选股模型

选股模型（精选7篇）

选股模型 篇1

1 引言

股票投资活动主要包括两个问题,其一为股票的选择问题,其二是股票买卖的择时问题,本文主要讨论第一个问题.

自股票诞生以来,它就一直是金融市场上最主要的投资方式之一,国内外的投资者和研究者都致力于研究出一套方法,使之能够选择出具有良好未来收益的股票并将其作为投资组合的一部分。Guo和Zhang[1]应用层次分析法(Analytic Hierarchy Process,AHP),将复杂的问题抽丝剥茧,用权重代表不同底层因子对选股决策的影响程度,以得到分程度考虑了所有重要因素的选股决策。Kuo等[2]结合遗传算法和模糊理论建立了一个用于股价追踪和投资组合建立的人工智能系统。Tsumato等[3]运用粗集理论(Rough Set,RS)按设定目标进行分类以此找出收益性显著不同的几个股票类别,从收益性良好的股票集中挑选股票以建立投资组合。但是,由于股票的选择是一种多目标多约束的决策活动,而且金融数据往往是多维且大量的,传统的一些选股模型在处理高维、非线性的数据时往往会遇到挑战。例如之前提到的层次分析法(AHP)就更适合于处理线性、低维的数据。后来兴起的机器学习理论———人工神经网络由于能通过自主的机器学习探究复杂、高维数据背后的规律,并且有一定的泛化能力,因此在股票选择方面取得了一定的效果,这可参见Faria等[4],Zhang和Wu[5],国内方面也出现了很多基于人工神经网络结合各种数据预处理方法的研究,比如胡静和吴强[6],吴微等[7]。但同时它也存在着很多缺陷,比如网络结构确定比较困难;训练过程容易陷入局部极小点;经常存在过拟合、欠拟合的问题,导致了预测推广能力的降低。Vapnik[8]提出了一种新的机器学习方法———支持向量机(Support Vector Machine,SVM),能够很好地解决高维度、复杂数据的学习问题,可以克服神经网络等方法固有的过拟合和欠学习的现象,由于其特有的优点在很多方面都有应用。国内外运用支持向量机对股价走势预测,或者专门对股价的反转点进行预测方面的研究较为多见且有不错的效果,可参见Yeh等[9],黄朋朋[10]。但是应用支持向量机来建立选股模型这方面的研究却比较少,特别地,国内基于大样本股票数据的支持向量机选股模型还很不充分。

本文的研究就是将支持向量机的机器学习原理应用于国内的股票市场,建立一个行之有效的选股模型。将上证A股所有上市公司年报的财务分析指标作为原始高维样本,用一种启发式算法(HA)将该原始样本进行预处理,即在保持原有信息的基础上降维并提取特征信息,再将处理过的数据按年份分为训练样本和预测样本,利用支持向量机(SVM)的模式识别原理对训练样本进行训练,得到一个能识别出高额收益股票的选股模型(HA-SVM),再根据该模型对第二年的高收益股进行预测,并与预测样本比对以此得到该模型的分类有效性。

另外,支持向量机与神经网络一样,是一种机器学习理论,训练集对于最终模型的有效性起着至关重要的作用,多数研究者[11,12]在通常运用主成分分析法(PCA)来提取训练集,在降维的同时保持原数据大部分特征信息,以此提高训练效果。但是随着样本数的增加,主成分对总体信息的解释能力会越来越弱。因此,本文会把提出的启发式算法与被广泛使用的PCA法进行比较分析,通过最终所选股票组合的年收益率对比来说明本文HA-SVM模型的优越性。

2 启发式算法的支持向量机选股模型

本节简要叙述达到本文研究目的所需要用到的一些方法,包括主成分分析法,启发式算法和支持向量机。支持向量机的模式识别算法是本选股模型的核心方法,训练集质量的好坏对最后模型的构建起着十分重要的作用。由于原始数据量非常庞大,维度也很高,为了有效地实现分类识别,需要对原始数据进行降维和变换,得到最能反映原始数据分类本质的特征。主成分分析法是广泛使用的数据特征提取法,但在处理非线性、高维数据时表现一般,因此本文提出启发式的数据处理法与之进行对比分析。

2.1 主成分分析法(PCA)

在对实际问题的研究中往往会涉及到很多相关的变量,虽然每个变量都提供了一定的信息量,但它们的重要程度差异很大,加之变量之间也存在着相关性,比如一个上市公司的财务指标有盈利能力,成长能力,偿债能力,风险水平等多个方面,每个方面也涵盖了数个不同的指标。若将所有数据都作为输入变量则会造成数据的冗余和低效,更有可能降低实证结果的质量,因此可以对这些数据进行整合和变换,用少数的新变量来反映原始数据的极大部分信息,这些新变量即称为主成分。

(1)主成分的数学定义

设X1,X2,…,Xn为原始数据的n个变量,记X=(X1,X2,…,Xn)T,其协方差矩阵为Σ=(σij)n×n,设

在Cov(Yi,Yj)=αTi·Σ·αi=0,j=1,2,…,i-1和αTi·αi=1的约束条件下,求αi使得Var(Yi)达到最大,由αi确定的

称为X１,X２,…,Xｎ的第i个主成分。

(2)主成分的计算和选取

原数据向量X=(X1,X2,…,Xn)T的协方差阵为Σ=(σij)n×n,该阵为对称非负定阵,因此有n个特征根和n个特征向量。设其特征根为λ1≥λ2≥…≥λn≥0,正交单位特征向量为e1,e2,…,en,数据集X1,X2,…,Xn的第i个主成分

此时有:

其中,第j个主成分的贡献率为,前p个主成分的累积贡献率表示经过主成分法提取后的主成分Y1,Y2,…,Yp对原始数据的解释程度。通常要求选取的主成分个数能使累积贡献率cul(p)≥85%,否则视为丢失过多原数据信息。按要求选取主成分之后,就可将已降维的主成分数据集代替高维、复杂的原始数据作为支持向量机的训练样本。

(3)变量的标准化处理

由于上述的主成分分析法是从计算变量的协方差矩阵出发,但是协方差矩阵易受变量的数量级和量纲影响,因此要对原始数据进行标准化处理,常用的对数据X1,X2,…,Xn的标准化处理办法有两种:

1正态标准化

2均值标准化

2.2 启发式算法(HA)

影响一只股票投资价值的财务指标可以分为7个大类,即盈利能力,营运能力,股东获利能力,现金流量能力,发展能力,风险水平,偿债能力。每个大类还涵盖了若干个子指标,以盈利能力为例,其包括息税前利润率,资产报酬率,净资产收益率。由于这三个子指标反映的都是公司的同一个能力,相互之间的优劣重要程度较容易判断。本文启发式算法根据某股票每个大类里(如盈利能力)的子指标在所有样本股中所属的优劣层次给每一个子指标进行评分,再根据这三个子指标之间的相对重要程度构造判断矩阵,由判断矩阵得到每个子指标相应的权重,最后根据子指标的评分和权重可以得到该股票该大类(如盈利能力)的总分值。依据此法,最终可以得到该股票财务指标7个大类的相应分值,获取原样本代表优劣的特征信息的同时也将原数据从高维降低到了7维,将该HA算法得到的分值集作为支持向量机的训练样本。

(1)判断矩阵的构造

判断矩阵是决策者给出的各个要素之间相对重要性的主观经验判断。判断矩阵是以母要素作为评价标准,通过对子要素进行两两比较,从而确定判断矩阵的元素的。例如可用A:B1,B2,B3代表盈利能力:息税前利润率,资产报酬率,净资产收益率的所属关系,A:B1,B2,B3的判断矩阵为B=(bij)3×3,判断矩阵内的元素bij也称为标度,在此用1~9标度法来为两两元素之间的相对重要性标度。

若判断矩阵中的元素为标度值的倒数则意义为若i与j比较的重要性为bij,则j与i比较为1/bij.

