沪深全a成分股有哪些(沪深300成分股名单(沪深300成分股是什么意思))
沪深300成分股名单(沪深300成分股是什么意思)
沪深300成分股名单的发布通常以公告的方式进行，投资者可以通过上交所和深交所的官方网站、财经媒体等途径获取相关信息。一旦有新的股票被纳入或剔除沪深300指数，相关信息会及时公布，投资者需要密切关注市场动态。沪深300成分股...
【华泰金工林晓明团队】Stacking全A选股具有长期优势--人工智能选股周报2018052
摘要
本周全A选股（非行业中性）XGBoost表现最好
本周中证500涨跌幅为0.06%。本周7个人工智能组合跑赢基准，超额收益最高的策略是XGBoost，该策略本周获得绝对收益1.40%，超额收益1.34%。最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益12.15%，超额收益10.12%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益22.28%，超额收益21.97%。
本周全A选股（沪深300行业中性）Stacking表现最好
本周沪深300涨跌幅为0.78%。本周超额收益最高的策略是Stacking，该策略本周获得绝对收益0.71%，超额收益-0.07%。最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益3.07%，超额收益6.77%。最近一年超额收益最高的策略是朴素贝叶斯，该策略最近一年获得绝对收益12.51%，超额收益-2.35%。
本周全A选股（中证500行业中性）逻辑回归表现最好
本周中证500涨跌幅为0.06%。本周6个人工智能组合跑赢基准，超额收益最高的策略是逻辑回归，该策略本周获得绝对收益0.81%，超额收益0.75%。最近三月超额收益最高的策略是Stacking，该策略最近三月获得绝对收益9.63%，超额收益7.60%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益12.00%，超额收益11.68%。
本周沪深300指数内选股逻辑回归表现最好
本周沪深300涨跌幅为0.78%。本周5个人工智能组合跑赢基准，超额收益最高的策略是逻辑回归，该策略本周获得绝对收益1.22%，超额收益0.44%。最近三月超额收益最高的策略是逻辑回归，该策略最近三月获得绝对收益-2.76%，超额收益0.93%。最近一年超额收益最高的策略是逻辑回归，该策略最近一年获得绝对收益18.95%，超额收益4.09%。
本周中证500指数内选股XGBoost表现最好
本周中证500涨跌幅为0.06%。本周3个人工智能组合跑赢基准，超额收益最高的策略是XGBoost，该策略本周获得绝对收益0.47%，超额收益0.40%。最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益3.59%，超额收益1.56%。最近一年超额收益最高的策略是SVM，该策略最近一年获得绝对收益4.65%，超额收益4.33%。
风险提示：通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。
华泰人工智能选股策略
华泰金工人工智能选股系列报告将多种机器学习算法应用到多因子选股中，目的是利用机器学习算法的非线性特性和自动学习能力，从传统的多因子数据中挖掘出能带来更高超额收益的非线性特征。本周报中，我们跟踪了Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络7个模型在月频多因子选股的表现。对于每一种模型，我们构建了以下5个多因子选股策略，进行定期跟踪（由于神经网络需要使用大量因子数据进行训练，所以没有使用神经网络进行沪深300和中证500指数内选股）。
1.全A选股（非行业中性）：月频调仓，在全部A股中选股，组合选择50只模型预测表现最好的股票进行等权配置。
2.全A选股（沪深300行业中性）：月频调仓，在全部A股中选股，行业权重配置和沪深300保持一致，每个行业内选择4只模型预测表现最好的股票进行等权配置。
