积极信号，前景也逐渐明朗。基于中美贸易战的股市影响点分析招商证券报告指出，美国对中国的出口中，机械和交通运输设备(航空航天、电子设备、机械设备、汽车、仪器仪表)占比最高且高达48.2%，其他占比较高的类别依次为非食用原料、化学成品、食品及动物。更为细致的分类中，汽车和航空航天、电脑及电子产品、农产品(000061)、化学制品、机械设备、废旧材料是美国对中国出口较多的产品;美国大豆、集成电路出口对中国市场依赖程度较高。从中国各行业美进口的敏感度来看，以在出口中的占比为依据，军工、航空航天占比大于植物产品占比大于汽车占比大于仪器表占比大于谷物，如果中美贸易冲突升级至全面限制的程度对国内的以上行业相对有利。全面的贸易战必然伴随着外交、军事上紧张，对军工行业相对利好。美国《联邦公报》于北京时间8日晚上刊登一份公告称，从5月10日开始，美国将把2000亿美元中国输美商品的关税从10%提高到25%。分析认为，中美贸易战可能会对高技术类股票影响比较大2019年5月初以来，在经历了十一轮中美经贸高级别经贸磋商之后，中美贸易冲突再度加剧，再度紧张的局势带来了全球资本市场调整。中美相互提升加征关税税率，美国威胁可能进一步扩大加征关税范围。美国将中国进口的2000亿美元商品关税由10%提高至25%。作为反制中国将600亿美元的从美国进口商品关税由之前的10%、10%和5%，提高至25%、20%和10%。而特朗普威胁可能进一步加大加征关税范围，表示还未决定是否对中国进口的剩下3000多亿美元商品加征关税，但是已经让美国贸易的代表办公室拟定对中国进口的剩余商品加征关税的清单。目前，中美双方加征关税规模已经覆盖了双边贸易的大部分商品，剩余多是双方必须的消费品和资本品，例如中国对美出口尚未加征关税的集中在服装、鞋帽等领域，而美国对中出口尚未被加征关税的则集中在大型飞机、部分矿物燃料等。基于以上关税的调整，目前股市中避险情绪不断高涨，由此可以认为此次调整可能会影响到商品关税调整的主要方面如航空航天类股票和新能源类股票。浙江省大学生证券投资竞赛团队报告关于美国对中开展双反调查的数据招商证券（600999）报告指出，美国国际贸易委员会数据显示，截至2016年12月21日，美国对中国开展“双反”调查在列的数据共有140起，其中反倾销调查102起，反补贴调查38起，主要集中在钢铁制品（铸件、管类、轧机）、化学制品、塑料橡胶玻璃制品、金属和矿产品；调查中援引的贸易保护法案主要包括《1921年反倾销法》、《1930年关税法》、《1979年贸易协定》。2行业板块分析在中美贸易战起点上，近年来航空航天行业和新能源行业发展势头，我们认为2018年这两个行业还会保持近年来的高增长趋势。因此我们对这两个行业板块进行分析。航空航天板块航空航天行业可以分为航空和航天两个方面，也可分为军用和民用两个方面，我国“十五”到“十二五”以来一直秉持“寓军于民”的政策，大力发展军用航空航天行业，进行军制改革，并且在军事航天实力与航天实力双方面实现实力的巨大飞跃，自我国“长征”火箭载人成功之后，已经成为全球第三大航天强国。2018年我国经济增速较2017年有所上升，前三季度GDP在6.8-6.9波动，我国航空需求随经济回暖平稳增长，航空景气度回升。2018年前三季度行业RPK同比增长13.5%，ASK同比增长13.0%，供需缺口为0.5PCT；较2017年的0.3PCT扩大0.2PCT。2018年前三季度行业累计客座率为83.4%，较去年上升0.4PCT；2018年累计客座率（月）较2017年累计客座率（月）一般上涨1-2PCT左右。以人均乘机次数为基础的分析从人均乘机次数来看，截止2016年我国人均乘机次数仍不足0.4,民航渗透率远低于美国（2.7）、英国⑵1）和日本（0.9）。中国民航局预计2020年我国人均乘机次数达到0.5,行业存在明显的上升空间。自2000年起，我国民航客运量持续上升，但是目前我国航空消费者仅占全部人口的7%左右。后续随消费进一步升级，航空消费的需求有望持续上升。我国人均乘机次数较发达国家差距较大。

浙江省大学生证券投资竞赛团队报告图1各国人均乘机次数航空航天行业需求增长的原因随着我国国民经济的持续发展和人民生活水平的不断提高，航空运输行业在国家经济、社会发展和现代化建设中发挥着越来越重要的作用。我国作为全球人口最多、经济增长速度最快的国家之一，民航运输业近年来大部分时间里一直保持着10%以上的速度增长。2014年末、2015年末、2016年末，我国民航运输飞机在册数分别为2,370架、2,650架、2,950架，年复合增长率为11.57%。经过30多年的发展，中国目前已成为全球第二大航空运输市场，航空客、货、邮运输需求均同步增长。由于政策的限制，我国通用航空在21世纪初的发展相对较慢，但随着近几年我国对低空空域管制体制改革试点的开展，通用航空呈现出快速发展的趋势。2010-2020年中国通用航空器数量及未来增长趋势变化预测图如下所示：图22010-2020年中国通用航空器数量及未来增长趋势变化预测图浙江省大学生证券投资竞赛团队报告中国航空航天市场的发展趋势1）中国当前通用航空器的数量仅约为美国的1%,因此，中国未来通航产业具有巨大的发展空间，市场需求潜力巨大。2）随着经济持续快速发展和城乡居民生活水平的不断提高，通航产业的行业规模在日益扩大，应用领域不断拓展，飞行种类日益增多，飞行需求渐趋旺盛，通航机队规模将保持持续增长。到2020年，建成500个以上通用机场，通用航空器达到5,000架以上，通用航空业经济规模超过1万亿元。“十三五”期间，国内通用航空器数量预计年均增速在18%以上。3）由于中国作为未来最大的飞机购买需求市场，当前国外飞机制造商纷纷布局中国。国外机载设备制造厂家与国内科研生产单位设立合资公司也为中国机载设备制造配套以及国产化设备提供了自我提升的机遇。4）为响应国家对航空制造业的战略规划、支持国家航空产业的发展，行业主管部门对PMA件研制生产持扶持态度，鼓励提升产品研发技术。在保证产品安全可靠及满足适航要求的基础上，促使航空公司减少对国外进口航空备件采购的依赖，降低自身运营成本。未来PMA市场将迎来巨大的市场机遇2.2新能源板块新能源发电的快速崛起，与世界各国日益重视环境保护，倡导节能减排密切相关。