(2)权重的计算和检验

以A:B1,B2,…,Bn为例,本步骤旨在计算B1,B2,…,Bn各自的权重,权重表示Bi对于A的重要程度,对于这一问题,运用特征根法[13]解决。

对于n个B1,B2,…,Bn,根据1~9标度法通过两两比较得到判断矩阵B=(bij)n×n,将解特征根问题:

得到的特征向量w=(w1,w2,…,wn)经归一化后作为要素B1,B2,…,Bn在A下的权重向量。

通过一致性检验可以确定权重向量的可靠性,保持主观判断与逻辑上的一致性,即避免出现“B1比B2极度重要,B2比B3极度重要,B3又B1比极度重要”这样的自相矛盾的情况,这将导致各个因素之间的权重计算失去合理性与科学性。因此要对判断的相容性和误差进行分析:

①设一致性指标为C.I.,即有C.I.=(λmax-n)/(n-1),其中λmax是判断矩阵的最大特征根。

②根据判断矩阵的阶数查找相应的平均随机一致性指标R.I.

平均随机一致性指标是多次(500次以上)重复进行随机判断矩阵特征根计算之后取算术平均得到的。龚木森、许树柏[14]得出的1~15阶判断矩阵重复计算1000次的平均随机一致性指标如下:

3计算一致性比例C.R.= C.I./R.I.,一般情况下,若C.R.<0.1,就可以认为判断矩阵有相容性。据此,由判断矩阵计算出来的权重向量就可以被接受。

2.3 支持向量机(SVM)

(1)SVM线性分类

SVM线性分类即在数据线性可分的情况下通过求解最优分类超平面来实现分类。数据线性可分见图1,若数据集中的两类样本(C１,C２)可用二维空间上的线性函数正确分开(如H０),则称这些数据是线性可分的,否则为线性不可分。

假设训练集为train={(x1,y1),(x2,y2),…,(xn,yn)},xi为样本信息向量(在二维坐标轴平面上就是坐标向量),Yi∈Y={+1,-1},+1代表C1类,-1代表C2类,设线性分离超平面H0:wT·x+b=0将训练集正确分离,则有:当yi=+1时,wT·yi+b≥+1;当yi=-1时,wT·xi+b≤-1。若该超平面离两类样本群的距离之和D*最大,则称该超平面为这个分类问题的最优分类超平面。

定义D*=d++d-,其中

上述寻找D*最大的最优分类超平面的问题等价于找到与H0:wT·x+b=0平行的两个超平面H1:wT·x+b=+1和H2:wT·x+b=-1,在保证这两个平面之间没有样本的同时,最大化H1和H2之间的间隔。将wT·x+b=±1代入式(6)和式(7),可以得到D*=d++d-=2/‖w‖,求H0:wT·x+b=0的问题即可转化为求能使‖w‖最小的w的最优化问题。(b在求得w后可通过样本点的代入来得到。)

另外,为了避免两个平行超平面之间距离达到极大但是没有实现有效分类的情况,即图1中H′1和H′2的情况,必须对该w的最优化问题加上约束条件(即能被该平面正确分类):当yi=+1时,wT·x+b≥+1;当yi=-1时,wT·x+b≤-1,可统一写成

最后,若样本点中出现图1中加粗样本点的情形,即极少数本属于C1类的样本因为异常情况,其特征信息却和C2类的样本特征相似。如果在寻找最优超平面时将这些离群值也考虑进去就可能最终得不到一个线性超平面,因此需要使最优化过程有一定的容错性。因此在约束条件当中加入松弛变量ξi,得到新的约束条件:

再引入惩罚因子C,将之加到目标函数中,用以表示容错离群点带来的损失。因此,支持向量机模型的训练等价于下面的二次规划问题:

求解该二次规划问题,引入拉格朗日函数:

令,得到,这三式构成(10)的KKT条件,又由于(10)是凸二次规划,它们也是(10)解的充分必要条件。把它们代回拉格朗日函数,得到(10)的对偶规划:

最优解为w*=∑yiλ*ixi,w*T·x+b*=0即为相应的最优分类超平面,那么分类决策判别函数为

f(x)=1为一类,f(x)=-1为另一类,依靠决策判别函数就可以将预测集分类,这样就达到了对目标股票池优劣分类的目的。

(2)SVM非线性分类与核函数

上节讨论的是支持向量机的线性分类,在原空间直接建立一个超平面作为分界面,这只有在样本集是线性可分的情况下才可行,本节提出SVM的非线性分类来解决二维平面上线性不可分的问题。通过事先选择的一种非线性映射(即核函数)把输入向量x映射到高维空间H,即φ:Rn→H;x→φ(x),使得数据在高维空间线性可分,然后在高维空间构造如前文所述的最优线性分类超平面,达到求解高维、非线性分类的目的。

设训练集为train={(x1,y1),(x2,y2),…,(xn,yn)},xi为高维的样本信息向量,Yi∈Y={1,-1},通过映射φ,可以得到类似(11)的如下形式的二次规划问题:

在(13)中若要求解该问题,需要知道具体的φ:Rn→H;x→φ(x),但核函数k(x,y)=<φ(x),φ(y)>可以直接得到输入向量在高维空间的内积值<φ(xi),φ(xj)>,这样就可以规避探求复杂的映射φ,只需要在原空间Rn上计算k(x,y)而不需要在空间H上运算。

大量的实证经验表明,高斯径向基核函数具有良好的可分性,即通过特征变换能够将训练样本在高维空间中线性分类,因此我们在实证模型选股中选取高斯径向基核函数。

3 数据选择与训练

3.1 数据选择

选取2009~2010 年所有上证A股(数据不全的剔除)年报数据上的财务指标总共7大类20个指标,由于金融类企业的资本结构与其他企业相差太大,所以剔除了36家金融类企业,具体见表3,数据源于国泰安数据库。2009年的数据作为训练集的原始数据,2010年的数据作为预测集的原始数据。