3.全A选股（中证500行业中性）：月频调仓，在全部A股中选股，行业权重配置和中证500保持一致，每个行业内选择4只模型预测表现最好的股票进行等权配置。
4.沪深300指数内选股：月频调仓，在沪深300指数成分股中选股，行业权重配置和沪深300保持一致，每个行业内选2只模型预测表现最好的股票进行等权配置。
5.中证500指数内选股：月频调仓，在中证500指数成分股中选股，行业权重配置和中证500保持一致，每个行业内选4只模型预测表现最好的股票进行等权配置。
对于所有跟踪的策略，使用如下统一回测条件：
1.股票池处理：剔除ST、停牌、上市3个月以内的股票。
2.特征提取：70个因子作为特征（估值、成长、动量翻转、波动率、换手率、情绪、技术、市值等）。对原始因子做中位数去极值，缺失值填充（行业平均），行业市值中性，标准化。
3.交易费用：单边千分之二。
华泰人工智能选股策略表现
华泰人工智能全A选股（非行业中性）策略表现
本周中证500涨跌幅为0.06%。本周7个人工智能组合跑赢基准，超额收益最高的策略是XGBoost，该策略本周获得绝对收益1.40%，超额收益1.34%。最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益12.15%，超额收益10.12%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益22.28%，超额收益21.97%。图表1展示了各个策略在各时间段的表现。
图表2和图表3显示了2011年至今华泰人工智能选股策略（全A选股，非行业中性）的超额收益表现和绩效。其中Stacking获得最高的信息比率3.61。
图表4显示了最近一季度华泰人工智能选股策略（全A选股，非行业中性）净值表现。
我们在Wind组合管理（PMS）平台上建立了模拟组合，每个月底选择最近3个月表现最好的模型构建组合并上传到PMS，组合名称关键字为“华泰AI选股（全A非行业中性）”，欢迎搜索关注。
华泰人工智能全A选股（沪深300行业中性）策略表现
本周沪深300涨跌幅为0.78%。本周超额收益最高的策略是Stacking，该策略本周获得绝对收益0.71%，超额收益-0.07%。最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益3.07%，超额收益6.77%。最近一年超额收益最高的策略是朴素贝叶斯，该策略最近一年获得绝对收益12.51%，超额收益-2.35%。图表5展示了各个策略在各时间段的表现。
图表6和图表7显示了2011年至今华泰人工智能选股策略（全A选股，沪深300行业中性）的超额收益表现和绩效。其中Stacking获得最高的信息比率2.03。
图表8显示了最近一季度华泰人工智能选股策略（全A选股，沪深300行业中性）净值表现。
我们在Wind组合管理（PMS）平台上建立了模拟组合，每个月底选择最近3个月表现最好的模型构建组合并上传到PMS，组合名称关键字为“华泰AI选股（全A沪深300行业中性）”，欢迎搜索关注。
华泰人工智能全A选股（中证500行业中性）策略表现
本周中证500涨跌幅为0.06%。本周6个人工智能组合跑赢基准，超额收益最高的策略是逻辑回归，该策略本周获得绝对收益0.81%，超额收益0.75%。最近三月超额收益最高的策略是Stacking，该策略最近三月获得绝对收益9.63%，超额收益7.60%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益12.00%，超额收益11.68%。图表9展示了各个策略在各时间段的表现。
图表10和图表11显示了2011年至今华泰人工智能选股策略（全A选股，中证500行业中性）的超额收益表现和绩效。其中Stacking获得最高的信息比率3.71。
图表12显示了最近一季度人工智能选股策略（全A选股，中证500行业中性）净值表现。
我们在Wind组合管理（PMS）平台上建立了模拟组合，每个月底选择最近3个月表现最好的模型构建组合并上传到PMS，组合名称关键字为“华泰AI选股（全A中证500行业中性）”，欢迎搜索关注。
华泰人工智能沪深300指数内选股策略表现