风电、光伏作为最为清洁的能源，受到全球青睐，各国纷纷出台了鼓励新能源发展的措施，促进了风电、光伏等新能源的发展。同时，由于技术的进步，新能源发电的成本也快速下降，是其崛起的另一重要推动力。近年来新能源的发展从1997年-2016年这二十年间，全球新能源发展迅猛。风电装机从7.64GW增长到468.99GW，光伏装机从0.23GW增长到301.47GW，分别增长了60倍和1284倍。风电，光伏发电量快速增长，分别从1997年的12TWh、0.8TWh增长到2016年的959.5TWh、331.1TWh，风电发电量增长了79倍，光伏发电量增长了439倍，已经成为电力供应中不可忽视的电源。我国新能源行业市场发展状况与展望2016年，全球风电发电量在总发电量中的占比为3.87%，光伏占比为1.34%，二者合计仅为5.2%。但风电和光伏由于拥有清洁环保的优势，以及较大的成本8

浙江省大学生证券投资竞赛团队报告下降潜力，未来的发展空间不可限量。太阳能和风电将主宰未来电力系统。太阳能发电及陆上风电成本将在2040年前分别进一步下降66%及47%，可再生能源将在2030年前实现比大多数化石能源电厂更低的运营成本。到2040年，风电和太阳能将占全球装机总容量的48%及发电量的34%。报告预计新增可再生能源的投资总额将在2040年前达到7.4万亿美元，占全球新增发电投资总额10.2万亿美元中的72%。其中，太阳能投资2.8万亿美元，风电投资3.3万亿美元。图3全球风电、光伏占总发电量的比例图4预测2040年全球发电结构在我国，煤电无论是装机量还是发电量均占绝对优势，风电、光伏的发电量合计仅占全部发电量的5.21%，而煤电发电量则占全部发电量的71.84%，风电、光伏替代煤电的空间非常巨大。当前，正处于能源替代的关键节点上，由于新能源成本逐步接近甚至低于传统能源，能源替代正在加速进行。截止到2017年三季度末，我国煤电装机10.81亿千瓦，水电3.39亿千瓦，核电3582万千瓦，风电1.57亿千瓦，光伏1.2亿千瓦，生物质1423万千瓦；浙江省大学生证券投资竞赛团队报告火电装机占全部装机容量的61.87%,水电装机占19.4%,核电占2.05%,风电占9.0%,光伏占6.87%,生物质占0.81%。从发电量来看，2017年前三季度，我国煤电发电3.45万亿度，水电8147亿度，核电1834亿度，风电2128亿度，光伏857亿度，生物质568亿度。煤电发电量占比高达71.84%,水电占16.95%,核电占3.82%,风电占4.43%,光伏占1.78%,生物质占1.18%。新能源战略正持续推进中，尤其是在新能源汽车领域备受社会各界关注，政府高度重视新能源汽车的研发和产业化。汽车作为最基本的交通工具，所大量排放的尾气是造成大气污染的祸源，对于人体健康和生态环境带来严重的危害，而且大量的石油需求进一步增加了能源压力，因此，节能减排成为全球汽车产业发展的新主题。而新能源行业也将在此发展趋势下不断猛进，有着良好的发展势头。3架构量化投资策略之多因素选股文献综述关于量化投资选股策略的研究涉及许多方面,常见的包括多因子模型、风格轮动模型、动量反转模型、趋势追踪模型等。对于多因子模型，最重要的环节便是有效因子的选取。大多数论文对于有效因子的选取通常采用因子评分法，此方法最早由欢。次。ski(2000)提出，常见操作为:将股票池中的股票按N个候选因子的大小依次排序，按照每个排序选取排名靠前的股票等权重构建N个极端的股票组合持有到期末，计算N个组合的平均收益率并与基准的指数收益率进行比较,用此方法能成功获取alpha收益组合所使用的排序因子即为有效因子。另外-种方法则是回归法，通过计量模型求得单个因子对股价波动的贡献与显著性。丁鹏曾在其《量化投资--策略与技术》一书中使用1997〜2006年的历史数据对常用的因子进行了有效性检验,大多数检验多因子模型的论文所使用的数据也均在2012年前。本文所选数据在2011~2018年间，更具有时效性,且本文在选取有效因子的部分中采用Fama-Macbethregression的基本思路,对候选因子进行时间序列回归，再对得到的所有P值求t统计量检验其显著性，通过检验的即为有效因子。关于行业轮动效应的研究，有学者将行业轮动与多因子模型相结合，对基于经济周期的行业板块轮动效应进行了实证分析，后续相关文章也大多照此思路，运用宏观经济指标来调整不同行业间的权重。本文在吸取前人研究的基础上，结合最新的货币周期动态，提出以货币增速剪刀差为分界点的行业轮动策略，并使用2016~2018年的最新数据进行了实证分析。多因子模型的理论基础多因子模型的建立主要在C4PM模型、APT模型等理论的基础上逐步演化而10浙江省大学生证券投资竞赛团队报告来。CAPM模型在非常严格的假定下，通过构造资本市场线方程Er—二Er=r+——逗 £a。/。pm与证券市场线方程Er.=r^+[Er^—^幽说明了有效组合的期望收益率包括无风险收益率和市场风险的价格与组合标准差的乘积，对有效组合的风险度量指标则是组合的标准差;而对风险证券的期望收益率也包括两个部分，即无风险收益率和夕值与市场风险溢价的乘积，对风险证券的风险度量指标则是S值。套利定价理论APT模型放宽了CAPM模型的严格假定，可以通过下式表示：々=%+4占+%产2+.••+%/+£»其中，j表示任意一种证券的实际收益率印认表示证券i相对于左因素的敏感度;3表示误差项，也可以认为是只对个别证券收益起作用的非系统因素；Fn表示对所有资产都起作用的共同因素。APT模型不仅放宽了CAPM模型过于严格的假定，也为后来多因子模型的发展奠定了基础。例如之后问世的Fama-French三因素模型，可以通过下式表示：Er.=rf+p,+Erm—rf+S1ESMB+h1EHML它使用了风险值、市值因子和账面价值比三因素来衡量对金融资产收益的影响，并且得到了很好的验证。然而，对于如今资本市场日趋复杂的趋势，仅仅运用三个因子不足以衡量当今市场的变化波动，还有许多因子会共同作用于证券投资的收益率。于是Fama和French于2015年提出Fama-FrenchS因子模型,可以通过下式表示：Er.