【山西证券】量化选股:基于卡尔曼滤波的仓位预测选股策略.pdf

2024-03-29
40页
8MB

1. 研究背景:

1.1 综述


公募基金作为A股市场中重要的机构投资者,其持仓信息一直受到市场关注。公募基金的仓位变动情 况不仅反映了市场投资情绪变化等关键信息,而且也常被其他投资者用来辅助自己的投资决策。然而,公 募基金只有在每个季度末或者年度定期报告中才会对其资产配置情况进行披露,具有较大的滞后性。因此, 寻找一种可以测算基金目前仓位的方法就成为了一项有意义的工作。 市场上目前流行的基金仓位测算方法是传统的指数模拟法,即利用基金净值数据作为因变量和指数点 位数据作为自变量构建多元一次回归模型进行模拟。而由于普通的OLS模型对于样本的要求比较苛刻,无 法很好的处理行业间的联动效应,因此,模型所构建的模型相对病态,难以得出有说服力的结果。


为了解决这个问题,在模拟过程中会引入正则化等方法对模型进行升级。比较常见的正则化方法,例如 Lasso 或者Ridge Regression,一定程度上提升了模型的准确度,而研究员会根据模拟出来的结果对基金的行 业持仓信息进行解读以及由此给出行业配置的推荐。这种拟合方法的仅仅停留在行业层面,并未下沉到股 票中,拟合的自变量也通常为一级行业指数。模拟出来的结果也并不能直接运用到个股选取当中,往往需 要后续的加工处理。


在本次研究中,我们尝试运用卡尔曼滤波,以基金每季度披露的前十大重仓股的持仓信息作为因子, 对基金日频收益率进行拟合,并且根据每个月各基金的模拟结果给出推荐的股票池。与Lasso等正则化模型 的结果相比,卡尔曼滤波的模型更加合理;这是因为lasso等模型为了消除共线性的影响会将部分系数强制 归零或者缩小,尽管这一做法很好的解决了多重共线性对模型的影响,但是在预测个股调仓的问题上并没 有帮助。在研究的过程中,我们也发现使用卡尔曼滤波构建的股票模型比Lasso等方法构建的股票模型更加 合理及稳定。


1.2 卡尔曼滤波介绍:


卡尔曼滤波是一种高效率的递归滤波方法,能够根据系统中采集观测到的数据,从一系列存在测量噪 声的数据中估计动态系统的状态。它能有效的完成过滤潜在的噪音以及从不完整的测量数据中提取准确的信息的任务;通过结合系统动态模型和测量信息,迭代更新其预测方程,从而达到最大限度的减少总体估 计误差的目的。


主动权益基金除了定期披露的股票持仓数据,每日净值的变化包含了基金持仓变化的信息,基于这些 信息来监测基金持仓变化是卡尔曼滤波方法很好的应用场景。卡尔曼滤波包括了状态矢量和测量矢量两个 变量。状态矢量可以简单的理解为我们所建立的模型预测出的数据,测量矢量是我们所观察到的真实数据。 首先,对基金的日均收益率Rt和其重仓股票的日收益率�?进行建模,我们会得到状态矢量: ?? = �? ⋅ �? + � 其中,?为基金在时刻t的全部重仓股的占基金总值比之和, σ为时刻t时的误差项,Wit为基金在时 刻t的各个因子的暴露程度,是无法观测到的状态变化。


卡尔曼滤波的核心包括两个步骤:预测和更新。在预测步骤中,滤波会使用状态矢量的已有信息来估 计测量矢量在下一个时间点的数值。因此根据状态矢量预测方程,由前一时期仓位估计最新仓位,我们可 以得到基金仓位的估计: ?=�⋅?−1 +�⋅� 接着在更新步骤中,滤波会使用观测到的测量矢量对状态矢量进行修改,对状态矢量系统中具有较低 不确定性的部分给予更多的权重,从而确保滤波适应不断变化的条件,同时最大程度的减少误差。将预估 的?代入状态观测方程中,会发现基金的实际收益率与状态观测方程中得出的收益率存在误差,?−? ⋅?。 随后,卡尔曼滤波会根据此误差对模型进行更改: ?=?+?(? −? ⋅?) ?,又称卡尔曼增益,是卡尔曼滤波的自适应参数之一。该参数会在更新步骤中根据预测状态和测量状态的数值差异来决定最佳加权方法,有效的提高了卡尔曼滤波在状态估计过程中的稳健性和准确性。


