[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M6CVM17X6ZSXBYY3YBAHM4Q6":3,"skill-same:01M6CVM17X6ZSXBYY3YBAHM4Q6":46},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":15,"categories":16,"keywords":17,"publishedAt":20,"linkOnly":21,"markdownContent":22,"markdownBody":23,"frontMatter":24,"refName":25,"commitSha":26,"skillDirectory":27,"forksCount":28,"repositoryHtmlUrl":29,"repositoryHomepageUrl":6,"ownerHtmlUrl":30,"ownerBlogUrl":6,"ownerDescription":6,"updatedAt":31,"install":32,"resources":45},"01M6CVM17X6ZSXBYY3YBAHM4Q6","multi-factor-model",null,"多因子选股模型的完整指南，包括因子选取、有效性检验（排序法）、冗余因子剔除、综合评分模型构建和实证案例。适用于需要构建或优化多因子选股策略的量化投资者。","FeiCoder\u002FSkill-Factory","FeiCoder","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F49159289?v=4","01M6CVJSHMSFYNK0YV6R84T6QM","01M6CVJSNX8MP1D0JX73QQP6CJ",11,"MIT","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Fstock-selection\u002Fmulti-factor-model\u002FSKILL.md",[],[18,19],"model","multi factor model","2026-11-10 10:12:30",false,"---\nname: multi-factor-model\ndescription: 多因子选股模型的完整指南，包括因子选取、有效性检验（排序法）、冗余因子剔除、综合评分模型构建和实证案例。适用于需要构建或优化多因子选股策略的量化投资者。\n---\n\n# 多因子选股模型\n\n## 概述\n\n多因子模型是应用最广泛的选股模型之一。其核心思想是：采用一系列**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。\n\n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。\n\n**何时使用此技能：**\n- 当需要构建系统化的选股策略时\n- 当需要综合多个指标进行选股时\n- 当需要构建长期稳健的Alpha收益时\n\n---\n\n## 理论基础\n\n### 有效市场假说与因子\n\n市场上的投资者（价值投资者、投机者、短线交易者）都会根据某些因子来判断股票的涨跌。当有一群交易者同时采用某个因子时，就会造成该因子有效。\n\n例如：当很多投资者认为低PE的价值型股票是好的投资标时，他们纷纷买入低PE股票，会使得该股票出现上涨或超越大市。这样就使得**低PE因子**的有效性得到体现。\n\n### 两种判断方法\n\n| 方法 | 原理 | 优点 | 缺点 |\n|------|------|------|------|\n| **打分法** | 根据各个因子大小对股票打分，按权重加权得到总分 | 相对稳健，不易受极端值影响 | 不能及时调整敏感性 |\n| **回归法** | 用过去收益率对因子回归，预测未来收益 | 能及时调整敏感性，不同股票敏感性可不同 | 易受极端值影响 |\n\n**推荐**：初学者使用打分法，熟练后可尝试回归法\n\n---\n\n## 模型构建五步法\n\n### 第一步：候选因子选取\n\n候选因子类型及示例：\n\n| 类别 | 因子 | 说明 |\n|------|------|------|\n| **估值因子** | PE、PB、PS | 市盈率、市净率、市销率 |\n| **成长因子** | 净利润增长率、营收增长率、EPS增长率 | 盈利增长速度 |\n| **盈利因子** | ROE、ROA、毛利率、净利率 | 盈利能力 |\n| **规模因子** | 总市值、流通市值 | 公司大小 |\n| **动量因子** | 