自 TRAE 先锋教师计划启动以来，TRAE 走进了清华大学、复旦大学、中国人民大学、北京邮电大学等高校课堂，助力教师把 AI Coding 真正融入操作系统、软件工程、金融量化等教学现场。
现在，计划将继续推进——扶持 100 位先锋教师用 TRAE 辅助开课，全班同学每人额外获得 6000 积分。湖南大学的《量化投资》正是其中一门课程。这堂课没有停留在"让 AI 写代码"，而是用 TRAE 当助教，带着学生从 A 股的 CAPM beta 算起，分三步推导时变风险**与收益规律。
报名方式：加入 TRAE 先锋教师计划，全班同学每人可领 6000 积分。
bytedance.larkoffice.com/share/base/…
湖南大学量化教程实战：计算中国A股的（个股&行业）CAPM beta
以下内容基于唐国豪教授量化投资课程整理，作者：陈俊希、蒙思宇、王星尧、刘泽楚
数据准备：数据来自 CSMAR 国泰安数据库
公司基本信息
股票市场交易——公司文件——字段设置：全选——CSV 格式
无风险利率
汇率及利率——无风险利率文件——全选——CSV
月个股回报率
个股交易数据——月个股回报率文件——CSV
综合月市场回报率
综合市场交易数据——综合月市场回报率文件——CSV
参考程序
证监会行业指引文件，SAS版代码，Python版代码
[beta计算.zip]
程序编写
Step 1：计算行业beta并作图
1.利用 TRAE 辅助生成代码
提示词参考
我现在要计算行业的CAPM beta，
请你先将“公司基本信息”与“月个股回报率”文件夹中的两个CSV 文件合并（按照公司代码stkcd一一匹配）。
其次，按照行业分类代码nnindcd计算月度的股票行业收益率。
第三，将行业收益率与文件夹“综合月市场回报率”中markettype中21那个类型的数据合并。
第四，将“无风险利率”文件夹中月度无风险利率（日度数据保留每个月最后一个观测值）与第三步文件合并（注意：无风险利率是取百分号的，因此要除以100，因为其他几步收益率没有取百分号）。
第五，计算行业beta，并且作图。不懂的可以参考文件夹“参考程序”中的程序。请保留中间程序和所有的数据结果。
2.初步结果分析
我们重点关注低 beta 行业，先看哪些行业的 beta 值较低：
比如，农业（A01）是典型的低beta行业，绝大多数时间<1，只有在大牛市来临前中期会短暂突破1（2006-2007,2014-2015）。刚需或防御性行业（农业、公共事业等）平时对市场波动的敏感度较低，beta 通常小于 1；当 beta 短暂升至 1 以上时，可能反映市场情绪升温。
不是所有金融行业都是高 beta。从全样本结果看，某些细分行业（如货币金融服务 J66）的 beta 并没有想象中的高，甚至低于农业。
图表优化
第一次跑通时，我们通常只检查代码是否正确、是否满足基本要求，提示词里很少涉及图表美观；zero-shot 下，AI 也很难一次生成可直接放进报告的整洁图表。因此，基础结果确认无误后，再专门做一轮形式上的优化。
配色参考
以下整理了一些头部券商研报和学术期刊中常用的绘图配色，供大家参考，也可以在提示词中直接指定颜色和风格。
Step 2：各行业 beta 的时变特征
1.利用 TRAE 辅助生成代码
参考提示词
非常不错！请保存这份结果。随后使用 2000 年之后的数据，以过去60个月的收益率进行滚动回归，逐月估计各行业 beta。然后beta估计样本从2006年1月到样本截止月份。输出各行业时变的beta时间序列图。
2.初步结果分析
再看 beta 的变化：绝大多数行业的 beta 都是时变的。例如农业，甚至家居制造业等耐用消费品行业，beta 也会出现大于 1 的阶段；印刷行业的 beta 从小于 1 升至大于 1，可能与电子化程度提高有关。凡此种种都说明，beta 的时变性与交易行为密切相关。
汽车制造业的 beta 在 2020 年前较低，新能源周期开启后明显上升；文化艺术业的 beta 在 2020 年前后一度大于 1，目前已回落到 1 以下。
Step 3：计算个股 beta 及其与行业 beta 的差值
1.利用 TRAE 辅助生成代码
参考提示词
非常不错！接下来请你按照这个思路，把个股beta按照60个月滚动回归的方式估计出来，并生成一个CSV 表格。然后计算个股beta和对应行业beta的差值，把平均差值最大的50家公司时间序列图画出来。
2.初步结果分析
Top3：海汽集团（+1.93，道路运输业）、银之杰**（+1.83，软件信息）、中文在线（+1.28，新闻出版），均是个股 beta 系统性远高于行业 beta 的公司
这一步要回答的是：个股 beta 与行业 beta 的差值大小是否与交易相关。基本逻辑上，个股 beta 应与行业 beta 大体一致；这一步的作用正是找出偏离者，从中挖掘投资者情绪或异质信息的线索。
计算个股与行业的 beta 差值后，我们进一步研究：这一差值是否包含未来收益的信息？相对行业 beta 较低和较高的股票，其后续收益是否存在系统性差异？是否存在这样的规律：个股 beta 低于行业 beta 的股票，未来收益更高；反之，个股 beta 高于行业 beta 的股票，未来收益更差？
为提高 AI 的输出质量和代码可审查性，我们将第三步再拆成两部分。
Step 3.1
1.利用 TRAE 辅助生成代码
提示词参考
非常不错！请分别把这两类50家公司（正偏的前50家公司和负偏的前50家公司）的股票累计收益曲线（和图中的样本期一致）画在beta差值图中，曲线用绿色表示。绿线从每个图的起始时点、以初始净值 1 开始绘制，最后比较累计净值。
2. 初步结果分析
Step 3.2
1.利用 TRAE 辅助生成代码
提示词参考
谢谢！帮我在两类图上方，把期末净值大于1的股票名字变红。
2. 初步结果分析
个股 beta 与行业 beta 的差值可分为正向偏离与负向偏离两类：
-
若 beta 偏离具有均值回归特征，正偏离股票的 beta 可能回落，由此推测其后续收益相对较弱。
-
负偏离股票的 beta 可能回升，由此推测其后续收益相对较强。
所以，我们期待的答案是：负偏离那一组，平均收益可能更好。
若回测结果支持上述假设，可以进一步构建如下量化策略：每月计算个股 beta 与行业 beta 的差值，买入负偏离的公司，做空正偏离的公司。
进一步的优化方向是进行行业分类：目前我们使用的是证监会行业分类指引。
如果用年报、新闻、业务描述的相似度重新寻找“同行”，再计算差值，看看更合适的比较对象是否能改善预测。
报名方式： 报名 TRAE 先锋教师计划，通过后，全班同学每人可领 6000 积分。 bytedance.larkoffice.com/share/base/…