本文目的是根据公司的财务指标进行优劣分类,所以需要对公司公布年报之后的股票收益情况进行标识。经统计,2009年和2010年所有上证A股公司都于当年5月1日之前公布了年报,所以将2009年5月至2010年5月股票收益率位于前25%的股票标识为1,即yｉ= 1,其余yi =-1。

3.2 基于PCA的训练集提取

把2009年652个公司,每个公司7类20个财务指标作为训练集提取的原始数据集。如2.1节所述,用主成分法提取该原始数据集里累积贡献率能够大于85%的主成分来构成SVM非线性分类训练集的一部分。但是由于符合要求的主成分个数会随着所用样本数量的增大而增大。例如,对含25~39个股票的样本提取主成分,提取6个主成分就能满足85% 的要求,但若股票区间为52~118,则需要7个主成分,如图2所示。

若一次性提取所有数据的主成分,不仅会丧失局部信息,也会使得降维效果微乎其微,因此我们采取分步提取,为了兼顾降维效果和和信息提取效果,每40个样本股作一次主成分提取,将原数据降至7维。提取的主成分结合3.1节中用来标识股票收益率的yｉ,可以得到PCA法的训练集,结果如表5所示。

但上述方法仍存在缺陷,若分步对每40个样本提取7个主成分,每次提取的7个主成分对原有样本的解释能力也是不同的,其波动情况如图3。因此依靠主成分法对大样本形成训练集并不是最优的方法。

3.3 基于HA的训练集提取

同样地,HA训练集提取的原始数据也是2009年652家公司7类20个指标的财务数据。提取步骤如2.2节所述,在HA算法中首先给每个财务指标进行评分,评分标准按照该指标在所有样本股里所占的分位数,如股票600020的净资产收益率的值在所有股中为75% 分位数,则给予其75分。为了使分类更易区分出优势股并剔除异常值的影响,大于95% 分位数的均给予95分,小于30%分位数的均给予30分。由于每个大类(盈利能力、营运能力等)之间对于股票投资价值的重要程度较难判断,而每个大类里面的子指标反映该大类优劣的程度较为容易定性判断,比如盈利能力中的净资产收益率、资产报酬率、息税前利润率在体现盈利能力时有着较为明显的重要性差别,因此HA算法接着对同属一个大类的财务指标建立判断矩阵,求出每类子指标的权重向量,见表4(只以盈利能力和营运能力为例)。最后,将权重向量与各子指标评分值相乘就可得到每只股票7方面能力的分值,再结合标识股票收益率的yｉ,得到的训练集如表5所示。

注:①此处为了说明方便,用表格形式代替矩阵;②A指盈利能力,B指营运能力,子指标ai,bi如表3所示。

4 模型选股与结果分析

4.1 决策判别函数

为了实现对目标股票池股票的优劣分类,需要得到2.3节所述的决策判别函数,本文对于支持向量机的训练和测试是在Matlab下的Libsvm3.1下完成的。我们将表5中的PCA训练集(原始数据在进行主成分提取之前先分别进行均值标准化和正态标准化处理)和HA训练集分别作为Livsvm工具箱的输入数据,经过支持向量机算法(SVM)的训练(即解最优化问题)可以分别得到在PCA法和HA法下的参数wｉ＊和b＊以构成非线性分类的决策判别函数:

其中,g=1/σ2事先人为给定,w*i=yiλ*i,i为支撑向量的个数,训练参数结果如表6所示。

再将训练集内的数据回代入上述决策判别函数之后,训练集被该决策函数分为y*i=+1和y*i=-1类,分别表示被该决策函数认定的高收益股和低收益股。

由于训练集本身就有用来标识股票实际收益性的yi,将y*i和yi进行对比可以知道模型的训练分类准确率,例如:

其中,Num(y*i=+1|yi=+1)表示实际yi=+1的股票被正确分类为y*i的个数,Num(yi=+1)表示实际为+1类的股票的个数,-1类的准确率也以此类推。

PCA和HA下的训练分类准确率和整体分类准确率结果如见表7。

注:a表示训练集,b表示预测集。

4.2 SVM非线性选股和分析

相似地,用与提取训练集同样的方法对2010年的原始数据进行预测集的提取,同样也分为PCA预测集和HA预测集,将这两个预测集的数据分别代入上述决策判别函数(14)后,可以将预测集的股票分为yi=+1类和yi=-1类,+1类代表未来会产生高额收益的股票,-1类则代表低收益股。同时也能得到yi=±1的分类准确率和整体分类准确率,结果见表7。

从表中观察可得,当用均值标准化PCA法进行训练集的提取时,训练集+1类的分类准确率达到了100%,但是在预测集里的准确率却只有10.1266%,这是因为出现了过拟合的现象,即模型训练时用了数量很多的支撑向量来支持训练集的特征,仅针对训练集可能分类效果很好,但是一旦应用于测试集就会出现泛化能力差的情况。正态标准化PCA-SVM模型虽然实现了较好的准确率,但是HA-SVM模型每一个类别的分类效果都要明显好于正态标准化PCA-SVM的分类效果,这也证明了本文3.2节提到的主成分提取法的诸多缺陷,同时也从分类准确率的角度上说明了HS-SVM的优越性。

4.3 选股模型收益分析

进一步地,本节从模型选股收益的角度对两种方法进行对比分析。由于均值标准化的PCA-SVM模型出现了过拟合的现象,因此只利用正态标准化PCA-SVM和HA-SVM模型的分类结果。

如上节所述,通过对2009年训练集的学习训练可以得到用于股票优劣分类的决策判别函数,再将基于2010年原始数据的预测集代入该决策判别函数中,得到+1类和-1类两类股票作为依靠选股模型对未来的预测。本文在训练时选取的收益标识yi记录的是财务指标披露一年后的收益情况,因此,该预测覆盖的投资区间相应的是2010年5月至2011年5月。选取+1类的股票作为投资组合的成分股,在考虑上市公司资本规模的情况下,再根据其每只股的月流通市值赋予相应的投资权重。因此该投资组合的单位时段收益Rt和累计收益倍数ACRT可以表示如下:

其中,rti表示个股的单位时段收益(可以使日均,周均或月均),FCi表示个股流通市值,T表示组合持有周期。

除了对PCA和HA两种方法下构建的投资组合收益差别的对比分析之外,也有必要将这两者的收益与一个基准进行分析。由于在数据处理时已经剔除了部分股票,直接将上证A股指数作为基准不合适,因此把所有样本股按流通市值加权平均后的投资组合作为基准组合。PCA-SVM、HA-SVM和基准组合三者之间的累计收益倍数(ACRT)的对比分析结果如图4、图5所示。图5显示HA-SVM选股模型一年内取得的累计收益倍数显著优于PCA-SVM选股模型,证明本文的启发式算法在处理复杂、高维、大量并且可以局部定性分析的数据上比主成分法更有优势。图6表明PCA-SVM只在考察期最初的时间段内优于基准组合,但是HA-SVM模型在考察期大部分时间内收益状况一直优于基准组合,在考察期期末时仍略微高于基准组合,只要在考察期中挑选合适时机卖出即可获得可观收益。