本周沪深300涨跌幅为0.78%。本周5个人工智能组合跑赢基准，超额收益最高的策略是逻辑回归，该策略本周获得绝对收益1.22%，超额收益0.44%。最近三月超额收益最高的策略是逻辑回归，该策略最近三月获得绝对收益-2.76%，超额收益0.93%。最近一年超额收益最高的策略是逻辑回归，该策略最近一年获得绝对收益18.95%，超额收益4.09%。图表13展示了各个策略在各时间段的表现。
图表14和图表15显示了2011年至今华泰人工智能选股策略（沪深300指数内选股）的超额收益表现和绩效。其中逻辑回归获得最高的信息比率1.08。
图表16显示了最近一季度华泰人工智能选股策略（沪深300指数内选股）净值表现。
我们在Wind组合管理（PMS）平台上建立了模拟组合，每个月底选择最近3个月表现最好的模型构建组合并上传到PMS，组合名称关键字为“华泰AI选股（沪深300指数内选股）”，欢迎搜索关注。
华泰人工智能中证500指数内选股策略表现
本周中证500涨跌幅为0.06%。本周3个人工智能组合跑赢基准，超额收益最高的策略是XGBoost，该策略本周获得绝对收益0.47%，超额收益0.40%。最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益3.59%，超额收益1.56%。最近一年超额收益最高的策略是SVM，该策略最近一年获得绝对收益4.65%，超额收益4.33%。图表17展示了各个策略在各时间段的表现。
图表18和图表19显示了2011年至今华泰人工智能选股策略（中证500指数内选股）的超额收益表现和绩效。其中逻辑回归获得最高的信息比率1.60。
图表20显示了最近一季度华泰人工智能选股策略（中证500指数内选股）净值表现。
我们在Wind组合管理（PMS）平台上建立了模拟组合，每个月底选择最近3个月表现最好的模型构建组合并上传到PMS，组合名称关键字为“华泰AI选股（中证500指数内选股）”，欢迎搜索关注。
华泰人工智能选股策略简介
本报告所涉及的所有机器学模型的详细介绍，可参见华泰人工智能系列报告：
1.人工智能选股框架及经典算法简介
2.人工智能选股之广义线性模型
3.人工智能选股之支持向量机模型
4.人工智能选股之朴素贝叶斯模型
5.人工智能选股之随机森林模型
6.人工智能选股之Boosting模型
7.人工智能选股之Python实战
8.人工智能选股之全连接神经网络
9.人工智能选股之循环神经网络模型
10.人工智能选股之Stacking集成学习
机器学习模型运用到多因子选股的流程
1． 数据获取：
a) 股票池：沪深300成份股/中证500成份股/全A股。剔除ST股票，剔除每个截面期下一交易日停牌的股票，剔除上市3个月内的股票，每只股票视作一个样本。
b) 训练样本长度：Stacking：74个月；其他模型：6个月。
2． 特征和标签提取：每个自然月的最后一个交易日，计算70个因子暴露度，作为样本的原始特征；计算下一整个自然月的个股超额收益（以沪深300指数为基准），作为样本的标签。因子池如图表22所示。
3． 特征预处理：
a) 中位数去极值：设第T期某因子在所有个股上的暴露度序列为 ，为该序列中位数，为序列的中位数，则将序列中所有大于的数重设为，将序列中所有小于的数重设为；
b) 缺失值处理：得到新的因子暴露度序列后，将因子暴露度缺失的地方设为中信一级行业相同个股的平均值。
c) 行业市值中性化：将填充缺失值后的因子暴露度对行业哑变量和取对数后的市值做线性回归，取残差作为新的因子暴露度。
d) 标准化：将中性化处理后的因子暴露度序列减去其现在的均值、除以其标准差，得到一个新的近似服从分布的序列。
4． 训练集和交叉验证集的合成：
a) 分类问题：在每个月末截面期，选取下月收益排名前30%的股票作为正例（），后30%的股票作为负例（）。将训练样本合并，随机选取90%的样本作为训练集，余下10%的样本作为交叉验证集。
b) 回归问题：直接将样本合并成为样本内数据，同样按90%和10%的比例划分训练集和交叉验证集。
5． 样本内训练：使用机器学习模型对训练集进行训练。
6． 交叉验证调参：模型训练完成后，使用模型对交叉验证集进行预测。选取交叉验证集AUC（或平均AUC）最高的一组参数作为模型的最优参数。
