|
这是一个非常简单的量化选股策略，它只用到了两个基础选股指标。  代表策略的橙色曲线2010年至今从1元涨到了112元，年化收益43%；在近两年大盘下跌的情况下，这个策略更是逆势翻了6倍。 这个量化策略究竟用了哪两个选股指标？具体又是如何运行的？下面我们做相应的介绍。 01 低价股往事1 美股往事 1939年秋，尚未从经济大萧条的泥泞中完全挣脱的美国，经济再次陷入衰退，GDP大幅下滑，失业率重回高点。 在不远的欧洲，世界大战正式打响，战火逐步蔓延全球。内忧外患之下，一时间消极与恐慌蔓延全美，股市更是暴跌49%。  而未来被称为全球投资之父、历史上最成功基金经理之一的邓普顿，在这样的背景下开启了他的投资生涯。  相较于其他投资者的悲观消沉，年轻的邓普顿有着截然不同的乐观。 他认为美国必将被卷入战争，战争刺激下所有行业都将复苏，即使是那些效率最低的公司，股价也将出现急剧上涨。 2 抄底股市 这也促使邓普顿有了抄底股市的计划。 但他并未买入单一个股或大盘指数。而是借款1万美元，买入交易所中所有1美元以下的股票，平均每只股票持仓100美元左右。  4年后邓普顿选择清仓，此时他买入的104只股票中，只有4只亏损，胜率高达96%，初始的1万美元更是变为了4万，远远跑赢了同期标普500指数。  邓普顿的这次抄底为何能够成功呢？ 这其实源于国外股市长期存在的低价股效应。 02 低价股效应1 低价股效应简介 所谓低价股效应，就是股价绝对值越低，未来的收益越高。  该效应不仅被众多投资大师实践过，在学术界也受到了广泛的认可。 了解一定历史的同学都知道，投资实操界和学术界互相鄙视，能被两者同时认可的理论，一般很难出错。  那低价股效应又是如何产生的呢？ 2 低价股效应成因 主要原因是低价股给投资者一种便宜的错觉。 比如在A股大家看到2000块的茅台时，可能第一反应是吐槽价格太贵；而看到2块的农行时又觉得很便宜。 但股票的贵或便宜不能看股票的绝对价格，而是要看估值或市值。  然而如此简单的常识，却至少有80%的投资者是不知道的。不信的话，可以采访一下你炒股的朋友。 另外很多低价股处于超跌状态，超跌的股票有很强的反转效应，适合买入。  我们是做量化交易的，既然知道了低价股效应，自然就会好奇，A股是否同样存在低价股效应呢？ 下面我们就借助全部的A股历史数据和Python代码，来构建一个低价股策略，去看看这样选股到底是赚还是赔？ 03 A股低价股效应1 数据准备 想要进行验证，我们就需要用到每只股票每天的交易数据。 我已经帮大家整理妥当，包含了所有股票（包括已退市的股票）上市至今每天的开高收低价。数据情况如图所示：  这个数据也都是可以分享给大家的，欢迎在评论区留言。 2 策略构建 有了数据后我们就可以尝试构建相应的策略。 每月最后一个交易日结束后，我们去获取所有股票的收盘价，从中选出价格最低的50只股票。 为防止选到可能退市的股票，我们约定选出的股票的收盘价需大于2元。（在A股，连续20个交易日收盘价低于1元的股票会被强制退市）  我们再从每月选出的50只股票中剔除ST股、退市股、停牌股及上市不满一年的新股。 次月第一个交易日开盘时，均仓买入选出的股票，一直持有至次月最后一个交易日收盘时卖出，并重新选择此时满足条件的股票。如此循环往复。 比如我们在2022年11月底在所有股票中选出了28只符合条件的股票。 就在12月的第一个交易日开盘均仓买入，一直持有到12月最后一个交易日收盘卖出，并重新选择符合条件的股票，这次选中了17只。 由此我们发现，策略选出的股票数量是不确定的，可能有50只，也可能一只没有。 那这样的策略能赚钱吗？你用Excel也可以计算，但相对繁琐，我们就借助Python代码来进行验证。 这个代码也都是可以分享给大家的，欢迎在评论区留言。 3 回测结果 策略回测结果如图所示： 代表策略的橙色曲线从2010年至今从1元涨到了5.78元，远远跑赢了代表同期沪深300指数的绿色曲线，14%的年化收益也跑赢了同期房价涨幅。 