=%+SjmTf+SSMB+h,EHML+r.ERMW+c,ECMA+在三因素的基础.上增加了盈利能力RMW与投资水平CMA两个因素，修正了原模型的不足。本文通过将量化分析中的常用因子分为价值因子、成长因子、质量因子和动量因子四类，并通过有效性检验来筛选因子,构建模型与投资组合。候选因子与有效性检验首先使用多因子模型将量化投资中的11个常见因子按价值因子、成长因子、质量因子、动量因子进行划分，如表1所示。11浙江省大学生证券投资竞赛团队报告表1多因子模型常用因子及其分类仙汨生子成长因子肢吊因子知用凶手市唱率(PE)市等超PR)市现率(也F)玲嗤产收蓝近塔长率(ROEg)投入资本回报率(R5C)管业收入地长瘠gALE。净利河U变率(N唠谖4狗债率［A；l：)总港产同/率(R/A)年零均摭手率(YTO)月邛悔换手布。HTO)本文采用的数据均来源于Wind资讯，对2011〜2018年间每一年的数据，用沪深300中的所有股票涨跌幅对每只股票对应的检验因子进行时间序列回归，公式如下：%/4%气得到每只股票涨跌幅对各因子的回归系数4,。=1,2,3……300)后，剔出异常值和缺省值的影响，对有效的所有P值在5%的显著性水平下进行t检验(H0:所0;%邛=0),结果如表2所示。表2常用因子的有效性检验结果焚浦因子样本均值It-ualuel生性关系肓效性相嗓市盈率一仙用73，相向相关通过价值大予-6137HJ拜格货相美通过市现率-1仆工0.”力明羡关系未逢UROE调长率［R0EG0.2S1.66正相关通过成长因子投入说奉回舅率2050.57无昭显关系未通过苣业收入蒲隹迪(SALE©)_。.布1U”无照M关系未通过翔利洞埔科率(蛇)0.2也她力明显美系未泡U选产黄仗率(MD)3.342.07正相关通过总造产周辕率CRM)-3001.96112无明显美察未濯过=-h^fiQ-Z年—均换手率广10>4.\.'0.4天明里关系未浮U月邛胸换手氟MTO>-7.593.09篇相关通过可见，在2011〜2018年间的中国股市中，较为有效的因子有市盈率、市净率、净资产收益率增长率、资产负债率与月平均换手率。由于市盈率与市净率同属于价值因子部分，为了追求基本模型的简单明确，防止冗杂因子出现，比较之下本文选择市净率作为价值因子代表，成长因子中选择ROE增长率为代表，质量因子中选择资产负债率为代表，动量因子中选择月平均换手率为代表，用以构建后续的基本模型。12浙江省大学生证券投资竞赛团队报告基本的多因子模型构建与实证分析重新回顾Fama-Frencha因素与五因素模型，两个模型在多次修正与检验中都坚持使用了-一个重要的影响收益的因素--市值。从上文的有效检验来看市盈率（即市值/净利润）就是一个严格负相关的有效因子。从现实来看，A股市场的投资者结构表明，大多数投资者的确是对高市盈率、总市值大的股票避而远之，对该类股票不拥有持有的信心，甚至具有较强的看跌预期。本文选用市净率作为价值因子的代表，但是考虑到市盈率与市值的影响，本文将市值加入多因子选股策略中，强调选择股票池中市值较小的股票进行优先投资,结合上文中提到的另外四个有效因子，构建基本的多因子模型如下：E(r.)=rf+B1EIR0E,+“E(DAR)+^3E(PB)+侑E(M^)+佐E(MTO)+£其中，尸3代表市净率，MV代表总市值,MTO代表月平均换手率，从上文的因子有效性分析可知，这三个因子与投资组合预期收益存在负相关关系；ROEg表示净资产收益率的同比增长率,DAR表示资产负债率与投资组合预期收益存在正相关关系。该因子模型的选股思路在于，选用AOE增长率与资产负债率作为两个有效因子挑选符合条件的股票同时，考虑到市值、市净率与月平均换手率对收益的负作用，在进行比较时倾向选择总市值小、市净率低且换仓月平均换手率较低的股票建立投资组合。首先，采用简单打分法进行投资组合的构建。按照每个因子值进行排序，正相关的因子按降序排列，负相关的因子按升序排列，并按照该排序给沪深300中的每只股票从1到300给每项因子排序并依次打分，最后将5项因子得分的平均成绩按升序排列，股票得分越低表示在该模型上的表现越好。注意，此处打分法中最后的平均得分是基于因子等权重的假设，目的是方便一般投资者能简单运用该模型进行选股策略，同时也为了验证量化选股的强有效性。后文中会放开该假定重新计算不同因子的各项权重。其次，考虑组合中的股票个数。根据Fama对资产组合中证券数量与资产组合风险关系的实证分析结论可知，最初几种股票加入资产组合时能显著降低组合标准差，但当股票数量增加到20种时，再增加证券就不能明显降低资产组合标准差。所以本文在剔除缺省值与极端值影响的情况下，选取得分表现最好的前20只股票构建资产组合，半年进行一次调仓。由于进行因子打分时需要使用上市公司半年报与年报的相关披露数据，根据相关法律规定，上市公司年度报告的披露不应当晚于次年的4月30日，半年度报告的披露不应当晚于当年的8月31日。因此，将实证分析的起始时间定于2016年11月1日，半年调仓时间为2017年4月23日左右，该时间已确保了在进行调仓时上市公司的数据已披露，所构建的投资组合如表3所示。13

浙江省大学生证券投资竞赛团队报告表3多因子模型选股及调仓成分201g12017.11.I-2O13.-JJ52XJI7J.IwG0I7iouu2CI8J.I-MISL11Out也L堂谭圳能源66LKM16.SZ运海控股故好用它“城投撷R山繇铜帙000413亚晶海工控000S98,SZ-糕丽股附吟网寂询作6O12S&SH海大集更0005J0157中天城强W0I15.^1东方Uli空ooowtsz近施控极601991SK丈;也表电wwm冠范洞般能W0W^5!l升华育概脑通电§11西南诏拶MW6S5JI卷料坝0O2IJ2SZ宁波福行W0JI3电东德光晅3I4NSZ宁诲国行ecas^ssn京健跑力华艮1艮行华尊院药6GOO29J5H南方屿空植am划华鹿叵际QMLSH上海电力糊产中大Wf4式迎东北济爵6UHB9-SJ1中金前金60(J027.