摘要
伴随着全球信息科学技术的进步与社会的飞速发展，越来越多学者着手借助机器学习的方法对资本市场进行分析与研究。但是，要想用现有的方法对资本市场指标进行分析容易出现很多问题。例如，市场要求投资者具备一定的投资经验和能力，投资者的情绪波动容易影响投资决策，资本市场扰动因素众多导致难以进行量化分析等。因此，除了机构投资者外，越来越多个人投资者也逐渐开始接触量化投资。另外，价值投资理论虽然成熟的资本上被验证为有效的投资理念，但国内投资者对价值投资理论仍较为陌生。
因此，本文以量化交易策略为技术基础，价值投资理论为理论基础，构建一个以“烟蒂指标”作为主要选股因子，深证成指作为研究标的价值投资的多因子量化投资策略。最后通过分析回测的评价指标，判断策略构建是否成功。通过本文的模型构建，使得策略累计收益达到119.77%，年化收益为8.43%，Alpha为0.033，最大回撤为36.14%，据此说明模型构建比较成功。
关键词：价值投资；量化交易策略；烟蒂指标；定量择时；回测数据分析
一、引言
（一）研究背景
证券市场的起源最早可追溯到16世纪的欧洲，当时西欧正处于资本主义原始积累的时期。随着资本经济的发展，阿姆斯特丹于1602年成立了世界首家股票交易所，带动了全球的经济发展。众所周知，在证券市场中股票的价格会不断进行上下波动。因此，如何从历史的交易数据中挖掘出对预测未来走势有益的信息显得尤为重要。由于证券市场的特殊性，导致其与其他商品交易或资金借贷市场存在明显的差异。其中，最为明显的特征是：股票价格波动的频率高，即存在较高的投资风险。与之对应的是，高风险也带来了高收益，由此大量投资者被此吸引选择参与其中。
随着我国证券市场规模和功能的不断增加，股市在经济生活中起着越来越重要的作用，关于股票市场价格行为的研究将显得尤为迫切。研究股市价格行为的研究方法主要包括：基本面分析、技术分析以及量化投资分析。而量化投资是依据数学建立不同的投资模型，并运用计算机将模型实现，以此来对股市进行判断。这样避免了外界的干扰从而影响决策，计算机只会沿设定好的投资策略去实现。可以说，量化投资在一定程度上克服了人性的弱点。所谓量化投资，实际是指把计算机技术与数学、统计学等学科结合起来，再运用强大的数据调取能力从大量历史数据中提取出有价值的信息，并通过计算机编程技术来实现程序化交易的投资方式。量化投资的起源可以追溯到20实际50年代，然而直到计算机技术的高速发展与广泛普及，量化投资才得到投资界的重视和推广。1971年，巴莱克国际投资公司发行了全球首支被动量化投资基金，奠定了量化投资发展的基础。2020年3月1日，我国实施的《中华人民共和国证券法》象征我国证券市场也逐步走向金融市场化，使得量化投资策略被更多投资者青睐。
然而，股票市场的存在虽为企业融资提供了一个自由开放的环境，投资者可以将他们的资金配置于各个他们认为优秀且有发展潜力的企业，使得投资者与企业共同获利，促进社会经济的共同福祉。但是，如何判断一个企业是否优质成为了现在投资者面临的一种大难题。单纯对股票价格进行分析无法全面地了解一家上市公司的所有特质，因此，研究企业的财务数据显得尤为重要。上市公司的财务数据一般分为两大类：原始财务数据与衍生财务数据。原始财务数据是三大财务报表（资产负债表、利润表和现金流量表）中的数据；衍生财务数据指通过原始财务数据结合交易数据从而计算得出的指标数据，如速动比率、净利润增长率、市盈率（PE）等等。量化投资研究中用的最多的是衍生财务数据，基于这些数据建立因子选股模型是量化投资中一个重要的研究领域。
本文选用衍生财务数据即财务指标，分别有：市盈率、市净率、市值。市盈率与市净率两个指标是基于巴菲特的烟蒂选股法为基础所选取。巴菲特的选股法是在格雷厄姆的价值投资理念基础上吸收了费雪的投资理念结合得出，格雷厄姆采用账面价值作为企业价值的衡量尺度，费雪则认为买入股票不用看股价，也不用关注市盈率与市净率指标。巴菲特所提的“烟蒂选股法”实际上是以格雷厄姆的低估投资理论为基础而践行的一种择股方式。2007年在X佛罗里达大学一次演讲中，巴菲特向公众概括了他对烟蒂法的理念：烟蒂法是他第一次购买股票的方式，即找到一些股价远低于流动资本的公司，这些公司虽然非常便宜但仍具有一点价值。这便称为烟蒂法。就像在满地找雪茄的烟蒂，终于找到一个看上去还能抽上一口的，把它捡起，抽完，再换下一个。因此，“烟蒂法”的核心理念便是注重股票的安全边际，即低价格、低市盈率、低市净率。另外，巴菲特还认为需要观察三大指标来寻找优质企业进行长期持股，分别为：一是净资产收益率，即用每年的净利润除以净资产，该指标需小于20%；二是毛利率，即毛利与营业收入的百分比，该指标需小于40%；三是净利润，即经营所得的净利润占销货净额的百分比，该指标需小于5%。
（二）文献综述
1.关于价值投资理论的相关研究
目前，国内外关于价值投资理论的文献数量较为丰富，研究已形成较为成熟的体系。国外学者对将价值投资理论应用在不同国家或地区中的研究普遍获得比较好的投资结果。
S.Basu（1977）是最早对价值投资理论进行实证分析的学者，利用CAPM模型对1957年——1971年纽约证券交易所发行的所有股票进行分析，得出了“低市盈率可以获得超额收益”的结论[1]。