7． 样本外测试：确定最优参数后，以T月月末截面期所有样本预处理后的特征作为模型的输入，得到每个样本的预测值，使用预测值构建组合选股。
本周报中，我们跟踪了Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络7个模型在月频多因子选股的表现。对于每一种模型，我们构建了以下5个多因子选股策略，进行定期跟踪（由于神经网络需要使用大量因子数据进行训练，所以没有使用神经网络进行沪深300和中证500指数内选股）。
1. 全A选股（非行业中性）：月频调仓，在全部A股中选股，组合选择50只模型预测表现最好的股票进行等权配置。
2. 全A选股（沪深300行业中性）：月频调仓，在全部A股中选股，行业权重配置和沪深300保持一致，每个行业内选择4只模型预测表现最好的股票进行等权配置。
3. 全A选股（中证500行业中性）：月频调仓，在全部A股中选股，行业权重配置和中证500保持一致，每个行业内选择4只模型预测表现最好的股票进行等权配置。
4. 沪深300指数内选股：月频调仓，在沪深300指数成分股中选股，行业权重配置和沪深300保持一致，每个行业内选2只模型预测表现最好的股票进行等权配置。
5. 中证500指数内选股：月频调仓，在中证500指数成分股中选股，行业权重配置和中证500保持一致，每个行业内选4只模型预测表现最好的股票进行等权配置。
对于所有跟踪的策略，使用如下统一回测条件：
1. 股票池处理：剔除ST、停牌、上市3个月以内的股票。
2. 特征提取：70个因子作为特征（估值、成长、动量翻转、波动率、换手率、情绪、技术、市值等）。对原始因子做中位数去极值，缺失值填充（行业平均），行业市值中性，标准化。
3. 交易费用：单边千分之二。
风险提示
通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。
免责申明
林晓明
执业证书编号：S0570516010001
全A等权指数
实际结果从2018年5月17日同花顺指数发布至今，总计偏离了76个指数点(7%)，进而年均偏离小于2%，在短期内这个偏离度基本还可以。
我的等权指数起始日是1996/12/16，100点位起点，与上证指数起点相同。选这个日子是因为从该日起，设置涨跌停板制度。如果不考虑该制度，与上证指数相同起点的话，早年单股一天翻30倍的事情比比皆是。上蹿下跳的指数过于失真，非常影响历史参考意义。事实上即便到了07年牛市，A股上市公司仍有很强的政策倾向性。越古早的历史，其对全社会经济发展变化的反映越不全面。相应的股市和经济间的互动越不充分，参考意义也就越小。我在研究历程中还是更喜欢标的全面、博弈充分、缺少寡头的阶段。
【华泰金工林晓明团队】本周模型在全A选股表现较好--人工智能选股周报20180707
摘要
本周全A选股（沪深300行业市值中性）神经网络表现最好
本周沪深300涨跌幅为-4.15%。本周4个模型跑赢基准，超额收益最高的模型是神经网络，该模型本周获得绝对收益-3.80%，超额收益0.36%。最近一月超额收益最高的模型是Stacking，该模型最近一月获得绝对收益-10.66%，超额收益1.65%。2018年以来超额收益最高的模型是Stacking，该模型2018年以来获得绝对收益-12.74%，超额收益4.93%。2018年以来RankIC均值最高的模型是Stacking，该模型RankIC均值为0.118。
本周全A选股（中证500行业市值中性）SVM表现最好
本周中证500涨跌幅为-4.24%。本周3个模型跑赢基准，超额收益最高的模型是SVM，该模型本周获得绝对收益-3.03%，超额收益1.21%。最近一月超额收益最高的模型是Stacking，该模型最近一月获得绝对收益-8.85%，超额收益4.62%。2018年以来超额收益最高的模型是Stacking，该模型2018年以来获得绝对收益-11.93%，超额收益9.16%。2018年以来RankIC均值最高的模型是Stacking，该模型RankIC均值为0.118。
本周沪深300指数内选股逻辑回归表现最好