£fI华电团除利OOTSSH广州去隔600及IEH海南喷空6toS27.SM百联触怕6OIWLSH益就呗W070f9.5Z河阑胆侪百颗股恺6O)S20.SH鹿道般份SCOOTSSH广州发展的03LHC上海电力C0077«5Z「发证节时16011sH中邑太保mCIX朋I很斐尔609闾1梅花生糊600USSH奈方也空6CI6OO^H中厘R业镇话&的醐碰600「巾期雎戈第m^sz国圮诩其上海里丁曲螳眸5H新甥中宝Mxr?:.sz-越湖股份6Wt43SH外君桥Q潴3H兖州作业上H中蜡褂本Ml第北.他屋信泅野60031苦开股般(5OW27.5H华堂民际◎711二HMJI15S.SK度大制支MI7BS5H式太口拶6CII17.5H中修化学晒 5H南烹制行W0J76,SH苜肝般惊<X3QW3,SZ华系居靠婚为臂5H遗tatjw.&h北京旭天物fl理业&OIILISH中国国航皿1门网1中H西笔eojtiissh中恒中冶600005SH武曲型用000415JSZ谕海金伯WIIIISH中陵国虱国【耐Sil平正建筑他06牧勒投相眼WKMOUZWiii60】3235K变通线污4GI87J.&H招商轮蛤万达睨接sooassjsn宝地集区阳翻士口农业限行本文选取2016年n月1日至2018年n月4日的历史数据对投资组合的收益进行实证分析。选取该时间段的原因是:首先该数据时效性较强，可证明该模型在现今中国股市中的有效性;其次考虑到该时间段经历了牛市开始、牛市顶点、牛熊市切换、熊市低点与市场回升五个阶段，具有比较全面的覆盖性，可以得出该模型在市场的不同阶段的具体表现。选用的基准指数为沪深300指数，比较沪深300指数收益与多因子模型所构建的资产组合在2年内收益，具体操作为:每半年视为一-期,每期采用相同的初始资金，每期初均对投资组合的股票进行等金额的投资，半年后清仓并调仓，比较每期投资组合与同期沪深300指数的持有至到期收益，如图5、图6和表4所示。14浙江省大学生证券投资竞赛团队报告一理诲加理收总一』"|力限总一理诲加理收总一』"|力限总图5投资组合与沪深300持有至到期收益比较图%$0M4D,003OJD02D.00IO.DO□,□0中壮丁用叶咛9N图6投资组合超频收益率表4投资组合与沪深300收益综合比较(％)WI7&事3OI7,7,JI3^17.(023ZOlS.1.312OI-&731聚岗组合收心一脚HJjOS-5.S2-电肖IJ-»-HA!47102)HDCIO收益S93S-L吼G5-2S60-[EM-IDASIWS.69是保咬益莘17.6545ASI3.S3£.902M-0333.213.53由多因子选股模型运行结果和基准收益率的趋势对比我们可以看出，当股市处于牛市行情时(2016.11〜2017.5),多因子选股模型相对于基准收益率而言有极好的表现，半年间持有至收益率高达135.05%,远高于基准收益率89.35%,说明该模型在牛市的环境下选股能力比较强。当股市处于牛熊市切换时(2017.6-2017.11)，该模型开始时同样有较好的表现，半年累计收益率维持在-16.7%，相对于指数在牛熊市切换时产生的大幅下跌(-25.6%)，该模型在该阶段表现出较强的防御能力。当市场进一步下跌处于熊市低点时(2017.11〜2018.2)，该模型在前半段时间仍表现出很强的防御能力，但后期市场开始出现反弹行情时(2018.2〜2018.5)，略低于基准收益率，不过差别较15浙江省大学生证券投资竞赛团队报告小。而一旦市场出现持续较强反弹回升的行情时(2018.6〜2018.11)，该模型也能成功获得较高超额收益。总体来看，该多因子选股模型在样本期间总体表现较为优异，但当该投资收益相对应的波动率超过了市场的总体水平时，该模型仍存在一定风险。且该模型的选用具有较强的阶段性，适合在整体股市进入牛市、牛熊市切换或是出现较强反弹行情时使用，但在市场出现剧烈波动时有效性有所下降。3.5基于行业轮动效应的多因子模型修正根据行业轮动模型来看，自上而下的投资分析方法认为，宏观经济决定了资产的收益率。所以投资者应先关注宏观经济运行状况再进行资产配置或是调整投资组合的风格。利用宏观经济指标驱动行业配置的理念与作用在行业因子中也是股票收益的重要贡献因子，通过行业层面分析，选择适合当前经济运行状况的行业进行配置，获得超额收益的概率也会较高。当宏观经济指标下行时，应投资于非周期性行业;当宏观经济指标上行时,则投资于周期性行业。而中国资本市场的投资者在近几年来经常参考的一个宏观经济指标便是货币政策与货币周期。狭义的货币政策股市传导机制由Chami等(1999)提出，主要分析了货币政策影响通货膨胀率而导致股东权益变化进而弓起的投资变化;广义的货币政策传导机制认为货币政策影响股市的两个重要操作指标是利率和货币供应，通过资产替代效应、预期效应、成本效应、股票定价效应等一系列机制影响股票市场。可见掌握货币政策,分析货币周期的确对投资者的资产配置有着一定的指导意义。我国的货币政策主要通过中央银行调整存款准备金率、调整再贴现率与公开市场操作等手段来控制货币供应量。我国现行的货币统计制度将货币供应量划分为三个层次：第一，流通中现金(M。)，指单位库存现金和居民手持现金之和。第二，狭义货币供应量(M1)，指M加上单位在银行的可开支票进行支付的活期存款。第三，广义货币供应量(M2)，指M加上单位在银行的定期存款和城乡居民个人在银行的各项储蓄存款以及证券公司的客户保证金。统计2014~2016年中国M1与M2的同比增长率，如图7所示。图72016〜2018年中国M1与M2同比增速对比图16浙江省大学生证券投资竞赛团队报告结合我国的货币政策来看，自2016年n月22日中国人民银行采取非对称方式下调金融机构人民币贷款和存款基准利率开始，我国央行连续在2017年中进行了6次降准降息。表现为我国M,增速自2017年3月开始保持稳步上升趋势，从M1与"2的增速差来看，2017年10月出现货币增速剪刀差。根据相关文献论证，货币增速剪刀差与宏观经济变量之间存在着相关关系，宏观经济指标的改善会在一定程度上提高货币活化度，导致货币增速剪刀差扩大；同时货币增速剪刀差会进一步引起宏观经济指标的改善，实证分析也表明货币增速剪刀差与国内生产总值同比增速呈现正相关关系。可见，货币增速剪刀差的出现一定程度上体现了宏观投资环境的改善。