下面将收益的考察期限延长为2010 年5 月至2013年5月,观察HA-SVM模型和基准组合的收益情况,结果如图6所示,表明HA-SVM模型虽然在一年之内的考察期表现良好,但是在一年之后收益表现开始出现不稳定,不能明显地优于基准组合,投资时需要灵活掌握组合的持有时间。

5 结束语

在股票市场的研究中,支持向量机多数都被用于通过历史数据来对未来股价进行预测从而获得高额收益,本文利用支持向量机的模式识别理论通过对样本股财务指标的训练来构建高维空间的最优分类超平面,相当于建立了财务指标与股票收益表现之间的一种高维、非线性关系,本质上讲是基于价值投资的理念来构建投资组合从而获得高额收益,本文的非线性SVM分类取得了很好的实际效果。

另外,支持向量机是一种机器学习理论,需要对历史数据进行学习,因此训练集对于最终模型的有效性起着至关重要的作用,多数研究者在形成训练集的数据预处理阶段通常运用主成分分析法(PCA)将高维数据降为低维,同时保持了原数据的大部分信息特征,以此来提高训练效果。在本文的研究中发现当样本是公司财务指标这类大量、高维的样本时,PCA法提取数据特征的效果存在着诸多弊端,以此提取的训练集对最后的分类效果并不是最优的。本文提出了一种启发式算法(HA)的数据预处理方法来生成支持向量机的训练集,该方法可以规避PCA法遇到的降维效果差以及对原数据解释程度不一等问题。最后将HA-SVM模型与PCA-SVM模型得到的股票累积收益对比也证明了本文基于启发式算法的支持向量机选股模型更有优势。

由于样本股票的财务数据会因为公司所处行业不同而呈现不同的特性,因此将所有公司不分行业的进行训练集提取也许会丧失一部分重要信息,启发式算法的启发原则有待改进,可以对不同行业分别建立不同的判断矩阵,比如消费类行业的流动资产周转率的重要性标度高,但机械制造类的存货周转率的重要性标度却更高。而且,在构建投资组合时,若可以根据不同股票的特点赋予不同的权重,或结合股价预测选择买卖点,对于达到更高收益都是很有意义的。另外,本文的训练规则只用到了财务指标,若能够扩展到其他类型的指标,会使模型更全面。

利好出台　如何选股 篇2

由于股指逼近去年最高点，并进入长期形成的套牢密集区。加上《意见》属于纲领性文 件，在没有推出具体的配套细则之前，股市出现震荡将是不可避免的。而这段时间恰恰是投 资者调整持股结构、优化投资组合的最有利时机。

具体操作方面，近期仓位较轻、甚至是空仓的投资者要及时买入，在具体选择品种方面 ，不要过分在意个股的绝对涨幅，而要重视个股的中长线投资潜力。对于一些价值发掘较充 分，已经从价值投资领域进入价值投机领域的蓝筹股不要盲目追涨，以免被高位套牢。投资 者可以仔细分析年报，对于确实具有高成长性，并有进一步涨升空间的个股，即使其涨幅较 大，也可以坚决买入，中线持有。

半仓持股的投资者目前应该适应市场的发展，逐渐增加仓位。选股方向要注意：现在整 个蓝筹股板块已经出现分化，部分蓝筹股已经有转弱趋势、而科技股、次新股和金融股是最 有可能重新树立龙头旗帜的板块。

满仓或重仓持股的投资者要乘大盘短线震荡的机会，调整持股方向。由于本轮熊市调整 时间较长，实际调整幅度较深（指数因为虚涨效应而表现得跌幅有限），所以，大多数投资 者都成为套牢一族，属于被动性满仓和重仓。其手中持有的个股也大多不符合当前市场行情 发展的主流热点，在股市处于上升阶段时，往往只能赚指数却难以真正赢利。这类投资者应 该把握短线震荡的机会，调整持股方向。

选股模型 篇3

自Brinson等 (1986) 提出首个业绩归属模型以来, 基金总收益被分解成政策收益 (基准收益) 、择时收益与选股收益等, 它们分别是投资政策 (战略资产配置) 、择时操作和选股操作对基金总收益的贡献, 几乎所有关于业绩归属模型的文献均关注投资政策对基金总收益贡献的重要程度, 对于其他方面则关注较少。实际上, 这种分解可以更加直观、全面地反映“择时”和“选股”这两种积极管理行为分别对基金收益和风险的影响, 从而更加全面地评价基金的择时选股能力。本文旨在建立一种基于业绩归属模型的基金择时选股能力的评价体系, 以期运用它来评价我国基金的择时选股能力。

一、业绩归属模型

一个典型的投资组合管理过程可以分解成几个关键的决策层次。首先, 设定投资的收益率目标及可容忍的风险水平;然后, 决定不同市场区隔 (资产类别、地区、子市场等) 的长期投资比例, 即战略资产配置;接着, 根据短期内不同区隔的预期表现, 对各个区隔的投资比例进行动态调整, 即市场时机选择;最后, 通过证券分析、股票选择及组合优化等步骤确认和选择估值最具吸引力的单个证券或证券类别。在此过程中, 可得到两个虚拟的投资组合即战略权重组合和动态调整组合。在此基础上, 我们就可以确定基金的择时收益和选股收益。本文将战略权重组合的收益率称为基准收益率。从而, 可以建立业绩归属模型如下:

二、数据选择

本文将利用2003年第四季度至2006年第三季度, 同时投资于股票市场与债券市场的53只封闭式基金和36只开放式基金的数据进行分析。这些数据包括季度收益率、各资产类别权重等, 数据通过金融界、中国基金网等网站获得。

我国基金的资产一般分为股票、债券、银行存款及清算备付金 (现金) 、其他。由于其他类资产没有一个可以比较的收益标准, 同时由于其占基金资产的比重非常小, 因此本文将其剔除, 并进行同比率调整使股票、债券及现金资产占基金总资产的比例之和为1。资产类别及其基准见表1:

注:*表示按照流通市值进行加权;**表示银行存款及清算备付金。

三、基金择时选股能力评价

本文首先考察择时选股操作对基金收益、风险以及风险调整绩效的影响, 然后在此基础上评价基金的择时选股能力。

1. 择时选股操作对基金收益的影响。

我们首先利用业绩归属模型将基金每季度的总收益分解成基准收益、择时收益和选股收益, 然后统计每只基金各种收益的算术平均值, 结果见表2。

从89只基金的相关数据来看, 在样本期间, 每个季度择时操作和选股操作分别给基金平均增加了0.13%和3.22%的收益;在89只基金中, 只有20只基金的择时收益小于0, 而基金的选股收益均大于0。

2. 择时选股操作对基金风险的影响。

我们分别采用收益的标准差和β值对风险进行度量, 对战略权重组合、动态调整组合及实际组合的风险变化进行考察, 结果见表3:

从样本数据来看, 不论是标准差和β值的中位数还是它们的平均值, 动态调整组合均大于战略权重组合, 说明择时操作增大了基金的风险;而实际组合又大于动态调整组合, 说明选股操作也增大了基金的风险。从具体的基金来看, 在89只基金中, 有18只基金的动态调整组合的标准差小于战略权重组合的标准差, 而有20只基金的动态调整组合的β值小于战略权重组合的β值。动态调整组合的标准差或β值小于战略权重组合的标准差或β值的基金数目分别为11只与23只, 而实际组合的标准差或β值小于战略权重组合的标准差或β值的基金数目分别为10只与17只。由此可知, 在我国基金中, 只有一部分择时选股操作降低了基金的风险, 而绝大部分积极管理操作都增大了基金的风险。

3. 择时选股操作对基金风险调整绩效的影响。

我们分别采用夏普指数和詹森指数对基金的风险调整绩效进行度量, 对战略权重组合、动态调整组合和实际组合的这个指数的变化进行考察, 结果见表4:

从样本数据来看, 不管是夏普指数的中位数与平均值还是詹森指数的中位数与平均值, 战略权重组合、动态调整组合及实际组合依次递增。从具体基金来看, 共有22只基金的动态调整组合的夏普指数和詹森指数小于战略权重组合的夏普指数和詹森指数, 所有基金的实际组合的这两个指数均大于动态调整组合和战略权重组合的这两个指数。

4. 基金的择时选股能力评价。

由前面的分析可知, 择时选股操作增加了基金的收益, 增大了基金的风险, 改善了基金的风险调整绩效。如果仅仅只利用择时收益和选股收益的均值或者各组合风险调整绩效的改善程度作为择时选股能力的评价指标, 则由于收益率变化的不确定性, 会导致评价结果与样本时期选择极度相关从而降低评价结果的可信度。在本文中, 采取类似于信息比率的进行判断, 其中:为收益平均值;σ为标准差。从而, 使得不同基金也具备可比性。在收益且各期收益相互独立的假设下, n期平均收益, 其中:均可由样本均值和方差代替。

在n=12以及5%的显著性水平下, 若有, 则通过显著性检验, 结果见表5:

由表5可知, 在89只基金中, 分别有12、66及69只基金具有显著的择时能力、选股能力和积极管理能力, 而且有1只基金的择时能力显著为负, 即完全不具备择时能力。这说明我国只有极少数基金具有择时能力, 而绝大部分基金均具备选股能力和积极管理能力。

与基于资本资产定价模型的基金择时选股能力的评价模型相比, 基于业绩归属模型的基金择时选股能力的评价体系能够全方位地分析择时操作和选股操作对基金业绩的影响, 这种影响能够直接通过收益率的变化来体现, 从而更加直观、更便于理解。

我国基金的择时操作和选股操作不仅提高了基金自身的收益率, 而且改善了基金的风险调整绩效, 并且绝大部分的基金均具备选股能力, 只有极少数的基金才表现出了显著的择时能力。

参考文献

[1].Treynor Jack, Mazuy K.Can Mutual Funds Outguess the Market-Harvard Business Review, 1966

[2].Henriksson, Roy D, Merton, RobertC.OnMarketTiming and Investment Performance.Ⅱ:Stastistical Proceduresfor Evaluat-ing Forecasting Skills’.Journal of Business, 1981

[3].Chang, E.C., Weller G.L.Market Timing and Mutual Fund Performance.Journal of Business, 1984

顺着政策取向选股 篇4

如今股市上升，是投资者有信心了吗?笔者认为是本能反应。投资者在2007年是无所畏惧，在2008年是畏惧过了头，2009年初是有点畏惧。但当一不畏惧了，股市就会不声不响地弹到你畏惧。

杜甫是怎样死的?战乱时，杜甫挨饿换得很厉害，一旦有饭吃，便抢着吃，结果饱死了。同样，今时投资者要怕的是抢货，一旦一步到，再过头到饱死，就要回调了。

杜甫饱死了，返魂无术，我们过早地失去了一位伟大的诗人。大市“饱死”回调，会不会令做多的投资者“返魂无术”?应不会。因此，纵使有些投资者因为赌得过大而陷于困境中，但如今大部分投资者都会考虑趁低吸纳，而不会像3个月前那样见高就抛。

不过，投资者要留心，如今这个升势是靠政府打造、政府注资、政府鼓励而来的。可以说，这是另类的政策市，政府的取向对后市趋向极为重要。

港股受三个政府的政策影响。一是香港特区政府，这个可以不大理；二是美国政府，这个可以理一理，因为美国政府政策会影响到环球金融市场的大气候；三是中央政府，这个肯定要理，因为这会影响到中国经济大气候和股市的小气候，而这两者是相关的，因为不少国企的盈利前景都受到中央政府政策的左右。

从美国情况来看，美国最近公布的4月份零售销售额下降，比预期的情况差，显示美国人手里可花的钱不多。那么多人失业，消费能力自然好不到哪里去。目前可以说，美国金融危机已经过去，金融海啸的影响已经减小，但实体经济的危机还未结束，衰退将持续一段时间，三五年是需要的。不过，政府救市政策的出台力度不会再像前期那么大，除非花旗银行、美国银行要倒闭，国会才会迅速批出钱来解决问题。

而在中央公布了4万亿元人民币的救市计划后，不少投资者便盘算有哪些企业会受益，以为可以捞一笔。笔者则一直认为，投资者不要对此期望太大，因为国家这些救市钱是不好赚的，会是辛苦钱。

在此次4万亿元投资计划中，近90％的项目被国有大中型企业拥有，民营企业很难参与。十大产业振兴规划中，大型国企也是受益最多，而中小企业受益并不明显。这种结构性差异可能使得国有大中型企业对资源的控制力和市场的控制程度大大加强，获得利润也会水涨船高。

国有大中型企业特别是金融、能源(电力、石油)、电讯、运输(铁路、民航)、基础建设等领域的国有垄断企业无偿占有公共资源的收益，利用自己的垄断地位获取超额利润，把本应由全民共享的财富化为己有。虽然它们的生产经营往往效率低下，但员工却享受着惊人的高薪和丰厚的福利，从而人为地拉大了行业间的收入差距。你认为中央会任由这些企业一直如此下去?所以，要把眼光放长远些，认真挑选股票，看看哪些值得投资。

每次股市下跌都会淘汰落后的、管理不良的、盈利不增的、只懂减价而不求质素的竞争者，为有创新的、管理好的、盈利有增长的公司提供更大的发展空间。

选股模型 篇5

一、复利增长的特征

长期来看, 财富的积累与三个因素密切相关:投资本金I、复利收益率R和投资期限N。财富终值F用数学公式表示为:F=I× (1+R) × (1+R) ×···× (1+R) 。简化为:F=I× (1+R) N。从财富公式看, 复利收益率R是财富终值函数的底数, 表现出固有的特征。随后我们将对其加速性、困难性、安全性、长期性四个重要特征进行详细讨论。