本周沪深300涨跌幅为-4.15%。本周2个模型跑赢基准，超额收益最高的模型是逻辑回归，该模型本周获得绝对收益-3.89%，超额收益0.26%。最近一月超额收益最高的模型是逻辑回归，该模型最近一月获得绝对收益-10.90%，超额收益1.41%。2018年以来超额收益最高的模型是逻辑回归，该模型2018年以来获得绝对收益-13.91%，超额收益3.76%。2018年以来RankIC均值最高的模型是随机森林，该模型RankIC均值为0.111。
本周沪深300指数内选股朴素贝叶斯表现最好
本周中证500涨跌幅为-4.24%。本周超额收益最高的模型是朴素贝叶斯，该模型本周获得绝对收益-4.50%，超额收益-0.26%。最近一月超额收益最高的模型是朴素贝叶斯，该模型最近一月获得绝对收益-12.55%，超额收益0.92%。2018年以来超额收益最高的模型是逻辑回归，该模型2018年以来获得绝对收益-18.29%，超额收益2.80%。2018年以来RankIC均值最高的模型是逻辑回归，该模型RankIC均值为0.081。
本周中证800指数内选股随机森林表现最好
本周中证800涨跌幅为-4.18%。本周1个模型跑赢基准，超额收益最高的模型是随机森林，该模型本周获得绝对收益-3.48%，超额收益0.70%。最近一月超额收益最高的模型是随机森林，该模型最近一月获得绝对收益-10.97%，超额收益1.63%。2018年以来超额收益最高的模型是随机森林，该模型2018年以来获得绝对收益-14.66%，超额收益3.91%。2018年以来RankIC均值最高的模型是SVM，该模型RankIC均值为0.088。
风险提示：通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。
华泰人工智能选股策略
华泰金工人工智能选股系列报告将多种机器学习算法应用到多因子选股中，目的是利用机器学习算法的非线性特性和自动学习能力，从传统的多因子数据中挖掘出能带来更高超额收益的非线性特征。本周报中，我们跟踪了Stacking、SVM、朴素贝叶斯、随机森林、XGBoost、逻辑回归、神经网络7个模型在月频多因子选股的表现。对于每一种模型，我们构建了以下5种多因子选股模型，进行定期跟踪（对于Stacking模型，目前只应用于全A选股，后续会对其应用于指数内选股进行研究）。
1. 全A选股（沪深300行业市值中性）：月频调仓，在全部A股中选股，组合构建时相对于沪深300指数进行行业中性和市值中性。
2. 全A选股（中证500行业市值中性）：月频调仓，在全部A股中选股，组合构建时相对于中证500指数进行行业中性和市值中性。
3. 沪深300指数内选股：月频调仓，在沪深300指数成分股中选股，组合构建时相对于沪深300指数进行行业中性和市值中性。
4. 中证500指数内选股：月频调仓，在中证500指数成分股中选股，合构建时相对于中证500指数进行行业中性和市值中性。
5. 中证800指数内选股：月频调仓，在中证800指数成分股中选股，合构建时相对于中证800指数进行行业中性和市值中性。
对于所有跟踪的模型，使用如下统一回测条件：
1. 股票池处理：剔除ST、停牌、上市3个月以内的股票。
2. 特征提取：70个因子作为特征（估值、成长、动量翻转、波动率、换手率、情绪、技术、市值等）。对原始因子做中位数去极值，缺失值填充（行业平均），行业市值中性，标准化。
交易费用：单边千分之二。
注：本周报自2018年6月30日起，开始使用行业中性+市值中性的组合构建方法进行回测，回测绩效相比之前周报有所区别，特此提醒。
各模型本周、最近一个月和2018年以来超额收益表现
本周沪深300涨跌幅为-4.15%，中证500涨跌幅为-4.24%，中证800涨跌幅为-4.18%，三个指数都有较大跌幅。本周人工智能选股模型在全A选股（基准：沪深300）、全A选股（基准：中证500）两种情况下超额收益表现较好，在中证500成分内选股超额收益表现较差。
2018年以来和2011年以来RankIC均值
模型RankIC计算方法：在某一股票池（如沪深300）内，使用模型对所有个股进行打分，然后将打分与个股下个月收益率计算Spearman秩相关系数，即得到该模型的RankIC值。
对于全A选股，2018年以来RankIC均值最高的模型是Stacking，该模型RankIC均值为0.118。