结合行业轮动效应可以认为，货币增速剪刀差的出现与消失均可以作为进行行业轮动调整的信号:在2016.11〜2017.10这一时段货币周期仍处于较为紧缩的状态，应倾向投资于非周期性行业;在2017.11~2018.11这--时段属于货币周期的扩张阶段，应多考虑选择周期性行业。根据川山山加-9-Sha卬市场模型来看，单个证券或一一个投资组合的收益率与市场指数的收益存在一定关系，其相关系数定义为B值，当P>1时，可称为进攻性证券；B<1时，则是防御型证券。同样，我们将-个行业中的所有股票看作一个投资组合，其收益对市场指数的敏感性也可以用B表示，P>1时，可定义为周期性行业；B<1时，则是非周期性行业。对于每个行业的值可采用单因素模型进行测算,具体公式为：几E%y—(E%*Ey)Y=a+BX+sB= n^X2—(E%)2其中,y为沪深300指数收益率序列数据，%为行业指数收益率序列数据，n为区间内根据时间频度决定的收益率个数，此处均采用年化数据进行计算。行业划分按照Wind-级行业划分，行业指数使用Wind资讯行业指数,计算出以沪深300为样本数据的行业值，如表5所示。表5行业分类及其周期性判断行业R-Squart类别材料L130.89周期金融112仆9周期■源1,09仆6周期可选消费1.060.83局用日常消费0,97O.S3非周期工业0」打0.3S非周期叵疗保健口一罐0.74非同朝公月事必0.840.76非周期电信醵弱0.810.8i非周期信息技术0,78：),57非同期紧缩时：w.=工*0.05(i=1,2,3……10),2=，，匕=Aw.1 % t 2%比t117

浙江省大学生证券投资竞赛团队报告扩张时：w.=p.*0.05(i=1,2,3……10),2=，，匕=Aw.i1 t24itti其中，用表示第i个行业的口值，”为第i个行业考虑行业轮动后的平均仓位，At为第t期的调整因子，,为第i个行业在t期的具体仓位。根据计算可得基于行业轮动的投资组合调整结果,如表6所示。表6结合货币周期后的选股与调仓成分2017.5.1-»17.1DJI2017.11.31-501a.SJL20tS.6.1-Mieju名辞行集仓由自碎行业仓蛾之痔行业仓位一稼行业包也招商轮船工更0.0S2-1定大隼团可选清强0UM95光大通券金班。.帖如大演员电听用丁业皿M中国父呗工羲1J.CIS24胸花牛淘F点消没口侬如中国国嫡丁业0.04SQ中国太保宝岫ftOS60-中国巾冶工业映产中大可选消贝色力4岛5首快收归RflifiA北a眄中国福业材料「HNKS北.京银行金麟(LIMM城投挣脱金睢口四小端推搭曲至班。.结30立通福行金曜南京银行金映fl(I4M苜产股份金联外高用丁业“心4安红据行金融04)560制3界车可选消规0X)480兖州候业能薄0.(1471金电架图金的O.05W魔大集团可选消费0U033O巾段烧本金成推他S金联0.M9苜养幽忙啜巾0JH30中国强电1■业GOjQi箭穿中辛金映□N54防航空丁业0.0530由南江粤工融加中却弹T业OO将5布料但业能源a.o+fi；广州注解心同H红0.06H海南斯空T业蚪中归国耻1■业OuMSS超至位金射oms4秋法有速可选消密小侬*东方航空T业GJM59九州当E需消班0.CM85nn%R公用T业上海电力公用工旦。的？南方茴空工业LMM皆百联股傥日常消费0l(M85的那酬工业(WSM就枢腺检材料aIM55温着声医行保健01435要亚股馆工业0.0135华年田陆公用丁!£0.06比3次院独可选洎蠢0M85亍渡银行言班th吧蚪京踞电力公用工里0.042(1上海电力公用H见0.0605国体泄寿金照0JM39毕茶倏而日常演的甲金黄金材科0.056d华JW!行£赛华东医药F常消独0.0530r发正筠金更01530究州煤业:法甲H.网5TilWT重依0.CM54材料QJM55国布事等D--O53O上汨建丁T.ilU.Lk有漉裾股悻材料U.CM5U其翔股份材料O.CM55东北证券[}gU以阅及T：业UU阳5中工抬投宝再QL|N»河暝股豺材料0.0455雨海上挎Q,G53O华电国厢发再出土0.M2D，二自三产■必，1乐趣光电怙息技术。，政g支触打芷胞QMJ0上天业武鞫利3g2就期能用sue必.立海控股£N£口3制泛海栏股1M止此3仃华富囹有公用H业DjO42D将平均仓位下的投资组合与行业轮动下的投资组合收益在同一时期进行持有至到期收益率的实证对比，结果如表7所示。表7考虑货币周期下行业轮动多因子模型收益比较觥)201Kl312017.4.212017.7.^1WI7.IQJ310ISJ3I201SjL252D14.73]20L3,II.9犀均杈小E的见前1打6百法-1670-14.20-II014.71中小号,机之收益行业轮Mf的SS.42I63C9•&31-n.oj-11^7-11%1-J圾冲Hsuon收益393ft-IQ.6S-25加-16.M-10651.4g5.60综合来看，加入行业轮动效应后修正的多因子选股模型虽然不能保证在每一一个时间点均获得比基本多因子模型高的超额收益，但是在近两年的投资期中的确能收获更高的平均收益率，且表现结果也能超过市场收益。可以证明，中国股18浙江省大学生证券投资竞赛团队报告市在近期内的确存在着较为明显的行业轮动效应，加入行业轮动调仓的确能增强多因子模型获得超额收益的能力，同时也验证了量化选股的各项策略间存在互补关系。3.6基于多元回归分析的多因子模型修正在前文的基本多因子模型中曾使用简单的打分法，假设因子同权重时对股票池中的股票进行排序打分建立投资组合。但现实中每个因子对收益率的贡献--般不会出现均等情况。为了修正该假设，本文采用构建面板数据进行多元回归分析的方式来比较因子间的权重大小。具体操作为:利用2014〜2017年间的历史数据建立短面板数据，由于不同因子间的量纲差距较大，先对单项因子进行线性标准化处理，即通过数学变换将各因子的取值换算为(0,1)内的数字来解决因子间的不可公度性，计算公式——min(x.)其中，i代表不同因子(i=1,2…5)，%为各项指标的原始值，min(x)与max(x)分别代表该因子的最小值与最大值，X;表示该因子的标准化值。将数据进行标准化处理后，构建以下计量模型对原多因子模型进行修正：CHG^=4SiA0%nt 与MT%,S/%%MJ%%其中，n代表沪深300中不同股票的观测值(n=1,2……300),t代表时间。CHGn,为股票在下一-期的涨跌幅;〃。片9相代表净资产收益率的同比增长率;D4Ant代表资产负债率;MT。nt为月平均换手率;尸3nt为市净率;M^nt代表总市值;an为非观测效应，概括了影响着CHGnt但又不随着时间而变化的因素;〃"为特异性误差。在使用该模型进行回归分析前，对该模型进行Hausman检验来确定是使用随机效应模型还是固定效应模型更为有效。Hausman检验结果表明p=0,强烈拒绝随机效应模型会提供一致性估计的原假设，因此决定采用固定效应模型进行回归分析。为避免异方差性,在回归前对各变量进行取对数处理，回归后结果如表8所示。19

