BigQuant平台建立預設模闆政策後，可以看到預設的因子，并且已經被組合在一起了。因子來源有很多種，此次我們從以下進行因子建構：
“如何從證券機構的研報擷取相應的因子“詳細戳以下視訊（指路"P46:0924國中級使用者如何寫出一個好政策"）：
BigQuant AI量化專家 Meetup(update:1119)
摘取部分講解：
比如《國泰君安證券：基于短周期價量特征的多因子選股體系》中分享了基于短周期量價特征的多因子選股體系，意思就是傳統多因子跟短周期多因子的差別在哪裡？這篇研報整理了阿爾法評價的體系以及實操做法，并且介紹了短周期交易型阿爾法政策的建構思路。
首先，短周期交易阿爾法與傳統多因子模型的差別是什麼？
這裡給出了一個比較好的對比，一個是股票的從定價角度，它從财務報表分析師研報等來給股票定價，比如高roe或者高roa，就能擷取相應的高股票收益率，從長期來看已經被驗證。
舉個例子，在過去網際網路階段泡沫的階段，蘋果公司的股票對應的長期回報率，約等于公司本身創造利潤的能力，也就是roa。如何給公司定價，其實就是股票的價值，這部分資料來自于公司的财報分析師研報。如果要實作利潤增長，需要公司相關的産能投放以及業績增長，周期會較長。這類長期好的公司較少，評價公司的方式較少，而且交易頻率的資訊變動也是比較小，交易頻率偏低頻，一般是月評或者周評，組合換手率也比較低。相對的一種稱之為交易型阿爾法體系，關注的就是量價。
随着價格成交量的波動，在波動中找一個模式，跟市場風格不是特别的一個影響，它的規模容納的規模較低，但頻率很高，同時它有效的因子數量比傳統的多。從諾貝爾獎中可以發現：從60年代到現在，傳統因子的模型隻有Fama的五因子，後面極少。常見的市值、市淨率、特征收益率或者叫流動性補償，都屬于比較少的因子，效果比較顯著，展現的就是換手率。交易型可以有很多的短期盈利的阿爾法，且變化較大，有效周期短，需要不斷地挖掘更多有效的因子。
《國泰君安證券：基于短周期價量特征的多因子選股體系》中列舉了典型的量價特征，基于某一種想法來看交易行為的異常，提供思路和表達式。例如，開盤缺口跳空高開是利用open/close組合了一個因子，可以采用“單因子分析“來評估。如下所示：
比如跳空高開，用 open0/close1表示跳空高開的比例，然後對改因子進行評估。
結果表明，2019年高開多和高開低盈利微乎其微。但是在歐美市場主要以多空賺取相對收益，是以很多基金又叫對沖基金，其實歐美主要是把因子的第一組和最後一組多一個做空來擷取這部分的差額，更多關注多空收益。
當我們了解短周期之後，還可以了解BigQuant上相關的研究。例如，平台上針對短周期因子的測評，有效的或者是當時有效的日頻因子，以及它的下浮比率最大回撤，重要關注的是不同的因子，在不同的股票池持有不同的天數，結果都是不一樣的。是以首先将股票池固定，然後再針對股票池固定持倉天數，最後再評估它是否有效。