20日涨跌幅、60日涨跌幅 | 过去价格表现 |\n| **波动因子** | 日收益率标准差 | 价格波动程度 |\n| **预期因子** | 分析师一致预期、盈利预测 | 市场预期 |\n| **宏观因子** | GDP增速、M2 | 经济环境 |\n\n**选取原则**：\n- 因子必须有经济意义\n- 因子必须具备显著的预测能力\n- 更多和更有效的因子能增强信息捕获能力\n\n---\n\n### 第二步：因子有效性检验\n\n**检验方法：排序法**\n\n```\nStep 1: 在每个月初计算每只个股的各因子指标\nStep 2: 按因子大小从小到大排序，平均分为n个组合（建议5个）\nStep 3: 持有至月末，下月初重新构建组合\nStep 4: 重复到模型形成期末\n```\n\n**有效性判断标准（三个条件）：**\n\n1. **排序关系**：组合因子大小与收益应具有较大相关性\n   - 因子越小收益越高：x₁ \u003C x₂ \u003C ... \u003C xₙ 应导致 r₁ > r₂ > ... > rₙ\n   - 或因子越大收益越高：反向关系\n\n2. **超额收益**：极端组合应有显著超额收益\n   - max(Ri - Rb) > 最小超额收益阈值\n   - min(Ri - Rb) \u003C 最大负超额收益阈值\n\n3. **胜率**：不同市场环境下高收益组合跑赢基准概率高\n\n**关键指标**：\n\n| 指标 | 含义 | 合格标准 |\n|------|------|---------|\n| 年化复合收益 | 组合的实际收益 | 最高组合 > 最低组合 |\n| 超额收益 | 相对于基准的收益 | > 5% |\n| 跑赢概率 | 跑赢基准的月份占比 | > 60% |\n\n---\n\n### 第三步：冗余因子剔除\n\n**问题**：不同因子可能由于内在驱动因素相同，所选出的组合高度一致，需要剔除冗余因子。\n\n**剔除步骤：**\n\n```\nStep 1: 对不同因子下的n个组合打分（收益越大分值越高）\nStep 2: 按月计算个股因子得分间的相关性矩阵\nStep 3: 计算整个样本期内相关性矩阵的平均值\nStep 4: 设定阈值（通常0.5），超过阈值的因子只保留有效性最强的\n```\n\n**案例**：盈利收益率与PEG相关性0.89 → 只保留盈利收益率\n\n---\n\n### 第四步：综合评分模型\n\n**构建方法：**\n\n```\nStep 1: 选取去除冗余后的有效因子\nStep 2: 每月初计算每只股票的各因子得分\nStep 3: 按权重加权求平均分\nStep 4: 按总分排序，选取排名靠前的股票\n```\n\n**可选参数**：\n- 选取得分最高的前20%股票\n- 或选取得分最高的50~100只股票\n\n**注意**：\n- ST\u002FPT股票应剔除\n- 如因子无法取值，该因子不参与平均\n\n---\n\n### 第五步：模型评价与改进\n\n**需要持续监控和改进的方面：**\n\n1. **因子有效性**：因子可能逐渐失效或新因子有效\n2. **权重优化**：根据市场环境动态调整因子权重\n3. **交易成本**：考虑手续费、滑点对收益的影响\n4. **风险控制**：加入止损、仓位控制等机制\n\n---\n\n## 实证案例（1997-2010年A股）\n\n### 案例背景\n\n- **样本期**：1997-2010年（共14年）\n- **检验期**：1997-2004年（8年）\n- **检验期**：2005-2010年（6年）\n- **股票池**：所有正常交易且上市超过一个季度的A股\n- **业绩基准**：上证指数\n\n---\n\n### 候选因子（30个）\n\n| 类别 | 因子 |\n|------|------|\n| 估值 | 市盈率(PE)、市净率(PB)、市销率(PS)、PEG |\n| 成长 | 净利润增长率、营收增长率、EPS增长率、PEG |\n| 盈利 | ROE、ROA、毛利率、净利率、收入净利率 |\n| 资本结构 | 资产负债率、流动比率、速动比率 |\n| 规模 | 总市值、流通市值 |\n| 动量 | 20日涨跌幅、60日涨跌幅、120日涨跌幅 |\n| 波动 | 日收益率标准差、周收益率标准差 |\n| 技术 | 换手率、震荡指标 |\n\n---\n\n### 通过检验的有效因子（初步）\n\n| 因子类别 | 有效因子 |\n|----------|----------|\n| 估值 | 盈利收益率、PE、PB、PEG |\n| 盈利 | ROE、ROA、收入净利率、毛利率 |\n| 成长 | 净利润增长率、ROE变动、ROA变动 |\n| 