1. 加速性特征。

加速性特征是指, 随着投资期限的增加, 不同复利收益率的微小差异将加速演变成巨大差异。以40年投资期限为例, 复利收益率分别为5%、10%、15%、20%, 财富终值分别为7.04、45.259、267.86、1 469.8。复利收益率每增加5个百分点, 财富终值增加一个数量级 (如表1所示) 。故投资标的能否实现高增长对价值投资者至关重要。

2. 困难性特征。

困难性特征是指, 高复利收益率带来的财富增长是惊人的, 但实现高增长具有很大局限性。假如2011年初投入本金100万元, 年增长率为20%, 40年后将增值1 469倍, 达到约14.7亿元, 这个财富额超过贵州茅台公司2005年净利润11.6亿元。这种长时间高复利增长显然很难实现。财富位居全球第二的“股神”巴菲特1956~2004年间年均复合收益率也仅为22.2%。因此, 价值投资者对高收益要有合理预期, 避免制定过高的目标而承担不必要的风险, 尤其在估计企业利润增长方面, 应严格遵循保守原则。

3. 安全性特征。

安全性特征是指, 投资要确保本金的安全, 避免复利收益率为负值。首先, 从财富公式F=I× (1+R) × (1+R) ×…× (1+R) 来看, 任何一年复利收益率R为负值, 财富终值F都会等比例下降。其次, 一旦出现负值, 复利收益率越高, 其损害程度越高。以15%复利收益率为例, 假设在第41年发生15%亏损, 亏损额为40.179, 超过了前26年财富累积额36.857 (如表2所示) 。不管在什么复利收益率下, 任何一年的亏损都将会使前期多年的财富累积付诸东流, 且复利收益率越高, 造成的损害越大。

正因为复利收益率任何一次为负值都会对财富终值造成巨大损害, 故投资实践非常强调本金的安全, 这种强调包括任何一次投资操作。价值投资理论创立者本杰明·格雷厄姆把投资界定为:在确保本金的安全下获得满意的回报, 而价值投资理论最成功的实践者巴菲特则把其投资秘诀归纳为两条:“第一条, 永远不要亏损;第二条, 永远不要忘记第一条”。投资大师对“不亏损原则”非同寻常的强调与复利对安全性的严格要求不谋而合。

4. 长期性特征。

长期性特征是指, 投资需要长期坚持才能获得财富的巨大增值, 因为财富的增值额主要在后期产生。如表3所示, 以15%复利收益率为例, 当投资期限为20年, 第二个10年增值额占全部20年增值额的80%, 也就是第一个10年财富增值额才占20%。如果投资期限为30年, 那么第三个10年创造的财富达到76%, 其中第二个与第一个10年分别占19%与5%。同样的, 如果投资期限为40年, 那么四个10年财富累积额比例分别为76%、19%、4%、1%。综上分析, 我们可以得到两个结论:一是财富主要在后期创造, 故需要坚持长期投资;二是复利收益率越高, 后期创造财富所占比例越大, 坚持投资显得更加重要。

二、根据复利收益率选择投资对象

本杰明·格雷厄姆认为:“投资操作是基于全面的分析, 确保本金的安全和满意的回报。不符合这一标准的操作是投机性的。”本金安全是投资风险控制的根本要求, 满意回报是投资收益的最终目标。

1. 要考虑通货膨胀影响。

1978~2008年, 我国通货膨胀率年均约为6%。如果复利收益率低于这个数值, 就不能保证本金的安全。本文以常见的投资对象银行存款与国债为例进行考察。

大多数人对复利略有所知, 知道银行存款具有复利效果, 长时间会产生可观的财富。这种想法是否正确呢?我们以2011年初人民币存款基准利率为例进行验证:活期存款利率0.4%, 一年期存款利率3%, 五年期存款利率5%。我们以五年期定期存款利率5%计算, 1万元资金经过40年的复利增值后也仅7.04万元。如果扣除6%通货膨胀后回报率为-1%, 财富终值则变为0.68万元, 本金安全得不到保证, 更谈不上满意回报。如果收益率很低, 复利产生的效果相当有限, 考虑通货膨胀因素, 可能本金安全也无法保证。故结论是显而易见的:存款必须被排除于投资对象的选择范围。

债券是否是合适的投资标的呢?以上证国债指数 (000012) 为例, 指数从2003年1月2日100点至2010年12月31日126点, 年均收益率约为3.5%。考虑到6%通货膨胀率, 与银行存款一样, 债券同样不是理想的投资标的。

可见, 由于市场经济体制下通货膨胀的长期存在, 任何复利收益率低于通货膨胀率的资产都不是理想的投资标的。

2. 要考虑经济增长因素。

中国近30年GDP年均增长率约为9.8%, 通货膨胀率约为6%。因此投资对象的年收益率应不低于二者的叠加值15%左右。如果投资对象不能达到15%的平均值, 说明其落后于整体经济的发展, 基本上不能作为合格的价值投资标的。接下来我们对基金与股票的复利收益率进行考察。

上证基金指数从2000年5月9日991点上升至2010年5月10日4 230点, 年均增长率为15.6%。这个增长率达到了前述的15%的标准。事实上, 对于大多数普通投资者, 基金是合格的投资对象。

上证综合指数从1990年12月19日100点上升至2010年12月20日2 852点, 年均增长率为18.2%。事实上, 很多优秀企业的增长率高于上证指数。故就投资类别而言, 股票是比较理想的价值投资工具。

显然, 从复利收益率角度选择投资标的时, 既要考虑是否能战胜通货膨胀, 也要考虑能否战胜GDP增长的平均水平。一般地, 消费类、制药类产品具有抗通胀属性, 其作为投资大类应进入投资者的视野。另外, 垄断性企业由于面临竞争小, 其增长往往高于经济平均水平。故在价值投资操作中, 也可考虑选择具有抗通胀能力的垄断性优秀企业。

三、复利原理下的选股标准

1. 具有很强的垄断性。

一方面, 复利原理已经表明, 即使微小复利收益率的上升都将极大提高长期的投资业绩。正是这个原因, 价值投资者无一例外地把垄断性的优秀企业作为自己的投资对象。事实上, 很多优秀企业如云南白药、格力电器、烟台万华、东阿阿胶、盐湖钾肥等在专利、核心技术、自然资源等方面具有垄断性, 其业绩均保持了长期的高增长。

另一方面, 复利原理也表明高增长的困难性, 故对企业的长期高增长应给予高度警惕。以前述贵州茅台为例, 如果按照过去10年26.9%的增长速度, 到2019年, 贵州茅台的销售收入将达到约1 054亿元, 按照每瓶茅台800元计算, 基本全中国人均一瓶茅台才能实现这个目标。显然高增长难以长期持续。这给投资带来的启示是:一是要避免对企业产生过高的增长预期, 支付过高的买价;二是在企业不可避免地出现低增长之前, 寻找新的成长企业作为投资替代品。