对于沪深300成分内选股，2018年以来RankIC均值最高的模型是随机森林，该模型RankIC均值为0.111。
对于中证500成分内选股，2018年以来RankIC均值最高的模型是逻辑回归，该模型RankIC均值为0.081。
对于中证800成分内选股，2018年以来RankIC均值最高的模型是SVM，该模型RankIC均值为0.088。
各模型2011年以来超额收益曲线
各模型2011年以来详细回测绩效
各模型RankIC详细指标
华泰人工智能选股策略简介
本报告所涉及的所有机器学模型的详细介绍，可参见华泰人工智能系列报告：
1.人工智能选股框架及经典算法简介
2.人工智能选股之广义线性模型
3.人工智能选股之支持向量机模型
4.人工智能选股之朴素贝叶斯模型
5.人工智能选股之随机森林模型
6.人工智能选股之Boosting模型
7.人工智能选股之Python实战
8.人工智能选股之全连接神经网络
9.人工智能选股之循环神经网络模型
10.宏观周期指标应用于随机森林选股
11.人工智能选股之Stacking集成学习
百度网盘地址：http://t.cn/RHYR7yk
机器学习模型运用到多因子选股的流程
1． 数据获取：
a) 股票池：沪深300成份股/中证500成份股/全A股。剔除ST股票，剔除每个截面期下一交易日停牌的股票，剔除上市3个月内的股票，每只股票视作一个样本。
b) 训练样本长度：72个月。
2． 特征和标签提取：每个自然月的最后一个交易日，计算70个因子暴露度，作为样本的原始特征；计算下一整个自然月的个股超额收益（以沪深300指数为基准），作为样本的标签。因子池如图表21所示。
3． 特征预处理：
a) 中位数去极值；
b) 缺失值处理：得到新的因子暴露度序列后，将因子暴露度缺失的地方设为中信一级行业相同个股的平均值。
c) 行业市值中性化：将填充缺失值后的因子暴露度对行业哑变量和取对数后的市值做线性回归，取残差作为新的因子暴露度。
d) 标准化：将中性化处理后的因子暴露度序列减去其现在的均值、除以其标准差，得到一个新的近似服从分布的序列。
4． 训练集和交叉验证集的合成：
a) 分类问题：在每个月末截面期，选取下月收益排名前30%的股票作为正例（y=1），后30%的股票作为负例（y=0）。将训练样本合并，随机选取90%的样本作为训练集，余下10%的样本作为交叉验证集。
b) 回归问题：直接将样本合并成为样本内数据，同样按90%和10%的比例划分训练集和交叉验证集。
5． 样本内训练：使用机器学习模型对训练集进行训练。
6． 交叉验证调参：模型训练完成后，使用模型对交叉验证集进行预测。选取交叉验证集AUC（或平均AUC）最高的一组参数作为模型的最优参数。
样本外测试：确定最优参数后，以T月月末截面期所有样本预处理后的特征作为模型的输入，得到每个样本的预测值，使用预测值构建组合选股。
风险提示
通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。
免责申明
林晓明
执业证书编号：S0570516010001
深证100指数有多少个成分股是包括在沪深300指数里的?
上证180的成分股全包括在沪深300，深证100指数也在沪深300指数里的，还要多20家。深指120家。
什么是沪深300成分股
由上海证券交易所和深圳证券交易所联合编制的沪深300指数将于2005年4月8日正式发布。沪深300指数简称:沪深300；沪深300指数是由上海和深圳证券市场中选取300只A股作为样本，其中沪市有179只，深市121只。样本选择标准为规模大、流动性好的股票。沪深300指数样本覆盖了沪深市场六成左右的市值,具有良好的市场代表性，了解更多详情欢迎咨询义隆金融。
请问新股上市几天后才纳入指数？