资本结构 | 资产负债率 |\n| 规模 | 流通市值 |\n| 动量 | 20日动量 |\n| 波动 | 震荡指标 |\n\n---\n\n### 剔除冗余后的9个最终因子\n\n| 类别 | 因子 | 说明 |\n|------|------|------|\n| 估值 | 盈利收益率(EP) | 每股收益\u002F股价 |\n| 估值 | 市净率(PB) | 股价\u002F每股净资产 |\n| 盈利 | 净资产收益率(ROE) | 净利润\u002F净资产 |\n| 盈利 | 毛利率 | 毛利润\u002F营业收入 |\n| 成长 | 净利润增长率 | 净利润同比增速 |\n| 资本结构 | 资产负债率 | 总负债\u002F总资产 |\n| 规模 | 流通市值 | 股票流通规模 |\n| 动量 | 20日动量 | 过去20日收益率 |\n| 波动 | 震荡指标 | 价格波动程度 |\n\n---\n\n### 模型效果\n\n| 指标 | 数值 |\n|------|------|\n| Q1组合年化复合收益 | **35.48%** |\n| 上证指数年化收益 | 14.19% |\n| **超额收益** | **21.29%** |\n| 信息比率(IR) | **1.14** |\n| 跑赢上证概率 | 68.06% |\n| 上涨月份跑赢概率 | 76.09% |\n| 下跌月份跑赢概率 | 53.85% |\n\n**结论**：上升市场表现好于下跌市场\n\n---\n\n## 注意事项\n\n### 模型局限\n\n1. **因子失效风险**：随着使用多因子模型的投资者增加，部分因子会逐渐失效\n2. **市场风格变化**：以前有效的因子可能在当前市场环境下失效\n3. **样本外风险**：样本内有效的模型在样本外可能表现不佳\n4. **过拟合风险**：模型越复杂越容易过拟合\n\n### 改进方向\n\n1. **增加新因子**：如分析师预期因子、宏观因子\n2. **动态权重**：根据因子近期表现动态调整权重\n3. **行业适配**：不同行业使用不同因子\n4. **风险控制**：加入止损、仓位管理\n\n---\n\n## 错误处理与故障排查\n\n| 问题 | 原因 | 解决方案 |\n|------|------|---------|\n| 因子有效性检验不通过 | 样本期太短或参数不当 | 延长样本期至8年以上，调整分组数 |\n| 冗余因子剔除过度 | 阈值设置过低 | 将阈值从0.5提高到0.7 |\n| 模型样本外失效 | 过拟合或市场变化 | 简化模型，减少因子数量 |\n| 收益低于预期 | 交易成本过高 | 设置滑点，优化持仓周期 |\n\n---\n\n## 相关技能\n\n- `stock-selection\u002Fmomentum-reversal`: 动量与反转策略\n- `stock-selection\u002Fsector-rotation`: 行业轮动\n- `stock-selection\u002Fstyle-rotation`: 风格轮动\n- `portfolio\u002Fstrategy-selection`: 策略组合选择\n\n---\n\n## 快速参考\n\n### 因子选择检查清单\n\n```\n□ 因子具有经济逻辑\n□ 因子在样本内显著有效\n□ 因子之间相关性 \u003C 0.5\n□ 因子在样本外依然有效\n□ 因子计算数据可得且准确\n```\n\n### 常用因子优先级\n\n| 优先级 | 因子 | 稳定性 |\n|--------|------|--------|\n| ★★★★★ | ROE、盈利收益率 | 最稳定 |\n| ★★★★☆ | 净利润增长率 | 较稳定 |\n| ★★★☆☆ | 市值、动量 | 中等稳定 |\n| ★★☆☆☆ | 换手率、波动率 | 不稳定 |\n\n---\n\n## 附录：IC与IR指标\n\n### IC（Information Coefficient）\n\n因子IC = 因子值与下期收益的相关系数\n\n- IC > 0：因子与收益正相关\n- IC > 0.03：因子有效性可接受\n- IC > 0.05：因子有效性较好\n\n### IR（Information Ratio）\n\nIR = IC均值 \u002F IC标准差\n\n- IR > 0.5：因子组合获取Alpha能力较强\n- IR > 1.0：因子组合获取Alpha能力很强\n","# 多因子选股模型\n\n## 概述\n\n多因子模型是应用最广泛的选股模型之一。其核心思想是：采用一系列**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。