DavidA.Goodman和John Peavy（1983）利用不同行业的市盈率分析也得出了相同的结论[2]。
Paiboon Sareewiwatthana（2011）基于价值投资理论，选取了市盈率、股息率、账面价值等作为选股因子，通过对泰国的股票交易市场的验证，得出了“成长股因子对价值投资组合构建有重要影响”的结论[3]。
Pedro Holloway和Ricardo Rochman等（2013）基于价值投资理论对巴西股票市场进行价值投资策略的实证研究，得出了“选择高资产回报率（ROA）、高毛利率、流动性强且企业规模较大的上市公司，获得超额收益的可能性较大”的结论[4]。
国内学者也逐渐认识到价值投资策略在我国资本市场的适用性。王永宏、赵学军（2001）分别对价值投资策略和动量投资策略在我国证券市场上的有效性进行了对比分析，得出了“通过价值投资策略筛选出的股票同样适用于我国证券市场”的结论[11]。
姚辉和武婷婷（2014）选取沪深A股市场中2000年——2013年的股票数据作为研究对象，使用突击函数法构建投资组合并检验其收益率，得出了“我国资本市场适用价值投资策略，以及兼顾基本面和估值指标可以使投资者取得超额收益，且投资时间越长，组合收益率越高”的结论[12]。
陈瑶瑜（2016）通过分析我国资本市场的情况，对格雷厄姆成长股的公式进行修正，得出了“价值投资策略在我国具有适用性，且可以获取超额收益”的结论[13]。
2.关于量化投资策略的相关研究
量化投资最早起源于20世纪70年代初期，起源于巴莱克国际投资管理公司发布的世界上第一支被动管理指数基金。在国外学者的研究中，对量化投资策略进行实证分析的文献出现较早。
Senchack和Martin(1987)选取每股销售额的比率(P/S)作为股票筛选因子，得出“通过每股销售额比率筛选出来的投资组合，其收益能够超越市场平均水平，但有效性较市盈率弱”的结论[5]。
Eugene.Farma和Kemreth R.French(1992)、Lahonishok和Shleifer(1994)通过研究1963年——1990年纽约证券交易所、X证券交易所、纳斯达克证券交易所上市交易的股票，分析市净率与收益率之间的关系，得出“从长期来看，市净率是筛选股票的优质因子”的结论。该结论尚未确认是否适用于其他国家及地区的证券市场。
随着我国市场机制的成熟，量化投资策略成为股票市场的热点。国内学者首先进行对市场有效性的研究，随后才逐步通过财务指标构建量化投资策略。
陈小悦(1997)使用DF检验法，验证了国内证券市场的有效性[15]；范龙振和张子刚(1998)使用ADF检验的方式，同样证明了陈小悦于1997年得出的结论，即我国证券市场虽仍未弱势，但具有有效性[16]。
张兵和李晓明(2003)将股票市场进行年度划分，再对所得股票数据进行相关性、方差比等检验，最后使用自回归模型对国内股市的有效性进行实证分析，方得出“自2007年起，我国证券市场已处于虽弱势但有效的状态”的结论[17]。
陈信元(2001)、王晋斌(2004)、吴世衣(2007)通过研究，均得出“市账率越低的股票，它们的平均年化收益率越高”的结论。
李大刚(2004)选取4个财务指标对1998年——2002年四年间的股票数据进行实证分析，得出“估值越低，可能获取的超额收益越可观”的结论[18]。
朱世清(2015)基于多因子策略模型，从上市公司的财务和行情数据中选取了成长性因子、估值类因子等作为选股指标，并通过检验财务数据在上证A股市场中的有效性，得出了9个表现最佳的有效选股指标[19]。
3.关于将价值投资理论结合财务指标应用量化投资策略中的相关研究
Senchack和Martin（1987）通过实证研究发现，低市盈率（PE）的证券组合比低市销率（PS）的证券组合更能获得稳定的收益[5]。
Joseph E.Stiglitz等（2001）从盈利能力、营运能力及流动性等方面选取了9个财务指标，通过打分模型选取较高综合得分的投资组合[6]。
Charles E.Hyde（2018）使用F-score的选股方法，选取了个能够综合反映企业投资价值的财务指标进行分析，通过对澳洲股票市场的实证研究，得出“F值越高，其投资价值越大，F值高的股票多于F值低的股票”的结论[7]。
国内基于财务指标的多因子选股策略研究也逐渐成熟。谢合亮、胡迪（2017）通过引用LASSO和弹性网两种方法对因子进行筛选并确定因子权重，得出“该模型可以获得较高的投资收益”的结论[24]。
张虎、沈寒蕾和刘晔诚（2020）从117个因子中筛选了68个因子，并对2009年——2019年的沪深A股市场进行实证分析，得出“该策略具备获得更高收益和更低风险的能力”的结论[25]。
张金领（2021）将量化投资的在数据获取与处理等方面的优势，引入对价值投资理念的研究，通过实证研究证明其策略不仅适用于我国股票市场，还能够给投资者带来一定的超额收益[26]。
（三）选题意义与研究内容
基于上述思想，本文将价值投资理论的交易理念应用于量化投资中。因此，下述的模型构建与实证分析均以价值投资策略理论为理论基础。