浙江省大学生证券投资竞赛团队报告表8固定效应的面板数据模型回归结果翌量参效估计量标潴差L信p信ROE增长率0.20160.66000.500资产负债率0.369S0.11.533.210(100DI月平均换手率-0J3620,03]4-7.5100口,DOO市值0.0697-7,^8000.000市净率-L5S11。.第63-5.7200D.000截距-7.855103395-23.26DD0.000f埼计量T4y,56p值-口Ft-square-048最后检验该5项有效因子间的相关系数，结果如表9所示。表9有效因子的相关性检验矩阵ROE埸住率资产月平均负债案换手率市值市津率ROE塘怅率1造产血愦率O.Dbl1月审的投手率栓MM-0.041c 1市信0.D1570.2359-0.03111市井率匚」772-0.25590.1W-0,0631 1取阈值为0.5,由数据可证明并未有两两因子间出现较高的相关系数,证明最初的基本多因子模型并未有冗杂因子，该多元回归模型也不存在多重性。通过面板数据的计量模型实证分析来看，净资产收益率同比增长率与资产负债率的确均与股票涨跌幅存在正相关性，且资产负债率对股价涨跌仍存在显著性影响。但净资产收益率的同比增长率虽然通过了单因子回归的有效性检验，但在多元回归模型中并未通过显著性检验;而月平均换手率、市净率与总市值则与前文描述一致，存在严格的负相关性。由于篇幅原因，本文在此未做实证分析，而是根据这一结果对前文的打分法提出如下两种修正策略，供投资者参考：第一,在进行打分法排序时加入因子权重的具体数值，具体计算为:单个因子得分,=4*R。其中i表示不同有效因子，片为不同因子由多元回归模型所计算出的权重，R为排名得分(R=1,2…300),通常正相关因子按升序排列给予1~300得分，负相关因子按降序排列给予1~300得分，每只股票总得分为ESi,根据ESi,选出得分最高的20只股票构建投资组合。20

浙江省大学生证券投资竞赛团队报告第二，综合比较多元回归的因子权重生，以及显著性检验统计量|t-value|的绝对值大小，对影响最大的因子进行优先筛选，影响越小的因子筛选顺序越靠后。例如在本文模型中的具体操作为:选出有效因子中影响最大的因子并按其值在沪深300股票池中优先筛选出前100只股票，再按照第二有效因子的排序筛选出前60只股票，第三、第四、第五有效因子分别选出前40、前30、前20只股票,最后筛选出的20只股票即为构建的投资组合。3.7结论表10预估6月末收益指数每股资金公积金每股经营性现金流净利率毛利率(%)营业利润率1%)总资产周转率〔次)预演1收益率2DL9.3.3L-2019.3.31^2019.3.3L-2019.321。2019.331•2019.3.3U2019.6.30.息120.22■-0.70^12.65~20.30^1工7]♦32.41255.航天电子，1.76---0.22^3.54，7.■□.JOH38.S225航天科技，3.92■-0.08^-Q.55N17.42^-0.4D^0.21。53,22239.广深铁躇1.63*0.02-7.59，12.31+10.22.口."-37,2635铁龙物流,S"-0.01^3,63〃8,42-5M0,3b3861937,大秦铁躇1.61-0.23-22.30--26.21+犯如+0,J3-64.66836^北方稀土，0,04-0,09-2,91〃10.38-4.33^0.1小24.74933-阳光照明0.18--0.00-13.J8-28.6S.J5,E0.0.J9-26.00304-安泰科技■■2g0,044,84〃15.94^52，。.⑶37.90416.中成股份，，1.49「-0.18“。如1429，0<1■0.09.■30.71496中伯海直”1.70■06.52^19.649.66^0.06^44.4O26J中觥机电，，口，绝-0.11,■2.⑼20.5L注62.0.09.24.05776.航发科技-3.07，口.。324.03-11.83-3.84，口.0日。37,03301航天机电■3.39，-0.1。」-8.27■6.04-8,070,12-35,29572航发控制2.33^-0,07'11_1■312C■13.33^口孙42.2681中国卫星■1.39--0315.37.1F?1.■6,37，，口12〃4。,61s43佳讯飞鸿51.27。-0.11-3.巴36.39^m0.07^29.9IS94航天电器112.-0,64.-1301■43.如14.82-口」〃「55.252^申通地铁一0.17，口一孙19.99」22.53^23.69-0.07^31.24S74中国中车■■142一-0.1c5.22,07-6.08-0.11-39,91913中国国铁中203--1.64^3.39-0.17^59,44072中国铁建2.98.z.922.78.993-3.50..口17.，90,57653贵航股份，2.03口0.02^141♦22.『4■1.5,Q0.17^48,3952521浙江省大学生证券投资竞赛团队报告本文以量化投资中最常用的多因子模型为基础，从一元回归对因子进行有效性检验开始，筛选出近年来从数据上较为有效的因子，构建了基本的多因子模型，采用简单打分法为广大投资者提供了-一个简单可操作、无需太多复杂整理运算的选股策略，并放入近期的市场中，用历史数据验证了该多因子选股模型的投资效果的确高于市场的表现，从而证明了量化选股策略的强有效性。