在实际使用卡尔曼滤波进行建模时,相关系数的设定比较复杂;部分系数设定的好坏对模型的结果有 着间接的影响。因此设定一个符合逻辑且能提升模型质量的系数比较困难,需要对基金经理的个人风格和 市场环境进行深度研究,且其结果并不适用于其他基金,并无适用性。因此,我们在本篇报告中暂时选择 使用的是符合逻辑的中性系数。


2. 利用卡尔曼滤波监测公募基金调仓:

2.1 模型搭建


本篇报告中,我们使用的数据的时间范围从2017年1月1日起至2024年2月29日,以季度为检测窗 口,对全市场股票型基金的调仓情况进行检测,并对照基金每日净值来统计胜率。回测的基金样本需符合 以下条件:截止各个季度初时,基金的成立时间需大于1年;基金的规模在2亿以上;投资对象的主体需是 股市的公募型基金。经过筛选后的基金样本在全部时间段共包含 5382只基金,我们按照同花顺的分类将基 金分为:普通股票型基金,偏股混合型基金,灵活配置型基金,被动以及增强指数型基金。 所用数据为基金定期报告中所披露的重仓股持股信息,基金日净值,基金每日收益率以及基金重仓股 每日涨跌幅。因子选择上,选取基金最近的定期报告中披露的前 10大重仓股作为因子,通过对比因子日收 益率和基金日涨跌幅估算基金调仓情况。此外,本篇报告中我们所使用的对比基准是同一时期的中证500 指数收益率。




2.2 模型胜率回测


使用上述因子搭建的模型进行回测时,其胜率对比基准较难选择。通常情况下,研究员会通过对比模 型估算出的重仓股因子的数值和定期报告中所披露的实际重仓股信息来判定模型胜率。但是,这种判定胜 率的方法并不适用于我们的模型。仅使用定期报告中所披露的重仓股持仓信息作为因子搭建的模型具有一 定的局限性,当基金新进配置某一行业使得基金的前十大重仓股发生变化时,在获得该季度定期报告并手 动更新因子前,模型仍然会使用设定好的因子进行迭代升级。而多数基金季度间的换仓比较频繁,导致单纯的对比模拟结果与真实数值的做法并不合理。 以普通股票型基金为例,截止2023年第四季度,该类型基金近5年的季度定期报告中所披露的前10 大重仓股的平均重合度为58.94%,平均换仓幅度为41.06%。近年来,基金平均换仓幅度整体呈现下降趋势, 但是基金本期定期报告中披露的重仓股与上一期相比,仍有36.31%的差异。


从普通股票型基金定期报告中披露的重仓股重合度来看,截止2023年第四季度,44.34%的普通股票型 基金的前十大重仓股重合度低于70%,18.45%的基金重仓股重合度低于50%。因此,尽管近3年来,各个 普通股票型基金的重仓股换仓幅度整体趋于下降趋势,但是基金定期报告中披露的重仓股与上期相比依然 会有些许变化,在这种情况下,单纯的对比模型模拟出的重仓股仓位与基金定期报告中披露的重仓股仓位 并不合理。


因此,我们选择使用基金实际每日净值收益率作为基准,与模型模拟出的基金净值收益率进行对比。 在设计模型时,我们选择使用基金每日实际净值收益率作为因变量,重仓股日收益率作为自变量,这导致 模型会尽可能的使用重仓股的日收益率对基金日收益率进行解读,而基金模拟净值相对实际净值的误差便 是无法被前十大重仓股的收益率所解读的部分,当该误差呈上升趋势时,说明基金先前披露的重仓股仓位 正在下降或者基金正在转向新的赛道。若监测期内基金模拟净值与其实际净值的差异较为稳定,则说明模 型效果较好,预测的仓位变动也比较准确;反之,说明模型效果较差,需要对参数进行修改。 以普通股票型基金为例,截止2023年第四季度,基金模拟净值收益率相对实际净值收益率的平均误差 仅为0.16%。从分布图来看,95%的误差位于[0.42%,-0.48%]之间,仅有少数数据会被判定为异常值。


对超出正常区间的数据点进行分析,我们发现这些数据大多出现在新定期报告出现后,模型因子进行 更换后的一段时间内。在得到新的因子后,模型需要经过迭代后才能彻底解读相关信息,因此在这段时间 内得到异于常值的误差是符合逻辑的。


其他类型的基金的误差分布与普通股票型基金类似。在所有基金类型中,灵活配置型基金的平均模拟 净值收益率误差最小,仅为0.13%;增强指数型基金的平均模拟误差最大,为0.24%。所有类型的基金模拟净 值收益率每日的误差均较为稳定,说明基于卡尔曼滤波创造出的模型在预测基金每日持仓变动时具有说服 力。