价值投资理论的先驱者一部分在不断完善和修正理论，一部分将其应用于真正的市场投资中，著名企业家沃伦•巴菲特正是运用价值投资理论而取得巨大的成功，这一事件使得该理论受到全球各地投资者的关注与重视。
本文由巴菲特的“烟蒂择股法”中启发，选取了其中三个具有代表性的财务指标，结合价值投资的估值方法，在深证成份股指数（以下简称“深证成指”）中确定10只符合要求的股票。最后，将上述10只股票在所构建的量化择时策略模型中进行模拟交易，并通过回测分析，观察计算各项评价指标，判断策略是否符合条件。主要研究内容如下：
第一章为绪论，该部分对整篇论文的研究背景、文献综述、本文的研究方法以及创新行与不足等进行了说明，回答了为什么要进行本论文的研究、目前国内外关于价值投资与量化投资方面的研究现状以及本文有哪些创新点与不足等方面的问题。
第二章为价值投资与量化择时方式的概述，本部分先介绍了价值投资理论的发展及估值方法；然后，对量化择时的方式进行具体阐述。
第三章为构建定量择时策略的模型，首先确定选股因子，简述模型构建的步骤，再从收益性、风险性及综合性三个方面介绍了策略评价指标。
第四章为基于聚宽量化交易平台的进行价值投资理论选股策略的实证研究。
第五章为总结研究结论与启示，由此得出对于当下后疫情时代进行量化投资的指导意义。
（四）研究的创新性与不足
本文的创新性体现在：将量化投资在数据处理与因子筛选等方面的优势引入到对价值投资的研究当中，并借助了聚宽量化交易平台完成回测分析，突破了原有对理论研究的领域。
本文的不足体现在：一是，本文所构建的策略模型仍存在瑕疵，由于能力有限暂无法根据每个时期对模型进行修正与完善；二是，聚宽量化交易平台中的模拟交易与实际的量化交易过程还存在一定差异。
二、相关理论概述
（一）价值投资
1.理论概述与理论基础
价值投资是一种以企业内在价值为决策基础的投资方式。即投资者通过对企业进行财务分析后，了解该企业的经营状况；再通过对企业进行商业模式分析，进而了解企业的生存和发展；再通过对企业的战略进行分析，了解企业的机会和风险等。最后，投资者通过系统性的步骤，将所获信息进行整理和分析，得出对一家企业较为全面的认知。于是，再通过各类型估值手法，将自己对目标企业进行相对定性的判断，借助“估值”作为媒介，用数量化的方式把信息表达出来。下一步，将得出的价值区间与当期的股票价格进行比对分析，从而得出当下的市场价格是过高还是过低的判断，方可作出投资决策。
本杰明•格雷厄姆与戴维•多德于1934年合著的《证券分析》一书中首次提到“价值投资”，作为最早提出的两位学者，他们被后人称为价值投资理论的奠基人，从这之后价值投资的概念在金融界越发被重视。所谓价值理论，即上市公司的股票代表着企业的内在价值，股票价格围绕内在价值在不断波动。一般来说，股票的价格并不会过于偏离其内在价值。因此，一旦股票价格低于其价值，即股票价值被低估，说明此次可以选择买入并持有股票，等待股票价格回归价值时，便可获得一定超额收益，该收益可称为安全边际利润。传统的投资理论研究者认为市场波动会带来相应的风险，而价值投资理论研究者却认为，价格始终围绕价值进行波动。并且，从长远来看股价都是向价值回归且逐渐靠近的。股价可能被低估，也就有可能被高估，因此选择长期持有股票所获得的收益率受到短期波动影响的可能性很小。综上所述，价值投资区别于其他投资方式的是，价值投资者认为证券并不是投机的工具，它本质是挖掘股票背后所代表的上市公司基本面的内在价值。
2.价值投资的估值方法
作为价值投资理论的创始人，格列厄姆提出作为评估安全边际的出发点是长经营期限内的历史业绩。近年来，学者们倾向于“宁要正确的近似，不要错误的精确”的理念而选择相对估值法。相对估值法，即乘数估值法，在对企业未来现金流或折算率无法进行准确估值时，使用企业价值与账面净值、每股收益等指标的比例估算企业的价值，并比较标的企业与行业内同类型企业，或比较标的企业的历史数据，判断投资是否可行。相对估值法常见的模型有市盈率模型（PE）、市净率模型（PB）以及市盈率相对于盈利增长速度比率估值法（PEG）。由于此部分内容并不作为本文的研究内容，因此在此不展开叙述。
（二）定量择时策略
1.概念
定量择时是指运用定量方法，通过对各种宏观和微观指标的定量分析，试图找出对市场走势影响的关键信息。正如巴菲特在谈论中国市场时说：“我们所经历的上个世纪进行反复研究证明，股票交易市场的非理性是周期性运动爆发的。这有力地表明，投资者应该努力学会应对股市的下一波非理性爆发。而这也是需要的是剂解毒剂，我认为这剂解毒剂就是进行量化研究分析。如果你学会进行定量研究分析，你并不一定会更加出色，但是你也不会自己坠入疯狂。”因此，定量择时的意义重大。如果可以做到“选择牛市，规避照市”，将能够获得非常高的超额收益。特别是在系统性风险高、波动性高的a股市场。选择合适的进入时间是投资决策的首要目标，进入低风险区域可以增加安全边际。另外，定量择时属于量化投资过程的一部分。而量化投资是对历史数据使用定量或统计的方式进行研究分析，目的是挖掘对投资有效的规律，并应用于投资过程中的投资方式，其最突出的优势是可定量化描述的模型、规律或策略。在股票市场中，量化投资还包括量化选股、股指期货套利、商品期货套利、风险控制等过程。本文选取量化选股与定量择时两方面进行实证研究。其中，量化选股解决的问题是寻找值得关注并持有的股票，而定量择时解决的问题是判断买入或卖出股票的时机，达到在风险承受范围内的最大收益。