\n\n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。\n\n**何时使用此技能：**\n- 当需要构建系统化的选股策略时\n- 当需要综合多个指标进行选股时\n- 当需要构建长期稳健的Alpha收益时\n\n---\n\n## 理论基础\n\n### 有效市场假说与因子\n\n市场上的投资者（价值投资者、投机者、短线交易者）都会根据某些因子来判断股票的涨跌。当有一群交易者同时采用某个因子时，就会造成该因子有效。\n\n例如：当很多投资者认为低PE的价值型股票是好的投资标时，他们纷纷买入低PE股票，会使得该股票出现上涨或超越大市。这样就使得**低PE因子**的有效性得到体现。\n\n### 两种判断方法\n\n| 方法 | 原理 | 优点 | 缺点 |\n|------|------|------|------|\n| **打分法** | 根据各个因子大小对股票打分，按权重加权得到总分 | 相对稳健，不易受极端值影响 | 不能及时调整敏感性 |\n| **回归法** | 用过去收益率对因子回归，预测未来收益 | 能及时调整敏感性，不同股票敏感性可不同 | 易受极端值影响 |\n\n**推荐**：初学者使用打分法，熟练后可尝试回归法\n\n---\n\n## 模型构建五步法\n\n### 第一步：候选因子选取\n\n候选因子类型及示例：\n\n| 类别 | 因子 | 说明 |\n|------|------|------|\n| **估值因子** | PE、PB、PS | 市盈率、市净率、市销率 |\n| **成长因子** | 净利润增长率、营收增长率、EPS增长率 | 盈利增长速度 |\n| **盈利因子** | ROE、ROA、毛利率、净利率 | 盈利能力 |\n| **规模因子** | 总市值、流通市值 | 公司大小 |\n| **动量因子** | 20日涨跌幅、60日涨跌幅 | 过去价格表现 |\n| **波动因子** | 日收益率标准差 | 价格波动程度 |\n| **预期因子** | 分析师一致预期、盈利预测 | 市场预期 |\n| **宏观因子** | GDP增速、M2 | 经济环境 |\n\n**选取原则**：\n- 因子必须有经济意义\n- 因子必须具备显著的预测能力\n- 更多和更有效的因子能增强信息捕获能力\n\n---\n\n### 第二步：因子有效性检验\n\n**检验方法：排序法**\n\n```\nStep 1: 在每个月初计算每只个股的各因子指标\nStep 2: 按因子大小从小到大排序，平均分为n个组合（建议5个）\nStep 3: 持有至月末，下月初重新构建组合\nStep 4: 重复到模型形成期末\n```\n\n**有效性判断标准（三个条件）：**\n\n1. **排序关系**：组合因子大小与收益应具有较大相关性\n   - 因子越小收益越高：x₁ \u003C x₂ \u003C ... \u003C xₙ 应导致 r₁ > r₂ > ... > rₙ\n   - 或因子越大收益越高：反向关系\n\n2. **超额收益**：极端组合应有显著超额收益\n   - max(Ri - Rb) > 最小超额收益阈值\n   - min(Ri - Rb) \u003C 最大负超额收益阈值\n\n3. **胜率**：不同市场环境下高收益组合跑赢基准概率高\n\n**关键指标**：\n\n| 指标 | 含义 | 合格标准 |\n|------|------|---------|\n| 年化复合收益 | 组合的实际收益 | 最高组合 > 最低组合 |\n| 超额收益 | 相对于基准的收益 | > 5% |\n| 跑赢概率 | 跑赢基准的月份占比 | > 60% |\n\n---\n\n### 第三步：冗余因子剔除\n\n**问题**：不同因子可能由于内在驱动因素相同，所选出的组合高度一致，需要剔除冗余因子。\n\n**剔除步骤：**\n\n```\nStep 1: 对不同因子下的n个组合打分（收益越大分值越高）\nStep 2: 按月计算个股因子得分间的相关性矩阵\nStep 3: 计算整个样本期内相关性矩阵的平均值\nStep 4: 设定阈值（通常0.5），超过阈值的因子只保留有效性最强的\n```\n\n**案例**：盈利收益率与PEG相关性0.89 → 只保留盈利收益率\n\n---\n\n### 第四步：综合评分模型\n\n**构建方法：**\n\n```\nStep 1: 选取去除冗余后的有效因子\nStep 2: 每月初计算每只股票的各因子得分\nStep 3: 按权重加权求平均分\nStep 4: 按总分排序，选取排名靠前的股票\n```\n\n**可选参数**：\n- 选取得分最高的前20%股票\n- 或选取得分最高的50~100只股票\n\n**注意**：\n- ST\u002FPT股票应剔除\n- 