随后进一步修正了多因子模型，从货币周期的角度出发验证了中国股市近年来存在的行业轮动效应，启发了投资者在构建资产组合或分配仓位时要考虑宏观经济指标与行业因素;再加入较为复杂的面板数据多元回归，使用固定效应估计法，在模型中修正了各有效因子的权重，为较深层次的理论研究者与量化投资者提供了相关数据与分析思路。总体来看，量化投资依靠较大的数据量与科学的数理统计相关运算，的确能提供寻求超额收益的有效策略，同时也证明了量化投资在中国股票市场具有很强的可行性与市场潜力，多因子模型只是量化投资策略中的简单一种，还有更多丰富的策略等待广大的投资者去验证与修正。肯定的是，量化投资会随着中国资本市场的复杂深化而日渐普及。4个股分析4.1航天科技（SZ000901）4.1.1价值分析2019年3月31日，航天科技发布了年内首份季报，报告显示，公司一季度内完成营业总收入13.56亿元，股东净利润为-739.79万元，分别同比增长-1.61%，-5.06%。22

浙江省大学生证券投资竞赛团队报告营业总收入（万）图8图8公司营业总收入归属净利润20000180001600020000180001600014000120001000080006000400020000-20002019/3/31图9图9公司归属净利润净利率（%）-1图10公司净利率-1图10公司净利率23浙江省大学生证券投资竞赛团队报告毛利率（％）22 图11公司毛利率由上述两幅图表可以看出，2018年以来公司净利率和毛利率在稳步增长后受到中美贸易战影响出现了大幅波动4.1.2优势分析该公司成立于1999年1月27日，拥有20年的发展历史，发展经验和公司收入均很稳定，且国家政策补贴可以使其发展更加稳定。4.2航发控制底2000738）价值分析2019年3月31日，航发控制发布了年内首份季报，报告显示，公司一度实现营业总收入6.14亿元，相比较下小幅度提升了11.51%；归属净利润为6819.56万元，相比较下小幅增长了17.04%。24浙江省大学生证券投资竞赛团队报告营业总收入300000 图12公司营业总收入归属净利润300002500020000150001000050002019/3/31 2018/12/31 2018/9/30 2018/6/30 2018/3/31图13公司归属总利润净利率1图14公司净利率25浙江省大学生证券投资竞赛团队报告毛利率22 图15公司毛利率由上述两幅图表可以看出，2018年以来公司净利率和毛利率在稳步升高的基础上发生骤降，可以推断是由中美贸易战影响所造成的大幅波动。优势分析.公司位于江苏省无锡市，具有良好的地理优势，公司成立于1997年具有良好的文化底蕴和发展前景。.公司在西安、贵阳、北京、长春等地区有4家全资子公司在无锡有1家控股子公司、1家参股公司。具有优厚的资金底蕴26浙江省大学生证券投资竞赛团队报告4.3安泰科技（SZ000969）4.3.1价值分析安泰科技公司在2018年底发布了最后一次季报，报告显示，公司第四季度实现营业总收入50.54亿元，归属净利润为-3.32亿元，同比增长分别为8.46%和-793.95%。营业总收入图16公司营业总收入归属净利润50005000-5000-10000-15000-20000-25000-30000-35000图17公司归属净利润27浙江省大学生证券投资竞赛团队报告图18公司净利率毛利率图19公司毛利率根据上述表格可以看出，安泰科技在2018年四个季度内实现了总收入的稳步增长和净收入的逐渐下降，毛利率在上涨而净利率在下降，初步推断其受到中美贸易战的经济冲击较大。4.3.2优势分析安泰科技公司本部在背景，具有得天独厚的地理优势条件，同时是国家科技部及中科院联合认定的国家高技术企业，也是被北京市科学技术委员会认定的骨干高新技术企业。主营业务为先进金属材料及制品的研发、生产和销售。安泰超硬通过创新驱动和产品结构调整,“三新”产品已成为主要产品。曾经获得美国全球最大医疗设备制造商“联盟供应商”奖和“中国航天突出贡献供应商”奖。具有强悍的实力，发展稳定。28浙江省大学生证券投资竞赛团队报告4.4中成股份（SZ000151）4.4.1价值分析该公司在2018年底发布了第四季度季报，报告显示，公司第四季度实现营业总收入12.71亿元，实现股东的净利润8342.11万元，同比增长率分别为-42.98%和-5.67%。营业总收入图20公司营业总收入归属净利润图21公司归属净利润29浙江省大学生证券投资竞赛团队报告净利率图22公司净利率毛利率图23公司毛利率根据上述图表可看出，中成股份公司在18年度完成了总收入和净利润的稳步提升，且净利率和毛利率处于相对稳定状态，受到中美贸易战的直接冲击较小，影响不是很大，保证了自己的稳定收入。4.4.2优势分析公司所属行业为贸易行业，并非高新技术的直接开发或收益者，故在中美贸易争端情况下的所受的直接经济损失较小，且其经营范围较为广泛，可以实现一种收益方式被挤压由其他部门补足的现象，故发展较为稳定，具有本身制度性质的优势。且我国海外贸易布局逐步深化，海外市场占有率不断提升。随着“一带一路”的加速实施以及公司对海外市场的重视，未来海外市场优势明显。30浙江省大学生证券投资竞赛团队报告参考文献［1］黄宏运，王梅，朱家明.基于多元回归分析的多因素选股模型仃］.通化师范学院学报,2016,37(08):44-46.［2］司晓彤.基于回归法的多因素选股模型的投资组合分析［D］.青岛大学,2017.［3］卢锋,刘晓光，姜志霄，张杰平.劳动力市场与中国宏观经济周期：兼谈奥肯定律在中国［J］.中国社会科学，2015(12):69-89+206.［4］靳雨佳.基于数据挖掘技术的股票市场分析与预测［D］.吉林财经大学,2017.［5］中研网.新能源行业投资前景/news/132052.html(2019.5.28)［6］大风号.中美贸易战对股市影响看完你就明白了/74233474/wemedia.shtml (2019.5.28)［7］华夏时报.贸易战最新消息中美贸易对股市有影响吗？/n/20190511/266611.html (2019.5.28)［8］杨业伟.