2. 具有足够的稳定性。

复利收益率的微小下降将会极大降低长期投资业绩。以40年投资期限为例, 复利收益率每下降5%会使得财富终值下降为原来的1/5以下。如果投资产生亏损, 收益率为负值, 产生的影响更是巨大的。简言之, 投资者在任何阶段 (尤其是后期) 的亏损都会使得前期多年的财富积累付诸东流。因此, 价值投资者始终把不亏损作为投资的第一原则。关于这一点, 对于财富增值而言怎么强调都不过分。通俗地说, 投资应遵循“保本第一, 宁愿错过, 不能过错”的原则。

复利原理强调投资不亏损, 这对企业选择有什么要求呢?美国投资家罗伯特·哈格斯特朗对1 200家公司的研究结果表明:长期而言, 股价与企业盈利正相关。一般地, 周期性企业的盈利则可能会随着经济周期出现波动, 经济繁荣时期可能获得高盈利, 而在经济萧条时期则可能出现低盈利, 甚至亏损。而非周期性企业的盈利往往不太受经济周期的影响。因此, 价值投资实践中, 一般选择非周期性股票如消费、医药类作为投资对象, 避开周期性股票如金属、运输类, 保证盈利稳定增长 (如表4所示) 。关于这一点, 可以从巴菲特的持股得到印证, 巴菲特长期持有的可口可乐、吉列刀片、华盛顿邮报、美国运通等都是非周期性股票。

3. 具备长期成长性。

复利效应的产生基于长期投资, 这必然要求投资对象能够长期保持增长。如云南白药, 净利润从1993年1 324万元持续增长到2009年6.04亿元, 16年保持年均增长率26.9%。但很多企业并不具备长期成长性。如广电运通 (002152) , 公司是我国ATM行业中经营规模最大、技术实力最强的供应商, 在ATM行业景气持续攀升的背景下, 业绩增长迅速。但随着ATM机市场逐渐饱和, 其业绩增长空间非常有限, 其2007~2009年净利润增长率分别为156.90%、43.17%、17.01%, 出现了由高增长向低增长逐年下降趋势。事实上, 与人类基本需求密切相关的消费与制药类企业保持长期增长的概率比较大, 而不断面临升级换代的技术类企业长期增长的概率比较小。故价值投资者选择投资对象时必须密切考虑企业成长性是暂时的还是长期的。

综上分析, 投资者在选择投资对象时, 要充分考虑三种特征, 即垄断性、稳定性、长期成长性。我们把同时具备这三种特性的企业称为超级明星企业。巴菲特指出, 寻找超级明星企业给我们提供了走向真正成功的唯一机会。

四、价值投资对买卖操作的要求

即使是优秀的企业, 投资者也不能支付过高的买价, 否则复利收益率就会下降。因此, 价值投资操作的另一重要要求就是买入价。巴菲特在1992年伯克希尔年报中提出选择公司的要求:能够了解的、有良好长期发展前景的、由诚实和正直的人们经营的及能以非常有吸引力的价格买到的公司。他明确指出选择超级明星企业的一条重要的标准是:非常有吸引力的价格。细心的价值投资者不难发现, 巴菲特对买价要求不是一般吸引力, 而是强调“非常有吸引力”。

1. 要求足够低的折扣价。

在价值投资中, 风险与报酬不成正比而是成反比的。事实上, 以不同折扣价买入股票, 当价格回归价值时, 投资回报率具有相当大的差异。我们不妨以一只估值为10元的股票为例说明这个问题 (如表5所示) 。

从表中可以看出, 折扣比例从10%上升到60%, 回报率则从11%上升到150%。随着买入价折扣比例上升, 股价回归价值所带来的回报率加速上升。买入价折扣比例的大小对投资回报率的高低具有至关重要的影响, 尤其是折扣比例很大的时候。而事实上, 当折扣比例上升时, 股票的风险更小但带来的收益却更大。换言之, 依据安全边际原则购买股票, 其风险越低, 收益率越高。这与传统低风险低收益、高风险高收益的观点完全不同。当然, 股票估值是另一个重要的课题。但就买入价而言, 价值投资者即使选择了超级明星股, 也应等待股价远低于价值时买入, 才能获得高复利收益率。

2. 成长股更需要考虑买入价。

有投资者对成长股的看法是, 如果所投资股票成长性高, 对于买入价格不必过分计较。典型的观点是, 假如将来股价能达到400元, 现在10元还是30元买入关系不大, 因为前者盈利价差为390元, 后者为370元, 两者相差不大。这种观念是否正确呢?我们以双汇发展为例, 假设投资本金10万元, 分别在2006年年初 (2006-1-4) 以13.38元价格买入约7 500股, 2006年年中 (2006-5-31) 以31.37元价格买入约3 200股。到2010年年底 (2010-12-31) 收盘价为87.00元 (期间分红送股后, 复权价达420.43元) 。根据分红送股后折算, 2006年初买入股票市值增长约为106万元, 2006年中买入股票市值增长约为44.3万元。相同的10万元的本金投入, 经过高增长后, 初始买入价每股相差17.99元使得最终市值差异达到了61.7万元。综上分析, 我们得到的结论与大多数人的想象相反:成长股更需要对买入价斤斤计较, 因为高成长性会使得初始买入价的微小差异演化为最终投资收益的巨大差异。

3. 减少操作频率。

在证券市场, 常见提高收益率的方法是增加交易次数, 以每次小收益累加成大收益, 这种“积少成多”的方法是否可行呢?根据前述分析, 由于一旦出现亏损, 就会使得前期复利成果丧失殆尽, 所以常见的情况是, 股票交易者即使多次获得交易成功, 一旦犯错, 也最终很难避免失败的结局。基于“多做多错、少做少错、不做不错”的普遍常识, 价值投资者并不经常做买卖决策, 为数极少的重大投资决定极大降低了犯错的概率。

五、结束语

投资的本质要求选择股票类资产进行投资, 才能保证本金的安全和获得满意的回报。复利收益率的特征要求选择具备垄断性、稳定性和长期成长性的超级明星股作为投资对象。同时为了保证高复利收益率, 还要求买价足够低, 即遵循安全边际原则。综上分析, 价值投资操作的要求是:一方面遵循复利原则, 强调以垄断性、稳定性和长期成长性三条标准寻找超级明星企业;另一方面遵循安全边际原则, 强调以远低于价值的价格买入超级明星股。总之可以这样认为, 在进行投资决策时, 应以足够低的价格买入长期稳定高增长企业的股票。

