经济
基本面因子量价因子,基本面因子收益率
1：预后因子和预测因子的区别
一、区别
1、因素与治疗或干预措施是否相关
预后因子不管患者接受什么治疗，能判断患者预后(肿瘤复发或患者生存)概率的因素，该因素与治疗或干预措施无关；预测因子能判断治疗效果概率的因素，该因素与治疗或干预措施有关。
2、与结果是否相关
预后因子与结果相关；预测因子与结果无关。
3、临床实践中，一个因子往往同时具有预后和预测两者的价值
在非小细胞肺癌中，出现EGFR突变的患者其预后较好，其生存期长于无突变的患者，同时，EGFR突变又是酪氨酸激酶抑制剂吉非替尼和厄罗替尼疗效的预测因子，著名的临床研究IPASS结果显示，使用吉非替尼对晚期肺小细胞肺癌进行治疗，EGFR突变患者的无进展中位生存期10个月，而无突变患者的无进展中位生存期不足2个月。EGFR突变对非小细胞肺癌而言，即是预后因子也是预测因子。
二、预后因子和预测因子指的是：
预后因子指的是不管患者接受什么治疗，能判断患者预后(肿瘤复发或患者生存)概率的因素，即该因素与治疗或干预措施无关，而与结果相关。
预测因子指的是能判断治疗效果概率的因素，即该因素与治疗或干预措施有关，而与结果无关。
参考资料：中国抗癌协会-生物标志物指导下的癌症靶向治疗
2：金融中基本面因子NP_YOY是什么
变量是用在方程中的, 选择变量是过滤个案的. 比如说个案要求某变量中的值>6, 则那个变量大于六的个案才进入方程.
问题基础点, 不介意的话看看书吧.SPSS的教材挺多的.
3：因子分析法的统计意义
模型中F1，F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。e1，e2，…，ep叫做特殊因子，是向量x的分量xi(i=1，2，…，p）所特有的因子，各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素（aij）是为因子载荷。因子载荷aij是xi与Fj的协方差，也是xi与Fj的相关系数，它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权，aij的绝对值越大（aij￡1），表明xi与Fj的相依程度越大，或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。
因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1，F2，…，Fm的共同依赖程度大。
将因子载荷矩阵A的第j列（ j =1，2，…，m）的各元素的平方和记为gj2，称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1，2，…，p）所提供方差的总和，它是衡量公共因子相对重要性的指标。gj2越大，表明公共因子Fj对x的贡献越大，或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1，2，…，m）都计算出来，使其按照大小排序，就可以依此提炼出最有影响力的公共因子。
3. 因子旋转
建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。
旋转的方法有很多，正交旋转（orthogonal rotation）和斜交旋转（oblique rotation）是因子旋转的两类方法。最常用的方法是最大方差正交旋转法（Varimax）。进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。常用的斜交旋转方法有Promax法等。
4.因子得分
因子分析模型建立后，还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。例如地区经济发展的因子分析模型建立后，我们希望知道每个地区经济发展的情况，把区域经济划分归类，哪些地区发展较快，哪些中等发达，哪些较慢等。这时需要将公共因子用变量的线性组合来表示，也即由地区经济的各项指标值来估计它的因子得分。
设公共因子F由变量x表示的线性组合为：
Fj = uj1 xj1+ uj2 xj2+…+ujpxjp j=1，2，…，m
该式称为因子得分函数，由它来计算每个样品的公共因子得分。若取m=2，则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2，并将其在平面上做因子得分散点图，进而对样品进行分类或对原始数据进行更深入的研究。
但因子得分函数中方程的个数m小于变量的个数p，所以并不能精确计算出因子得分，只能对因子得分进行估计。估计因子得分的方法较多，常用的有回归估计法，Bartlett估计法，Thomson估计法。
⑴回归估计法
F = X b = X (X ￠X)-1A￠ = XR-1A￠ （这里R为相关阵，且R = X ￠X ）。