专题报告：定量分析中美贸易战对经济的影响/report/20190515/hg,APPJ6LIqhNZ6Report.html(2019.5.28)31浙江省大学生证券投资竞赛团队报告附录附录1:模型代码51=5^”(：,1)；%录入各只股票的数据s2=shuju(:,2)s3=shuju(:,3)s4=shuju(:,4)s5=shuju(:,5)s6=shuju(:,6)s7=shuju(:,7)s8=shuju(:,8)s9=shuju(:,9)s10=shuju(:,10)s11=shuju(:,11)s12=shuju(:,12)s13=shuju(:,13)s14=shuju(:,14)s15=shuju(:,15)s16=shuju(:,16)s17=shuju(:,17)s18=shuju(:,18)s19=shuju(:,19)s20=shuju(:,20)s21=shuju(:,21)s22=shuju(:,22)A=['s1','s2','s3','s4','s5','s6','s7','s8','s9','s10','s11','s12','s13','s14','s15','s16','s17','s18','s19','s20','s21','s22']；zuhe=input('组合个数'，'s')；%%输入你想要的组合数32浙江省大学生证券投资竞赛团队报告ck=eval(zuhe);switchckC=nchoosek(A,ck)；%%%名称的排列组合[hanglie]=size(c);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))]；%%%这是两两组合B=cov(N)；%%%求组合的协方差data(x,1)=ones(1,ck)*B*ones(1,ck)'；%%协方差值的矩阵dataC2=data;%%返回协方差的矩阵 PSSSSSS：协方差即风险C2=C;endC2dataC2C=nchoosek(A,ck);[hanglie]=size(C);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))eval(V(3))];B=cov(N);data(x,1)=ones(1,ck)*B*ones(1,ck)';dataC3=data;C3=CendC333浙江省大学生证券投资竞赛团队报告dataC3C=nchoosek(A,ck);[hanglie]=size(C);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))eval(V(3))eval(V(4))];B=cov(N);data(x,1)=ones(1,ck)*B*ones(1,ck)';dataC4=data;C4=CendC4dataC4C=nchoosek(A,ck);[hanglie]=size(C);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))eval(V(3))eval(V(4))eval(V(5))];B=cov(N);data(x,1)=ones(1,ck)*B*ones(1,ck)';dataC5=data;C5=CendC5DataC534浙江省大学生证券投资竞赛团队报告case6C=nchoosek(A,ck);[hanglie]=size(C);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))eval(V(3))eval(V(4))eval(V(5))eval(V(6))];B=cov(N);data(x,1)=ones(1,ck)*B*ones(1,ck)';dataC6=data;C6=Ccase7endC6dataC6C=nchoosek(A,ck);[hanglie]=size(C);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))eval(V(3))eval(V(4))eval(V(5))eval(V(6))eval(V⑺)];B=cov(N);data(x,1)=ones(1,ck)*B*ones(1,ck)';dataC7=data;C7=CendC7dataC735浙江省大学生证券投资竞赛团队报告C=nchoosek(A,ck);[hanglie]=size(C);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))eval(V(3))eval(V(4))eval(V(5))eval(V(6))eval(V(7))eval(V(8))];B=cov(N);data(x,1)=ones(1,ck)*B*ones(1,ck)';dataC8=data;C8=CendC8dataC8C=nchoosek(A,ck);[hanglie]=size(C);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))eval(V(3))eval(V(4))eval(V(5))eval(V(6))eval(V(7))eval(V(8))eval(V(9))];B=cov(N);data(x,1)=ones(1,ck)*B*ones(1,ck)';dataC9=data;C9=CendC9dataC936浙江省大学生证券投资竞赛团队报告C=nchoosek(A,ck);[hanglie]=size(C);forx=1:hangV=C(x,:);N=[eval(V(1))eval(V(2))eval(V(3))eval(V(4))eval(V(5))eval(V(6))eval(V(7))eval(V(8))eval(V(9))eval(V(10))];B=cov(N);data(x,1)=ones(1,ck)*B*ones(1,ck)';dataC10=data;C10=CendC10dataC10endMIN=find(dataC5==min(dataC5));functionfenxian=evaluate(s