2.分类
在常见在单边做多的股票市场行情中，投资者的资产收益经常容易受到市场波动而产生较大的影响。在非理性市场中，这种价格波动所带来的风险尤其难以规避。因此设计合适的量化择时策略，以期控制投资者风险，对帮助投资者保持相对稳定的投资回报是非常有必要的。在股票市场中常用到的定量择时策略主要有：
（1）配对交易策略。
一种是将具备均衡关系的股票进行配对，观察是否偏离历史均值，判断做多低股价股票还是做空高股价股票；另一种出现在公司发生兼并的时候，通过兼并时的不确定因素进行风险套利。
（2）动量交易策略。
指先对股票的收益以及交易量设定一定的过滤标准，在股票收益亦或是股票的收益即交易量同时满足过滤准则可以进行购入或卖出股票的投资策略。市场非有效性是动量策略的理论假设，它通过开发策略、预判大盘走势和研究个股方可产生超额收益。
（3）均线系统策略。
均线系统策略可以简单理解为均线金叉时买进，死叉时卖出的择时策略。它一大前提是，趋势一旦形成会持续一段时间。因此，均线系统策略具有一定滞后性。
（4）OBV指标交易策略。
OBV能量潮指标又可称为平衡交易量，它通过统计成交量变动的趋势来推测价格趋势。通常在价格上升时，所需成交量较大，在价格下跌时成交量较小。
三、定量择时策略模型的构建
本文所指的价值投资理念是与量化投资策略的结合所形成的量化择时策略，首先需要借助量化投资在调取和处理数据方面的优势，在短的时间里完成价值投资的数据收集和分析工作；其次，利用量化投资方法的自主交易功能，在不需要人为干预的情况下，由计算机根据预设的买卖信号，自动化地实现交易，避免了投资人的非理性情绪对投资决策的影响。“烟蒂”价值。本文的策略模型基于巴菲特的“烟蒂型投资”理念而构建，受“烟蒂”价值的启发，确定市盈率与市净率的乘积作为“烟蒂指标”，通过构建低于平均市盈率及市净率的策略模型，实现“烟蒂”择股法决策和交易过程的自动化。
（一）模型设计思路
本文所构建的量化交易策略中包含了定量择时的步骤，因此下述构建的量化交易模型是基于“烟蒂指标”所构建的多因子选股策略模型。其思路如下：
（1）特征指标与预测变量的选取。该阶段的特征指标的获取技是获取影响模型；
（2）制定交易规则。为避免人员等外在因素干扰，根据情况制定相应的交易规则
（3）建立模型。
（4）评估模型。模型建立后，先对检验模型的指标，观察是否符合最终的参考指标，再执行下一步。否则，需重新计算模型指标，直到检测通过。
（5）测试模型。测试模型主要是通过设定好的回测参数对刚建立的模型能力进行检测。
（二）模型指标选取
通过市盈率与市净率构建模型结合企业市值，判断何时加仓、建仓，动态止盈和动态止损。最后通过回测观察模型的年化收益率、波动率及夏普比率对模型进行评估。本文在选择因子时，综合考虑了估值因素，公司质量与发展潜力等三方面因素，旨在选出既有价值又被低估的股票。表3.1为本模型主要的选股指标，其中，烟蒂指标与股票收益基本呈负相关关系。另外，还需结合净利润增长率、净资产增长率指标进行综合分析。净利润增长率（NI），即本期净利润增长额与上期净利润的比值，净利润增长率越大，反映企业的发展前景；净资产收益率（ROE），即净利润与平均股东权益的比率，反映投资者的投资与投资者获取报酬的关系，即企业过去的盈利能力。净资产收益率越大，投资者可获得报酬越大。净利润增长率和净资产增长率与股票收益率基本呈现正相关关系。
表3.1选股指标
（三）策略评价指标
在量化策略回测研究中，往往需要通过一些的评价指标从各个角度客观且全面地分析策略的可行性。本文将从收益、风险与综合风险与收益三个方面指标对策略进行评估。
1.收益性评价指标
（1）策略收益（Total Returns）
模型收益指模型总回报率，即一段时间内投资或投资池的实际回报率。总回报包括利息、资本收益、股息和已实现的分红，并以投资金额的百分比表示。当策略收益越大时，说明所构建的策略越成功，产生的超额收益越大。其计算公式如下：
（2）策略年化收益（Ttal Annualized Returns）
年化收益率是衡量策略投资收益的指标，表示投资一年时策略的预期收益率。当收益率为正值时，短期的年化收益率可能比实际值高。其计算公式如下：
（3）基准收益（Benchmark Returns）
基准收益又名基准折现率，是投资者以动态观点所确定、可接受的投资项目最低标准的收益水平，即选择特定的投资机会或投资方案必须达到的预期收益率。单从策略年化收益率无法评价策略的好坏，因此经常需要借助基准收益进行参考。本文选取深证成份股指数（简称“深证成指”）作为策略的判断基准。其计算公式具体如下：
（4）基准年化收益率（Benchmark Annualized Returns）
基准年化收益率与策略年化收益率概念相似，即表示投资一年时基准的预期收益率。其计算公式如下：
（5）超额收益（Excess Income）
超额收益率是指超过正常或预期收益率的收益率，即某日收益率减去投资者要求的正常预期收益率。超额收益率越大，说明策略构建越优秀。其计算公式如下：