2.3模型的局限性以及拓展


根据上述内容,针对各个基金,我们可以根据该基金的相关信息运用卡尔曼滤波对基金每日持仓方向 以及幅度进行检测。下图是根据卡尔曼滤波所得出的某支基金在2023年1月4日这一天部分重仓股的模拟 仓位以及与前一个交易日相比仓位的变动情况,根据这些数据,我们可以对相关基金进行进一步研究并且 判断基金的调仓方向。




然而,研究模型在单个基金上的表现的局限性较高。刨除模型本身因素的影响外,二级市场上的相关 参与者较多,个别参与者的表现并不具有撼动整个市场的能力。为了更好地运用将模型得出的结果,我们 决定将模型在各个基金上每天的模拟数据按照基金类型进行组合,并且根据模拟数据进行择股,以此来得 出代表了基金近期变动方向的且能获得稳定超额收益的股票组合。


3. 各类型基金策略展示

3.1 策略简述


在训练模型的过程中,为了缩小基金模拟净值和实际净值之间的差异,模型会调整作为因子的重仓股 数值。该数值在一定程度上可以被视作为基金对其重仓股仓位的调整幅度。将该类型的基金一个月内所有 的基金的重仓股因子结合起来,我们可以估算出该类型基金资金的流动方向。在同一时间段内,若是大部 分基金都选择购入某支股票,则说明该股票是具有潜力的,我们应当给予该股票更多的关注;而若是大部 分基金选择卖出某支股票的,则说明该股票价格已经不处于安全边际内。 在上述理念的支持下,我们提出三种选股策略。在观测某类型基金的重仓股因子时,我们首先需要确 定如何判定该股票是受大部分基金青睐的。一个显而易见的回答是如果大部分基金在这个时间段内选择购 入而非卖出该支股票,那么说明基金看好该支股票。基于这个想法,为了更好地解读模型的结果,我们提 出了三种判断的方法。


方法一,如果基金对某支股票在特定时间段内的模拟仓位之和为正数,且数值偏大,则说明该支股票 正在受到基金的青睐,反之,说明基金正在选择清仓。将所有基金的模拟仓位求和并选择选取数值较大的 前10%的股票加入策略组合,并且基于每支股票相同的权重。我们在后文中将这类策略成为拟合数值策略。


方法二,统计基金对某支股票在特定时间段内每日的模拟仓位为正数的次数,若在时间段内,该股票 每日的模拟仓位为正数的次数大于负数的次数,则说明该股票正在受到基金的青睐。我们依然选择次数最 多的前10%的股票加入策略组合,并且给予每支股票相同的权重。我们在后文中将这类策略成为次数策略。 方法三,在方法二的基础上,将所有拥有该股票的基金纳入考量,计算所有持有该股票的基金中,基金选择买入该股票的比例。取比例较大的前10%的股票加入策略组合,并且给予每支股票相同的权重。我 们在后文中将这类策略成为个数比例策略。


除此之外,我们也尝试了两种不同的选股范围-不分行业仅选择符合条件且排名靠前的股票,或者按照 中信一级行业划分,在各个行业中挑选股票。前者更加遵守理论依据,后者更加贴近现实选股策略。各类 型的基金在两种情景下,使用三种策略时每期选股数量较为集中,每期策略股票数量约在60-100只之间。 在后续研究中,我们发现模型在被动指数型和增强指数型基金上选股效果不佳。其中,被动指数型基 金的投资目标是追平目标指数收益率,因此经过选股后得出的组合超额收益并不明显。指数增强型基金在 被动指数型基金的基础上,加入了部分股票以期望得到超额回报,但是这部分股票可能并未被披露在定期 报告的前十大重仓股中或变化率过大,导致模型无法很好的追踪指数增强型基金的表现。


3.2 普通股票型基金回测效果展示


我们从普通股票型基金开始讨论,依次展示不同策略下的回测结果。从净值表现来看,三种方法并无 明显差异。次数策略在2020年到2022年间净值表现略高于其他两种策略,但是在2022年到2024年2月 间次数策略效果下降,拟合数值策略的表现在这段时间内是三种策略中最为突出的。从超额收益的情况来看,3种策略在回测时间段大部分时间内均跑赢大盘。从数据上来看,其表现与净 值表现一致。


从年化收益的角度来看,三种策略6年的平均年化收益率为8.66%,7.56%以及5.91%,年化超额收益率 分别是8.85%,7.75%以及6.09%。从数值来看,次数策略在2021年后效果明显下降,其收益率均没有跑赢 基准收益率;相比之下,剩下两种策略表现更加稳定,个数比例策略与拟合数值策略的表现不分伯仲。因 此,在不分行业的情况下,没有一种策略是绝对优于其他两种策略的。