如因子无法取值，该因子不参与平均\n\n---\n\n### 第五步：模型评价与改进\n\n**需要持续监控和改进的方面：**\n\n1. **因子有效性**：因子可能逐渐失效或新因子有效\n2. **权重优化**：根据市场环境动态调整因子权重\n3. **交易成本**：考虑手续费、滑点对收益的影响\n4. **风险控制**：加入止损、仓位控制等机制\n\n---\n\n## 实证案例（1997-2010年A股）\n\n### 案例背景\n\n- **样本期**：1997-2010年（共14年）\n- **检验期**：1997-2004年（8年）\n- **检验期**：2005-2010年（6年）\n- **股票池**：所有正常交易且上市超过一个季度的A股\n- **业绩基准**：上证指数\n\n---\n\n### 候选因子（30个）\n\n| 类别 | 因子 |\n|------|------|\n| 估值 | 市盈率(PE)、市净率(PB)、市销率(PS)、PEG |\n| 成长 | 净利润增长率、营收增长率、EPS增长率、PEG |\n| 盈利 | ROE、ROA、毛利率、净利率、收入净利率 |\n| 资本结构 | 资产负债率、流动比率、速动比率 |\n| 规模 | 总市值、流通市值 |\n| 动量 | 20日涨跌幅、60日涨跌幅、120日涨跌幅 |\n| 波动 | 日收益率标准差、周收益率标准差 |\n| 技术 | 换手率、震荡指标 |\n\n---\n\n### 通过检验的有效因子（初步）\n\n| 因子类别 | 有效因子 |\n|----------|----------|\n| 估值 | 盈利收益率、PE、PB、PEG |\n| 盈利 | ROE、ROA、收入净利率、毛利率 |\n| 成长 | 净利润增长率、ROE变动、ROA变动 |\n| 资本结构 | 资产负债率 |\n| 规模 | 流通市值 |\n| 动量 | 20日动量 |\n| 波动 | 震荡指标 |\n\n---\n\n### 剔除冗余后的9个最终因子\n\n| 类别 | 因子 | 说明 |\n|------|------|------|\n| 估值 | 盈利收益率(EP) | 每股收益\u002F股价 |\n| 估值 | 市净率(PB) | 股价\u002F每股净资产 |\n| 盈利 | 净资产收益率(ROE) | 净利润\u002F净资产 |\n| 盈利 | 毛利率 | 毛利润\u002F营业收入 |\n| 成长 | 净利润增长率 | 净利润同比增速 |\n| 资本结构 | 资产负债率 | 总负债\u002F总资产 |\n| 规模 | 流通市值 | 股票流通规模 |\n| 动量 | 20日动量 | 过去20日收益率 |\n| 波动 | 震荡指标 | 价格波动程度 |\n\n---\n\n### 模型效果\n\n| 指标 | 数值 |\n|------|------|\n| Q1组合年化复合收益 | **35.48%** |\n| 上证指数年化收益 | 14.19% |\n| **超额收益** | **21.29%** |\n| 信息比率(IR) | **1.14** |\n| 跑赢上证概率 | 68.06% |\n| 上涨月份跑赢概率 | 76.09% |\n| 下跌月份跑赢概率 | 53.85% |\n\n**结论**：上升市场表现好于下跌市场\n\n---\n\n## 注意事项\n\n### 模型局限\n\n1. **因子失效风险**：随着使用多因子模型的投资者增加，部分因子会逐渐失效\n2. **市场风格变化**：以前有效的因子可能在当前市场环境下失效\n3. **样本外风险**：样本内有效的模型在样本外可能表现不佳\n4. **过拟合风险**：模型越复杂越容易过拟合\n\n### 改进方向\n\n1. **增加新因子**：如分析师预期因子、宏观因子\n2. **动态权重**：根据因子近期表现动态调整权重\n3. **行业适配**：不同行业使用不同因子\n4. **风险控制**：加入止损、仓位管理\n\n---\n\n## 错误处理与故障排查\n\n| 问题 | 原因 | 解决方案 |\n|------|------|---------|\n| 因子有效性检验不通过 | 样本期太短或参数不当 | 延长样本期至8年以上，调整分组数 |\n| 冗余因子剔除过度 | 阈值设置过低 | 将阈值从0.5提高到0.7 |\n| 模型样本外失效 | 过拟合或市场变化 | 简化模型，减少因子数量 |\n| 收益低于预期 | 交易成本过高 | 设置滑点，优化持仓周期 |\n\n---\n\n## 相关技能\n\n- `stock-selection\u002Fmomentum-reversal`: 