本资源提供了一个基于Python构建的股票多因子选股模型，涵盖PCA因子合成与等权重因子合成方法，并采用综合打分策略。附带完整因子数据集压缩包，便于用户快速实践和研究。
Python多因子选股模型包含以下步骤：
1. 因子数据合并：将多个来源的因子数据整合到一起。
2. 行业内中性化处理：消除行业因素对股票价格的影响，使各行业内股票之间的比较更加公平有效。
3. 数据标准化：确保不同量纲的数据在计算过程中具有可比性。
4. 异常值和离群点处理：剔除异常数据以提高模型的稳定性和准确性。
5. PCA因子合成：利用主成分分析法提取关键因子，减少维度的同时保留大部分信息。
6. 等权重因子合成：赋予各因子相同的权重进行综合评价。
7. 综合打分方法（IC值计算）：通过计算信息系数来衡量各个因子的有效性，并据此对股票做出评分。
8. 策略回测：选取排名前20的股票构成投资组合，模拟交易过程以评估策略效果。
9. 收益曲线绘制：展示模型在历史数据上的表现情况。
该选股模型所使用的成长与估值类因素包括但不限于：
- 成长因子：
- EV/EBITDA（企业倍数）
- PB(MRQ)（市净率，最近一季度末值）
- PCF(现金净流量TTM)和PCF(经营现金流TTM) （市现率，过去12个月数据）
- PE(TTM) 和PE(TTM,扣除非经常性损益) (市盈率)
- PS(TTM)(市销率)
- 股息收益率（最近十二月）
- 估值因子：
- 净利润增长率
- 总资产、净资产和经营现金流同比增长率
- 基本每股收益增长速度
- 利润总额及营业总收入的同比变化情况
5星