参考文献

[1].中国注册会计师协会编.财务成本管理.北京:经济科学出版社, 2009

[2].本杰明.格雷厄姆, 戴维.多德著.邱巍等译.证券分析.海口:海南出版社, 2006

选股模型 篇6

量化投资理论是从20世纪50年代由马克维茨创造性地提出了用均值方差最优的数字方法来选择最优投资组合。由于当时对数据的处理量过大而复杂,因此,直到1990年后随着计算机被广泛使用,以量化作为核心的投资基金才逐渐超越传统的基金。量化选股策略是针对中国股票市场特性,从众多的指标参数中找出能够较为合理解释股票收益率的有效且不冗余的因子,并根据这些因子在选股策略中所占的权重来构建量化投资策略。随着信息技术的日异发展,资本市场深化改革步伐加快,证券市场间同业经营,居民消费等领域也迎来了信息数据量呈现几何级数增加现状。运用大数据思维分析众多股民的知识结构、行为习惯对股票投资形式的认知而形成固有模式思维,“大数据”思维正以不同形式、路径的方式影响着证券选股策略。大数据技术的战略意义不在于其庞大的信息数据量,而在于对含有意义的数据根据建模权重进行专业量化处理,帮助大家对于股票进行优化选股有着重要研究意义。因此,基于大数据思维模式分析多因子量化选股策略更加适用这样的市场,给投资者提供更好的参考模型。

二、大数据时代下的运用多因子量化选股策略现状分析

作为量化投资界的传奇人物詹姆斯·西蒙斯,他曾因“用公式打败市场”的故事在金融界中为人津津乐道。在1989年由他创办的基金成立至今的20年时间里,该基金持续地获得了每年平均35%(扣除费用后)净回报率,而同期被称为“股神”的巴菲特每年平均回报率也才大约在20%左右。即使在金融危机的2008年,该基金仍然获得了80%的高额回报,“最赚钱基金经理”对西蒙斯来说无出其右。

目前,国内对量化投资策略研究还比较少,做量化交易的基金也相对较少,投资者对量化投资仍持怀疑态度。另外,中国目前的资本市场还不完善,做空机制以及金融衍生工具相对较少,股票市场上仍然采用T+1的交易模式,这些都导致了量化投资在中国市场的发展弊端。但是,随着股指期货等新的做空金融衍生工具的推出,量化投资开始走入“中国大妈们”的视野。

三、大数据时代下的运用多因子量化选股策略研究

运用量化思维投资证券选股策略在国外已有四五十年。量化投资从无到有一直是很神秘的,人们把它叫做“黑匣子”。但是,当时的量化投资证券选股策略大多仅仅是数学模型,并不是人们想象的那么神秘。量化投资证券选股策略之所以弄得这样神秘是因为:(1)是为了保护其知识产权,防止侵权;(2)是为了防止其策略扩散后影响整个投资比率的失衡,缩短该策略的寿命;(3)是为了控制投资风险,如果该策略细节被投资对立面获得,则有可能会造成被动的投资效果。因此,投资公司、基金经理是不会说出其量化投资策略的。这是由于金融动荡中如果没有好的投资策略及对风险的控制力就有可能把老本亏个精光。

随着时间流逝,任何投资策略的盈利模式都会被市场所消化,量化投资策略也会随着时间的变化而改变。在量化投资证券选股这方面,重要的不是策略这一表面形式,而是掌握量化投资证券选股的研究模式。大家不必要去追逐那些形式的数学公式、策略模型,而应该根据现在大数据时代下对海量证券股票信息的合理分析整合,去学习、改进新的证券选股模式,以适应未来发展需要。

大数据时代的到来也给新形势下运用多因子量化模式选股带来极佳的发展机遇。

参考文献

[1]杨喻钦.基于Alpha策略的量化投资研究[J].中国市场,2015,(25).

我的选股“四板斧” 篇7

多年来，我一直采用AGVT选股法，虽未成为巨富，但已安居乐业，生活过得乐滋滋。现在我简单地介绍一下我的选股原则，希望朋友们能根据自己的实际情况，形成一套适合自己个性的交易法则。

一是熟悉（Acquaintance）：我这里所指的熟悉，并非是熟悉公司的名称或这家公司曾经为你提供过服务这么简单。我认为对一家企业熟悉，是指必须了解这家企业的经营模式、盈利能力，它主要靠什么产品赚钱的，它的产品竞争力如何，是否可以形成垄断，能否及早得到这家企业的财务数据（例如有亲戚朋友在这家企业工作，可以获取第一手公司经营状况的信息等）等。天下没有免费的午餐，不经过自己对该企业的基本面分析，在资本市场中下注，胜算的概率很低。

二是成长（Growth）：股票价格反映的不是企业的今天或过去，而是企业的未来，因此企业的成长性是选股的核心，如果一家企业的长期成长性优异的话，可能适当牺牲一点估值也是可取的。我想，如果你能看清一家企业能在未来的五年，至少是三年时间其利润成长率均高于市场平均或行业平均水平很多的话，那么这家企业绝对值得你不断跟踪。

三是估值（Valuation）：要准确确定一家企业的价值基本上是不可能的，但我想考察这家企业的相对估值和历史价值还是可行的。在比较估值时，先做个横向对比，与同行业相近企业的市盈率比较；再来一个终向对比，与所有A股的平均市盈率比较。最后，检视一下目前这只股票的市盈率与历史价值相比是高还是低。经过全面的体检后，我们可以得出这只股票的相对估值是否有吸引力。请记住，买估值低的股票总比买估值高的股票安全，估值高的股票很容易出现股价和市盈率双杀的情况，加重投资的损失。

四是题材（Theme）：说到题材，大家一定心有余悸，会不会选中重庆啤酒这样的股票呀？玩题材而踏中地雷是有可能的，不可能完全避免，这更要求我们要慧眼识股了。美国的通用电气就是这样一只题材股，它是唯一一只一直留在道琼斯30工业指数的原始样本股，它由原来只制造电气设备的企业，到后来不断加入题材，发展到今天已经在消费者金融、商务融资、能源、医疗、基础设施、媒体、交通运输等七大领域均有举足轻重地位的商业航母。目前中国还没有出现“中国式的通用电气”，不过我发现某些企业的管理者擅长资本运作，不断加入题材，为投资者带来丰厚的投资回报。能够建立亭台楼阁的企业，总比老实的“乡巴佬”能吸引投资者的眼球，从而获得较高的市场认知度，提升其市盈率的上限，投资者自然可获得额外回报。当然，玩题材一定要玩建立在坚实基础之上的亭台楼阁，避免谎言一破，出现无可挽救的损失。

用AGVT方法选股，原理并不深奥，可谓大道至简。不过要从2000多只A股中选出适合上述条件的股票可不是一件容易的事。更重要的是，即使你买入了完全符合上述条件的股票，股价也不一定会马上上涨，立刻使你赚得盘满钵满。有时运气和大众对股票的情绪对股价的影响也是相当巨大的。另外，选好股票后，你该做的就是定期对股票进行体检，看看它的发展是否沿着你想象中的轨道前行。除此之外，你要做的只是“调素琴，阅真经”，享受生活而已，千万别过度操作，我坚信炒来炒去并不能使人发财致富，只是增加交易费用罢了。

2012年将会是充满挑战的一年，不灰心、不放弃，积极布局优质股，最终肯定会尝到甘甜的投资果实。