动量与反转策略\n- `stock-selection\u002Fsector-rotation`: 行业轮动\n- `stock-selection\u002Fstyle-rotation`: 风格轮动\n- `portfolio\u002Fstrategy-selection`: 策略组合选择\n\n---\n\n## 快速参考\n\n### 因子选择检查清单\n\n```\n□ 因子具有经济逻辑\n□ 因子在样本内显著有效\n□ 因子之间相关性 \u003C 0.5\n□ 因子在样本外依然有效\n□ 因子计算数据可得且准确\n```\n\n### 常用因子优先级\n\n| 优先级 | 因子 | 稳定性 |\n|--------|------|--------|\n| ★★★★★ | ROE、盈利收益率 | 最稳定 |\n| ★★★★☆ | 净利润增长率 | 较稳定 |\n| ★★★☆☆ | 市值、动量 | 中等稳定 |\n| ★★☆☆☆ | 换手率、波动率 | 不稳定 |\n\n---\n\n## 附录：IC与IR指标\n\n### IC（Information Coefficient）\n\n因子IC = 因子值与下期收益的相关系数\n\n- IC > 0：因子与收益正相关\n- IC > 0.03：因子有效性可接受\n- IC > 0.05：因子有效性较好\n\n### IR（Information Ratio）\n\nIR = IC均值 \u002F IC标准差\n\n- IR > 0.5：因子组合获取Alpha能力较强\n- IR > 1.0：因子组合获取Alpha能力很强\n",{"name":5,"description":7},"main","a5ea54eb2c1aeeb7767d270769f6b499e3ae39d7","produced_skill\u002Fstock-selection\u002Fmulti-factor-model",4,"https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory","https:\u002F\u002Fgithub.com\u002FFeiCoder","2026-02-27 11:40:18",{"source":8,"skillName":5,"commands":33,"prompt":43,"zipAvailable":44},[34,37,40],{"tool":35,"command":36},"npx","npx skills add FeiCoder\u002FSkill-Factory --skill multi-factor-model",{"tool":38,"command":39},"bunx","bunx skills add FeiCoder\u002FSkill-Factory --skill multi-factor-model",{"tool":41,"command":42},"pnpm","pnpm dlx skills add FeiCoder\u002FSkill-Factory --skill multi-factor-model","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Fstock-selection\u002Fmulti-factor-model\u002FSKILL.md",true,[],[47,55,65,80,89,98],{"skillNo":48,"name":49,"nameZh":6,"description":50,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":51,"categories":52,"keywords":53,"publishedAt":20},"01M6CVMD44T2E10ZFV88K5EJNF","trend-following-timing","趋势追踪择时策略，包括传统均线指标（MA、MACD、DMA、TRIX）和自适应均线的原理与实操。适用于需要实施技术分析择时的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Ftrend-following-timing\u002FSKILL.md",[],[54],"trend following timing",{"skillNo":56,"name":57,"nameZh":6,"description":58,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":59,"categories":60,"keywords":61,"publishedAt":20},"01M6CVMBRE2WYQB2RCAGM8PHBQ","quant-timing-intro","量化择时基础知识，介绍量化择时的概念、框架和主要方法论。