1.根据现行的规定，沪深两市新股上市后计入相应指数的时间是上市后的第11天。2.上证指数和新综指属于全样本指数，即全覆盖某一市场，而上证180、上证50指数属于成分股指数，其样本数量固定，有进必有出。1.11天，在市场炒新盛行的情况下，新股在上市第11天计入指数，在很大程度上有助推指数上扬的作用。2.从指数的样本股选择范围来看，上证指数和新综指属于全样本指数，即全覆盖某一市场，与此类似的指数还有中证流通指数、深证新指数、新华富时全A指数、中信标普综合指数；而上证180、上证50指数属于成分股指数，其样本数量固定，有进必有出，目前作为股指期货标的的沪深300指数，以及深成指、新华富时***A50、中信标普300指数均属此类指数。拓展资料新股（newshare）是指刚发行上市正常运作的股票。新股开盘价较低，一般在50%以下，上海市场每一申购单位为1000股，深圳市场申购单位为500股，除法规规定的证券账户外，每一个证券账户只能申购一次。一、申购规则上海市场每一申购单位为1000股，申购数量不少于1000股，超过1000股的必须是1000股的整数倍，但最高不得超过当次社会公众股上网发行数量的千分之一或者9999.9万股。深圳市场申购单位为500股，每一证券账户申购委托不少于500股，超过500股的必须是500股的整数倍，但不得超过本次上网定价发行数量的千分之一，且不超过999，999，500股。除法规规定的证券账户外，每一个证券账户只能申购一次，重复申购和资金不实的申购一律视为无效申购。重复申购除第一次申购为有效申购外，其余申购由证券交易所交易系统自动剔除。申购委托前，投资者应把申购款全额存入与交易所联网的证券营业部指定的资金账户。上网申购期内，投资者按委托买入股票的方式，以发行价格填写委托单。一经申报，不得撤单。申购配号根据实际有效申购进行，每一有效申购单位配一个号，对所有有效申购单位按时间顺序连续配号。二、申购流程⑴投资者申购（申购当天）：投资者在申购时候内缴足申购款，进行申购委托。⑵资金冻结（申购后第一天）：由***结算公司将申购资金冻结。⑶验资及配号（申购后第二天）：生意所将按照最终的有用申购总量，按每1000（深圳500股）股配一个号的法则，由系统主机自动对有效申购进行统一持续配号。⑷摇号抽签（申购后第三天）：发布中签率，并按照总配号量和中签率组织摇号抽签，于次日发布中签率。⑸发布中签号、资金解冻（申购后第四天）：对未中签部分的申购款予以解冻。
沪市A+h股有哪些
可以到沪深300指数去查。
上证指数关于新股上势若蒸握哥费阳食通剂市后第11个交易日计入指数的规则
2007年1月6日，上证所发布了修改新股计入指数规则的公告：自即日起，新股于上市第十一个交易日开始计入上证综合、新综指、及相应上证A股、上证B股、上证分类指数。新股上市首日虚增上证指数的时代将告别市场，取而代之的将是更真实的反映市场走势的上证指数。本文比较了各大指数新股计入规则，并用近似方法估算了2002年9月以来新股首日计入指数对上证指数的累计虚增点数，供投资者参考。 新股计入规则比较 上证所关于新股上市计入指数时点的规则经历了三个阶段：浦发银行1999年11月10日上市之前，新股自上市满1个月后计入指数；1999年11月8日开始，上市新股自上市后第2日起计入指数；而自2002年9月23日起，新股上市首日即纳入指数计算。 从指数的样本股选择范围来看，上证指数和新综指属于全样本指数，即全覆盖某一市场，与此类似的指数还有中证流通指数、深证新指数、新华富时全A指数、中信标普综合指数；而上证180、上证50指数属于成分股指数，其样本数量固定，有进必有出，目前作为股指期货标的的沪深300指数，以及深成指、新华富时***A50、中信标普300指数均属此类指数。 我们根据以上指数编制方案关于新股计入的规则比较发现（详见表1），中证流通指数、深证新指数的新股均在第2个交易日计入指数，而各大成分股指数中，符合快速进入条件的大市值新股的计入时间有三档：新华富时系列指数在第6个交易日计入，沪深300、上证180、上证50都在第11个交易日计入新股，中信系列指数为配合调仓根据发行公告日确定计入时点。因此，上证指数此次将新股计入指数时点延后至第11个交易日，与沪深300指数的快速进入新股日一致，是比较稳妥的规则，充分考虑了大盘新股上市初期的股价波动对指数可能造成的冲击，也兼顾了目前市场代表性较强的沪深300指数的计入规则。
沪深指数的成分股
对样本空间股票在最近一年（新股为上市以来）的日均成交额进行排名，剔除排名后50%的股票，然后对剩余股票按日均总市值进行排序，选取前300位的股票作为成份股。沪深300指数成份股的调整：指数根据样本稳定性和动态跟踪的原则，每半年进行一次调整，每次调整数量不超过10%。