2.风险性评价指标
（1）最大回撤（Max Drawdown）
最大回撤率指在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值，用来描述买入后出现的最糟糕情况，可以理解为在这区间任意时点买卖所可能的最大亏损。用于描述买入产品后可能出现的最糟糕的情况，是衡量风险性的重要指标。在回测中，历史最大回撤越小，说明策略表现越好。其计算公式如下：
（2）策略波动率（Algorithm Volatility）
策略波动率指在回测期间，用于描述策略收益变动情况的指标。该指标越小，说明因子筛选能力受其他因素的影响较小，即风险越小。其计算公式如下：
（3）基准波动率（Benchmark Volatility）
基准波动率是指基准收益回报率变化程度的度量，判断标准同上述策略波动率，其计算如下：
（4）盈亏比（The profit/loss ratio）
盈亏比指策略总盈利金额与总亏损金额的比值。当比值＞1时，模型产生正收益；当比值＜1时，模型亏损；当比值＝1时，模型既不盈利也不亏损。当回测的滑点率为默认值0.246%时，表示买卖股票价格为下单时价格加减0.123%。其计算公式如下：
3.综合性评价指标
（1）（Alpha）
Alpha指的是投资者获得与市场波动无关的超额回报，即面临非系统性风险时获得的收益，可用于衡量策略的好坏。当α＞0时，表示策略相对风险获得超额收益；当α＜0时，策略获得的收益小于基准收益；当α＝0时，策略获得基准收益。另外，若将Beta值设为1，则Alpha的收益即为策略年化收益率和基准年化收益率的差值。其计算公式如下：
（2）（Beta）
Beta用于衡量策略中的系统性风险，反映策略对基准变化的敏感性。当Beta＜0时，策略与基准的走势相反；当Beta=0时，策略与基准的走势没有相关关系；当0＜Beta＜1时，策略与基准走势近似相同；当Beta＞1时，策略与基准走势基本一致且与基准的移动更为贴近；当Beta＞1时，策略与基准走势基本一致且比基准的移动幅度更大。另外，Beta的绝对值越大时，说明其收益变化幅度相对于大盘的变化幅度越大；反之，则越小。其计算公式如下：
（3）夏普比率（Sharpe Ratio）
夏普比率指每承受一单位的总风险，将会产生的超额收益。该指标综合考虑了策略的风险与收益情况，在策略中以无风险收益率作为参考标准。在其他条件相同时，夏普比率越大，模型越优秀，即波动越低的资产组合反而获得较高的超额收益。其计算公式如下：
（4）信息比率
信息比率即超额收益与跟踪误差的比值，跟踪误差是策略与基准每日收益差值的年化收益差，用于衡量单位超额风险带来的超额收益。与夏普比率进行比较，信息比率更能反映策略的好坏，在策略中以基准收益率作为参考标准。
（5）索提诺比率（Sortino Ratio）
索提诺比率与夏普比率的作用一致，均用于衡量策略好坏。当索提诺比率越高时，说明在承担一单位下行风险能获得超额回报越高。
四、实证研究与结果分析
（一）回归参数的设定
下表4.1为回测分析中的主要参数。
（二）回测步骤
进行回测首先运行初始化函数的部分，为整个策略的变量赋值，完成赋值后不再进行初始化部分的运行。在每个设定好的调仓时点上，首先运行选股函数的部分，将所选的股票放入目标股票池中，再根据交易函数中设定的调仓规则，卖出当期不在目标股票池中的股票，并买入目标股票池中尚未持仓的股票，完成调仓步骤。在下一个调仓时点上重复上述调仓步骤。
（三）回测分析
1.收益与风险分析
图4.1为根据上述回测参数所得的累计走势图。从下图可以看出，上半部分所描述的是该策略的基本收益情况，其中红色曲线为深证成指的基准收益率，蓝色曲线为策略收益率，黄色曲线为超额收益率；图4.1中间部分为该策略以0为基准的日盈亏图，下半部分为以0为基准的交易日换仓图。
本次回测的区间为2012年1月至2022年1月。原因在于该十年的回测区间涵盖了2008年金融危机后股票市场从恢复到大幅度上涨，从大涨到股灾，从股灾到“慢牛”再到恢复的完整过程。
上述过程基本可分为五个阶段。
第一阶段为2012年1月至2014年1月，由收益曲线可知，策略收益与基准收益的变动基本一致，即深证成指股票池与通过因子分析得出的股票池收益基本相同，说明此区间内的因子筛选能力较弱。该阶段没有出现较大的盈亏差异，且调仓幅度变动不大。
第二阶段为2014年年初至2014年年末，市场正处于“慢牛”时期，策略收益略高于基准收益，市盈率因子筛选能力稍显作用，但盈亏差异仍不显著，调仓幅度依旧稳定。
第三阶段为2014年年末至2015年年末，该阶段是2008年金融风暴后从股票市场大涨到大灾的全过程。在一时间区间内，该策略收益持续高于基准收益。2015年6月月12日和13日，证监会连续两日发声，禁止证券公司为场外配资活动提供便利。此消息一出，股票市场发生剧烈震荡，策略收益随基准收益大幅度下降，最大回撤率达到顶峰。2015年6月—2015年9月，仅仅三个月最大回撤率直接从15.02%直达最大值35.34%。这一阶段出现了明显的盈亏差异，调仓幅度大幅增大，说明该期间股票的因子值波动较大，受股票市场的系统性风险影响较大。