适用于需要理解择时策略基本框架的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Fquant-timing-intro\u002FSKILL.md",[],[62,63,64],"intro","quant","quant timing intro",{"skillNo":66,"name":67,"nameZh":6,"description":68,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":69,"categories":70,"keywords":76,"publishedAt":20},"01M6CVMA0PCR0XX1QD0CVWVT6H","market-sentiment-timing","市场情绪择时策略，基于投资者情绪指标和主成分分析构建情绪指数。适用于需要利用市场情绪进行大盘择时的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Fmarket-sentiment-timing\u002FSKILL.md",[71],{"categoryNo":72,"categoryName":73,"taxonomyType":74,"taxonomyTypeDesc":75},"01JBSEEDCAT000000000000035","市场营销","PROFESSION","适用职业",[77,78,79],"sentiment","Market","market sentiment timing",{"skillNo":81,"name":82,"nameZh":6,"description":83,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":84,"categories":85,"keywords":87,"publishedAt":20},"01M6CVM8AWSZCXGFYTCMZT55FA","hurst-timing","Hurst指数择时模型，基于分形市场理论和R\u002FS分析方法判断市场趋势拐点。适用于需要识别市场长期记忆性和趋势转折的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Fhurst-timing\u002FSKILL.md",[86],{"categoryNo":72,"categoryName":73,"taxonomyType":74,"taxonomyTypeDesc":75},[88],"hurst timing",{"skillNo":90,"name":91,"nameZh":6,"description":92,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":93,"categories":94,"keywords":96,"publishedAt":20},"01M6CVM73396Z6EA2CMQQ6S7KW","bull-bear-line","牛熊线择时模型，基于几何布朗运动理论判断大盘牛熊转换。适用于需要识别市场重大转折点的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Fbull-bear-line\u002FSKILL.md",[95],{"categoryNo":72,"categoryName":73,"taxonomyType":74,"taxonomyTypeDesc":75},[97],"bull bear line",{"skillNo":99,"name":100,"nameZh":6,"description":101,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":102,"categories":103,"keywords":104,"publishedAt":20},"01M6CVM5W2Q00MQ0S8MXYYRTG6","style-rotation","风格轮动策略指南，包括价值\u002F成长风格、大小盘风格的轮动规律和量化模型。适用于需要理解和实施A股市场风格轮动投资的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Fstock-selection\u002Fstyle-rotation\u002FSKILL.md",[],[105],"style rotation"]