⑵Bartlett估计法
Bartlett估计因子得分可由最小二乘法或极大似然法导出。
F = [(W-1/2A）￠ W-1/2A]-1(W-1/2A）￠ W-1/2X = (A￠W-1A)-1A￠W-1X
⑶Thomson估计法
在回归估计法中，实际上是忽略特殊因子的作用，取R = X ￠X，若考虑特殊因子的作用，此时R = X ￠X+W，于是有：
F = XR-1A￠ = X (X ￠X+W)-1A￠
这就是Thomson估计的因子得分，使用矩阵求逆算法（参考线性代数文献）可以将其转换为：
F = XR-1A￠ = X (I+A￠W-1A)-1W-1A￠
4：什么是多因子定价模型
量化选股就是利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率的行为，研究表明，板块、行业轮动在者的交易中最为获利的盈利模式是基于行业层面进行周期性和防御性的轮动配置，这也是者最普遍采用的策略。此外，周期性股票在扩张性货币政策时期表现较好，而在紧缩环境下则支持非周期性行业。行业收益差在扩张性政策和紧缩性政策下具有显著的差异。
多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发挥作用。
5：如何实现基本面量化
1. 对于基本面量化来说的确数据是第一位的, 真正生产环境可以work的策略都是必须有高质量的数据支撑;
2. 一般来说首先是资产配置模型, 根据宏观,市场情绪以及经济基本面等建模, 优化股票债券和现金的优化配置比例, 当然资产配置本身就是博大精深的, 有很多可以研究
3. 在具体的投资标的比如股票, 可以利用量化的方法构建价值因子,成长因子,盈利质量分析因子,分析师估值因子,情绪因子, 市场动量因子等阿尔法模型, 最后在风险模型的基础上进行优化和个股选择/组合构建
6：为什么运用因子分析的方法做投资价值的研究
行业的市场表现受到宏观经济、行业经营周期、行业基本面以及市场本身等因素的影响，行业多因子模型就是通过对这些因素进行量化描述，分析其与行业市场表现的相关性，提取若干具有显著影响的因子构建行业投资价值的分析评估体系。
经济增长、商业周期、通货膨胀、预期收益率等宏观行业因素对各个行业产生不同的影响。周期性行业对于经济增长、货币信贷的敏感性强于消费型行业；成长型行业对于市场预期收益率的敏感性高于收入或价值性行业；可选消费行业对于通货膨胀的敏感度高于必需消费行业。宏观行业指标数据的统计口径往往在表征基本面运行状态上考虑得更多，而对于投资来说这些数据需要进行处理，排除干扰分离出更为有用的信息，或者将数据组合起来进行观察。比如，货币供应量M2和M1的剪刀差反映了货币的活化程度；PPI和原材料购进价格之间的剪刀差反映了制造业盈利空间的变化；原材料库存和产成品库存之间的剪刀差又反映了库存周期缺口等等。国际上著名的宏观因素模型BIRR模型中的宏观指标都经过符合逻辑的处理与调整，用公司债与政府债的息差反映市场的风险偏好，用长期政府债与短期国债的息差反映投资者预期收益率。
受宏观经济周期和产业周期的影响，行业的发展态势不仅反映在成长速度、盈利能力、运营能力、收益质量等基本面指标上，还反映在分析师对行业成份公司的预期和市场估值层面，并最终体现在市场价格上。需要通过对行业的财务指标、市场预期、估值水平等因素的综合分析，寻找行业的投资机会。通常情况下，预期增长快的行业处于行业景气向上的周期中；毛利率高的行业占据着产业链中的优势地位，具有较高的议价能力；周转率较高的行业具有较高的资源使用效率。这也反映了公司经营最关键的因素，即量、价和速度。在过去的几年里，白酒行业从营收增长到毛利率，再到净资产收益率的平均水平都高于多数其他行业，二级市场股价表现持续超越大盘。行业的基本面因素情况决定了行业中长期的市场表现，行业的估值水平则是影响行业短期表现的重要影响因素。由于行业收益的高低以及弹性特征不同，各行业的平均估值水平和波动幅度有着固有的差异，降低行业间固有差异的干扰后，有助于帮助投资者把握短期行业的市场表现。
投资者经常说“强者恒强”和“皮球从高处落下总要弹几下”，分别对应的是量化投资领域中的动量和反转两种不同股价运行模式。在行业层面，看似矛盾的动量与反转效应普遍存在，并对应着不同的市场运行逻辑：宏观及行业周期是行业基本面变化的主要推动因素，因此行业的市场表现具有较强的持续性；在行业投资中也经常遇见先期跌幅较大的行业未来一段时间有相当的涨幅。这种动量和反转效应还夹杂着整个宏观经济冷暖导致的股市整体表现，将将市场整体波动从行业层面剥离，行业之间的动量和反转效应更为明显。
行业多因子模型的关键在于因子的选择，不仅需要有普适的逻辑关系，还要有对指标的含义进行深度解读，更要使用合适的数学方法进行规整，才能从繁杂的影响因素里发现市场的规律，分析行业投资价值，制定更为客观可靠的投资决策。