第四阶段为2015年年末至2019年年末，该阶段为股灾结束后股价缓慢回升的时期，该策略在此期间策略收益基本保持在较大水平。2018年，在中美贸易战的影响下，深证成指收益从年初的28.25%下降至2019年1月9日的-14.71%，并达到最低点。此时策略收益也受到市场行情的影响，收益出现较大幅度下降，从114.56%下降至40.76%。但超额收益不降反升，最大值达到81.37%。这一阶段盈亏差异有一定变化，调仓幅度较大，说明在此期间股票的因子筛选能力较强，但可能存在除系统性风险外的其他影响因素。例如，投资者或者企业对所使用的股票因子评估情况。
第五阶段为2020年年初至2022年1月，该阶段策略收益从最低点逐渐回升。2020年，受到新冠疫情爆发的影响，股票市场发生波动。该期间策略收益虽为正值但波动较大，说明疫情对因子的筛选能力存在一定程度的影响，调仓幅度增大，盈亏差异较为明显。
综上所述，可以观察出本文所使用的因子筛选能力较强，无论是前期的“慢牛”时期，还是股票市场动荡的时期，或者是新冠疫情的爆发期，超额收益始终维持着较高水平，说明该策略中的因子具有一定的抗风险性。但从两次市场波动可以发现，策略收益虽然仍为正值，收益却出现较大变化，表明因子抗风险性还有待提升。
图4.1回测情况图
2.策略评价指标分析
表4.1为策略回测所得的数据。
从收益情况来看：在此10年的回测期间内，基准收益率为65.84%，策略累计收益率达到119.77%，约为基准收益的两倍；超额收益为32.52%，收益较为可观。
在风险方面，可以发现，该策略的最大回撤为36.14%，最大回撤区间为2018年1月23日至2018年10月18日期间，与2018年发生中美贸易战时期相对应，说明策略对系统性风险较为敏感。但该策略的波动率仍略低于深证成指的基准波动率，说明存在风险，但风险性并非想象中高。
综合收益与风险两方面来看：策略中的Alpha为0.033，说明策略中因主动承担非系统性风险而获得的回报处于中等水平，就主动选取的正收益来说，策略可以算得上成功；另外，Beta值为0.835约等于1，其意义是假定承担一个单位的风险，将可以获得0.835个单位的超额回报，说明策略模型的收益能力比较突出；此外，夏普比率为0.177，表示每一个单位所承担的风险，将产生的超额回报为0.177个单位，与Beta值的判断标准一样，策略的超额回报效应处于中等水平；索提诺比率为0.239，意味着承担一个单位的下行风险，将获得的超额回报为23.9%，表明该策略更有能力应对下行风险；最后，策略的信息比率大于0而小于1，其意义是在承担一个单位的超额风险时，获得的超额收益为22.1%，即策略的主动管理风险能力较强。
观察上图还可发现，策略的胜率约为41%，盈利额大于亏损额，说明策略虽整体呈正收益状态，但正回报较小，策略存在较大的改进空间。
表4.1回测数据表
3.持仓分析
表4.2为回测期间前十大持仓股票的最高仓位排行表。其中，持仓最多的前10只股票，有6只股票获得正收益，有4只股票发生亏损。该6只盈利的股票中，持仓排名第四的“万科A”股票盈利最大，持仓收益达到35.13万元，约占整体投入资金的百分之三十；4只亏损股票分别处于持仓排名的第五、七、八、十位，即中“美的电器”、“招商地产”、“建投能源”、“冀东水泥”，上述四只股票的亏损共计-208,287元，约占20%。综上所述，策略的选股能力较好。
表4.3为持仓天数统计表。由表可知，最长持股时间为3390天，约为九年；股票的平均持仓天数为47.87天，未满两个月，暂未符合与价值投资长期持股策略（平均持仓超过一年）。
表4.3为持仓天数统计表
表4.4为策略行业配置及基准行业配置的情况。由表可知，经过策略筛选后的股票主要分布的十大行业排名为（按配置比重从高到低）：金融、房地产、工业、原材料、可选消费、医药卫生、信息技术、其他、主要消费、公用事业。基准（深证成指）建仓的十大行业排名为（按配置比重从高到低）：其他、金融、工业、主要消费、可选消费、信息技术、医药卫生、原材料、房地产、公用事业。其中，策略配比权重在10%以上的有四个行业，按配置比重从高到低排列依次为金融、房地产、工业和原材料。这四类行业的配置比重总计达到72.52%。鉴于本文的选股策略需选取价值成长因子最小的十只股票，而上述四个行业的配置比重均为10%以上，说明这几个行业的价值成长因子较小，它们极有可能被市场低估，同时也极有可能具有较高成长性。本文所构建的策略模型发现了此类行业的潜在价值，实现了较为优秀的超额回报。对于现金行业，本次策略配置的比重为0.92%，居末位。说明现金行业的股票有可能已经处于较高的位置，成长潜力较小，也有可能相关企业的品质一般，因此尚未可入选目标股票池。
表4.4策略与基准行业配置表
表4.5为持仓天数统计表。由表可知，最长持股时间为3390天，约为九年；股票的平均持仓天数为47.87天，未满两个月，暂未符合与价值投资长期持股策略（平均持仓超过一年）。
表4.5为持仓天数统计表
表4.6为持仓盈亏统计表。由表可知，总盈利金额约为531.77万元，净盈利金额为137.66万元，仅占投资总额的1.15%。因为价值投资策略的换手率较低，每只被卖出的股票在回测期间内给投资者仅带来了214.46元的净收益，说明所构建的策略仍具有较大的改进空间。