但策略的最大回撤高达55%，这是我们只使用了单一的选股指标且永远满仓造成的。 当然只看排名前50的低价股有一定的偶然性，一旦出现异常情况，就会严重影响策略结果。 04 分组统计1 策略延伸 所以我们接下来不仅只看排名前50的低价股，还要看价格最低的前20%的股票的整体收益情况。 我们仍使用之前的Python代码，只需稍作修改即可。 这个代码也都是可以分享给大家的，欢迎在评论区留言。 策略结果如图所示： 价格最低的前20%的股票最终收益是3.81，同样跑赢了沪深300指数。 2 分组表现 甚至我们不仅仅只看前20%的股票，还可以根据股票价格把所有股票分成5组，分别看各组的表现。 最终结果如图所示： 各组收益间呈现出明显的递减规律，即股票价格越低，未来收益越高。 这恰恰证明了A股和其他股票市场一样，存在着低价股效应。 我们也比较推荐大家今后交易时加入低价股指标，以此完善自己的选股策略。 但说实话，上文构建的低价股策略年化收益偏低、回撤偏大，并不适合直接实盘使用。 下面我们就尝试着来改进一下这个策略，让它可以更贴近实战。 05 策略改进1 低价股特征 改进策略最好的方法，是观察策略选中的股票： 可以发现，大部分低价股都是市值较低的小盘股。 我们之前的一篇文章也验证过股票市值越小，未来收益越高这一结论，感兴趣的可以看看： 接下来我们就尝试在低价股策略基础上加入小市值的筛选条件，构建一个新的量化选股策略。 2 策略改进 在原有交易模式不变的情况下，我们来改进选股条件： 1.收盘价仍大于2元。 2.价格须是最低的200只之一。 3.市值须是最小的200只之一。 当一只股票同时满足以上3个条件，我们才会选中它，这就形成了我们全新的选股策略： 我们仍借助全部的A股历史数据和Python代码来进行回测。 这个数据和代码也都是可以分享给大家的，欢迎在评论区留言。 3 回测结果 回测结果如图所示： 代表策略的橙色曲线从2010年开始至今从1元涨到了112元，年化收益高达43.76%，对比原策略有了显著的提升。 分年度来看： 除了14年、17年和20年，策略均跑赢了原始策略和沪深300指数，超额收益明显。 值得一提的是，策略从21年至今表现极为优秀，两年涨了6倍，而同期大盘则是下跌的。 4 策略跟踪 所以我很推荐大家去使用这个策略，你坚持用它的话，不说有多赚钱，肯定比自己瞎操作要好。 并且这个策略操作简便，即使不会用Python，用同花顺最基础的条件选股也能选出符合条件的股票。 为了方便大家查看策略表现，我们也在自己的网站上公开了这个策略。 你可以查看每月的最新选股结果和策略的历史表现，非常方便。 这个网站也都是可以分享给大家的，欢迎在评论区留言。 5 思路拓展 至此我们介绍了A股的低价股效应，形成了一个有效的量化策略，并在此基础上魔改出一个更好的策略。 大家也可以延续本文的思路，加入更多的条件来优化这个选股策略。 比如可以再加入一些财务数据相关的选股条件，选出基本面更优质的公司，当这些指标结合后可能会产生更好的策略。 06 后记文章的最后，和大家分享一点量化投资的心得。 很多人问我小白如何开始学习量化投资，有什么可以书单推荐。 我的建议是千万不要直接找本书来看。 你找本编程书看，那跟着敲完“Hello World”就结束了；你找本数学书看，那看到第七页的公式就睡着了。 更好的学习方式是做实际的项目，在实践中学习量化策略。 研报就是很好的量化实践项目。 一篇研报就是一个策略，作者都是年薪百万的高学历券商分析师，你要做的就是读懂策略研报，并用代码实现。 在此期间什么不会学什么，哪里不会点哪里，抱着解决问题的心态去学习，事半功倍。 熟读唐诗三百首，不会作诗也会吟。 那么哪里可以获取研报呢? 你可以和我交流，我这里有分门别类几万份研报，还会实时更新。 我会区分难度，精选之后发给你。 也可以交流量化投资相关问题，我比较忙，回复的比较慢，但是看到的都会回复。 聊的开心，聊得有缘，很多量化的数据、资料都是可以送给你的。 也可以翻翻我朋友圈的内容，很多量化干货。一些不会公开发的内容，都会在朋友圈说。 |
|
|