表4.6持仓盈亏统计表
（四）策略对比分析
表4.7为季度调仓与年度调仓模型收益表。由表可知，在最大回撤率基本接近的情况下，调仓频率为一年一次的策略模型收益更高。说明调仓频率高虽可以有更多的机会去获得收益，但其风险性也相应提高，甚至会出现亏损更大的情况。
五、结论与展望
（一）研究结论与启示
1.总结
本文以价值投资理论为指导构建了一个基于巴菲特择股法的量化投资策略，并对该策略使用聚宽量化投资平台进行历史真实环境的模拟交易。通过选取一个较为完整股票市场周期后，对该策略进行回测分析。在回测分析中可以发现，该策略的累计最高收益高达119.77%，年化收益达到8.43%，夏普比率接近2，Alpha为3.3%，说明无论市场处在何种状态，动荡亦或是平缓，该策略均可以很好地实现稳步增长的收益，从而战胜市场。因此，在当前的股票市场中，本文认为相对于机构投资者来说，存在信息不对称情况的普通投资者更加适合价值投资。价值投资可以让投资者们在复杂的股票市场环境中仍带来较大的超额收益，价值投资在国内目前的市场中适用性较强。除此之外，通过上述研究分析，本文还得出以下三个方面的结论：
第一，在目前的股市大环境下，规模类因子（本文所使用的总市值）、估值类因子（本文所使用的市盈率、市净率）、或盈利类因子（本文所使用的净资产收益率）等都是有效的选股因子。但相对而言，估值类因子更加具有代表性，其高效性更能为投资者带来丰厚的超额收益。
第二，在对选股因子进行选择和分配权重时，需要反复对模型进行修改，方可设置出获得最大超额收益的数值。本文已选取能力范围内，使得超额收益效应最大的数值。
第三，通过与调仓频率为一季度的策略模型进行对比分析可发现，频繁更换股票进行调仓容易使得策略收益出现波动，对于价值投资者来说，对股票进行长期持有比不断更换股票及股票的持仓数量更为合适。
另外，上述策略回测区间的后期，包含了新冠疫情的爆发与恢复期。对于正处于后疫情时期的环境中，应该更加注重对量化模型中因子的选取。因为，在疫情的冲击下，市场对于很多企业业绩的判断会产生比原来更大的误差，这使得我们在进行量化投资策略构建时，需要不断修正所选的因子，提高模型的抗风险能力。并且，如果遇到无法判断特殊事件对因子和模型带来的影响的情况，切忌存在侥幸心理，贪小失大，得不偿失。在必要时要懂得拒绝部分投资机会，将投资组合的因子在相对基准上的偏差进行严格把控，达到控制风险的目的。
2.启示
价值投资本质上是在股票价值和市场价格之间进行套利交易，价值投资策略也一直在保持着稳定战胜大盘的状态。可由于经验的缺乏，我国股票市场上能够顺利进行套利的投资者少之又少。因此，本文推测可能出现的原因有：在股票市场中，一部分投资者存在投机取巧的侥幸心理，他们在面对短期诱惑时，因为自身并不具备对股票市场的精准判断的能力以及能够忍受诱惑的强大定力，使得他们容易陷入价值投资的“陷阱”中。因此，调查研究认为，非常有必要将价值投资理论应用到量化投资策略中去。随着科技的进步，市场上出现越来越多具有简易的操控性和较强的实践性的量化投资平台。在平台上，投资者可以自由构建符合自己需求的各类因子组成的策略，并通过计算机自动实现调仓等操作，从一定程度上规避了投资者主观意识和短期诱惑导致的风险。
另外，我国监管机构出台了一系列帮助树立长期且理性的价值投资理论的政策和措施。从普通的个人投资者来看，他们在股票市场上的买卖行为，不仅仅是一个数字的交易，而是对一个企业的部分所有权的持有，买入了该企业的股票，实际上就相当于投资了这个企业。因为，在对一个企业的财务状况、经营状况等进行全方面了解之前，万万不可轻易下手。一个发展前景好、经营状况好、盈利能力强的企业，可以带领投资者一同取得收益；反之，一个不具备发展前景，经营状况差、偿债能力弱的企业，不仅无法让投资者获取收益，还有可能让投资者面对巨大的亏损。因此，价值投资理论虽好，但也需谨慎使用。
（二）不足与展望
由于本文的策略模型构建是基于聚宽网络量化投资平台所进行的一次应用式策设设计，本文的重点为通过所设定的指标构建基于价值投资理论的实证分析，所提出的策略较为简单和基础，策略获得的超额收益也较小，存在着一定不足之外留待改进。
首先，第一个不完善的地方是该策略选股指标不清晰。前文提及的“烟蒂指标”和净资产收益率等指标并没有在策略中体现出来；其次，在策略构建前未能将信息比率、索提诺比率等指标以及策略所使用的因子做简单的介绍，使得论文衔接不流畅；最后，本文还存在着的不完善之处在于策略还有很大的赶紧空间，但由于自身的编程能力及策略构建能力有限导致未能完成。例如，如何更科学地分配策略因子的权重，如何优化策略使得超额收益在原有的基础上翻倍，如何更好地规避非系统性风险……上述问题仍有待考究，相信未来将有更多的学者完善价值投资理论的量化投资策略。
参考文献
[1]Basu.S.Investment Performance of Common Stocks In Relation To Their Price Earnings Rations:A Test of The Efficient Market Hypothesis[J].Journal of Finance,1977.32.
[2]D.A.Goodman,J.W.peavey.Industry Relative Price-Earnings Ratios as Indicators of Investment Returns.Financial Analysts Journal[J],1983,39:60.
[3]Sareewitthana P.Value Investing in Thailand:The Test of Basic Screening Rules[J].International Review of Business Research Papers,2011,7(4):1-13.
[4]Holloway P,Rochman R,Laes M.Factors Influencing Brazalian Value Investing Portfolios[J].Journal of Economics Finance and Administrative Science,2013,18:18-22.
[5]A.J.Senchack,JohnD.Martin.The Relative Performance of the PSR and PER Inveatment Strategies[J].Financial Analysts Journal,1987,43(2).
[6]Joseph D P.Value investing:The use of historical financial statement information to separete winners from losers[J].Journal of Accounting Research,2001.
[7]Charles E.Hyde.The Pioteoski F-score:evidence from Australia.2018,58(2):423-444.
[8]E.Otuteye;M.Siddiquee,Buffett’s Alpha:Further Explanations From A Behavioral Value Investing Perspective,Financial Markets and Portfolio Management,2019.
[9]WeijianYan,Does the Bull Market Have＂Buffett＂?-An Empirical Study on Chinese Mutual Fund Value Investing in Bull and Bear Markets,Technology and Investment,2017.
[10]本杰明•格雷厄姆，戴维•多德.证券分析[M].海南:海南出版社,1999.
[11]王永宏，赵学军.中国股市“惯性策略”和“反转策略”的实证分析[J].经济研究，2001(6):56-61.
[12]姚辉，武婷婷.兼顾基本面与估值指标的价值投资策略实证研究——来自2000-2013年中国沪深A股市场的经验数据[J].投资研究，2014.
[13]陈瑶瑜.本杰明•格雷厄姆成长股价值投资策略实证分析[J].时代金融,2016(36):323-326.
[14]陈祺.中国股市价值投资策略的绩效研究[D].上海：复旦大学，2013.
[15]陈小悦.中国股市弱型效率的实证研究[J].会计研究，1997,(9).
[16]范龙振,张子刚.深圳股票市场的弱有效性[J].管理工程学报,1998,(3):35-38.
[17]张兵,李晓明.中国股票市场的渐进有效性研究[J].经济研究,2013(1).
[18]李大刚.价值投资策略在中国股市的实证研究[D].上海:复旦大学,2004(4)
[19]朱世清.多因子选股模型的构建与应用[D].济南:山东财经大学,2015.
[20]杨志堃.基于择时策略和选股策略的量化投资策略构建[D].兰州：兰州财经大学,2018.
[21]赵腾.深证成指波动率分析及其风险预测——基于ARFIMA-Realized GARCH模型[D].济南：山东大学,2019.
[22]邓斌.基于沪深300股指期货的量化投资策略研究——盈利加仓模型实证分析[D].北京：对外经贸大学,2018.
[23]王晓翌，张金领.基于Python的“烟蒂”量化投资策略构建与实证分析[J].中国物价，2021,3.
[24]谢合亮,胡迪.多因子量化模型在投资组合中的应用——基于LASSO与Elastic Net的比较研究[J].统计与信息论坛,2017,32(10):36-42.
[25]张虎，沈寒蕾，刘晔诚.基于自注意力神经网络的多因子量化选股问题研究[J].数据统计与管理，2020,(3):556-570.
[26]张金领.价值投资多因子量化选股策略的构建与实证研究[D].石家庄：河北经贸大学，2021.
致谢
写到这里突然有点无从下笔。不如先祝自己“成长快乐。
四年前，我怀着无限的憧憬来到这所学校，如今本科的学业生涯即将走完。从家到学校，虽然仅仅100多公里，但这四年的往返之途定格了新奇、怅惘、倦怠、欣慰的心路历程。我可能永远爱“大学生”这个限定身份词，像风一样漫无目的的资源让我踏过更多土地、去遇见更多人，沿途的一切都像我的能量补给站，使我永远电力满格。我忘不了自习室的灯火，忘不了早起去明德楼听到的朗朗读书声，忘不了各个饭堂的饭菜，更忘不了这梦开始的地方。未来我将所有想要完成的事情看作人生的经历，因为不相信世间存在什么既定的结果，所以永远以一种试试看的心态完成一切。在无限可能的将来，也不免唠叨自己，可以多点勇气去生活和做选择。
毕业在即，相见无因。在这里要特别感谢的论文指导老师，论文的框架、行文思路、实证分析等方面她都给予我许多宝贵的意见和建议，最终我才得以顺利完成论文的撰写。感谢每一位老师，尊重我们，理解我们。得遇良师，三生有幸。感谢每一位在我曾迷茫失落时轻轻接住我，给予我希望和拥抱的朋友们。遇见真挚的人，总让我觉得幸运。感谢那些在漫长岁月一直陪伴我前行的人，原你们都能得偿所愿，痛饮生之欢愉；愿你们在任何时候，都不丢失过往的热情！
最后感谢永远支持我的爸爸和永远爱我的妈妈，感谢你们时间和超越时间的爱。
剑未佩妥，人在江湖。杨绛先生说过，读书不是为了文凭和发财，而是成为一个有温度懂情趣会思考的人。我坚信读书是为了就算可能跌入繁琐，洗尽铅华，也可以笑对生活！
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：1158，如若转载，请注明出处：https://www.447766.cn/chachong/180217.html,