上述策略的使用背景是不分行业,仅选取符合条件并且排名靠前的股票,形成策略组合。但是在真实 投资的过程中,绝大多数基金会考虑通过将资金分散到不同领域来规避风险,这样可以保证在尽可能不降 低收益的情况下降低风险。遵循这一理念,我们选择将所有重仓股按照中信一级行业划分,并且再次选择 排名靠前且符合标准的股票。 从净值表现来看,次数策略的表现在2020年到2022年间依然大幅度领先于其他两种策略,但是在2022 年遇到大额回撤后表现萎靡;个数比例策略表现出了较强的韧性,在分行业的情景下,其净值在2022年后 表现突出,是三种策略中表现最好的一个。


从超额收益的情况来看,个数比例策略的表现最为突出。虽然其数值并不是最突出的,但是整条超额 收益曲线呈稳定上升状态,说明策略在回测时间段中的稳定性以及有效性。从年化收益的角度来看,三种策略6年的平均年化收益率分别为9.91%,9.84%以及9.5%,策略平均年 化超额收益率分别是10.09%,10.03%以及9.69%。与不分行业策略的年化收益相比,三种策略的平均收益 都有了明显的提升,且三种策略的收益率差距进一步缩小。因此,在分行业的情况下,个数比例策略的表 现明显优于其他两种策略。




3.3 偏股混合型基金回测效果展示


从净值表现来看,偏股混合型基金在不分行业的情景下通过拟合数值策略创立的投资组合净值表现最 好。该策略虽然在2021年中的部分月内净值表现并不如次数策略,但是在其后时间段内,净值表现较为突 出。在2022年的较大回撤后,该策略体净值在回调后依然保持高位。从超额收益的情况来看,个数比例策略从趋势上来看更好。尤其是在2022年后,相较于其余两种策略, 个数比例策略依然能有稳定的增长;但是策略在2024年受到市场波动影响明显,其收益回撤也是三种策略 中最严重的。


从年化收益的角度来看,三种策略6年的平均年化收益率分别是10.15%,7.53%以及5.68%,年化超额 收益率分别为10.34%,7.53%以及5.87%。年化超额收益率的数据与我们之前的判断相吻合。个数比例策略 的尽管收益并不突出,但是其趋势最好,基本每年都可以获得稳定的超额收益。因此,在不分行业的情况 下,个数比例策略的表现略优于其他两种策略。


从净值来看,次数策略的表现最好,在2019年年中后策略净值便大幅领先其余两种策略;在2022年 经过回撤后,其净值依然领先其他两种策略;尽管在2023年后,次数策略净值不如个数比例策略,但是两 者相差并不大;在2024年中,次数策略受到市场波动的影响明显小于个数比例策略。


从超额收益的情况来看,次数策略的整体表现与净值表现吻合,其在大部分回测时间段内大幅度领先 其他两者策略。拟合数值策略以及个数比例策略的趋势相似,在回测时间段中,两种策略均呈稳定上升的 姿态。个数比例策略在2024年间回撤较大,但是截止2月29日,其表现依然优于其他两种策略;相比于 个数比例策略,拟合数值策略在2021年后收益走势略有震荡,但是整体趋势依然保持上行。


从年化超额收益的角度来看,三种策略6年的平均年化收益率分别是7.85%,10.46%以及6.22%,年化 超额收益率分别为8.04%,10.64%以及6.41%。与不分行业策略的年化超额收益相比,拟合数值策略的平均 年化超额收益率有所下降,但是分行业的情景下其表现更为稳定。其余两种策略的收益率表现有所上升。 因此,在分行业的情况下,个数比例策略的表现依然优于其他两种策略。


3.4 灵活配置型基金回测效果展示


从净值表现来看,灵活配置型基金在不分行业的情景下通过拟合数值策略创立的投资组合净值表现最 好。该策略虽然在2021年左右净值表现略逊于次数策略,但是在2021年后净值表现较为突出。在经历了 2022 年的较大回撤后,该策略净值在回调后依然保持高位;在进入2024年后,拟合数值策略和个数比例策 略皆受到市场波动的影响,从走势图上来看,两者受到的影响近似。


从超额收益的情况来看,拟合数值策略在2024年的回撤幅度明显小于个数比例策略,且超额收益自2022 年后比较稳定;个数比例策略尽管在2021年后增长猛烈,但是其在2023年间的表现有所震荡,且进入2024 年后出现较大的回撤。从年化收益的角度来看,三种策略6年的平均年化收益率分别是8.64%,7.38%以及5.01%,年化超额 收益率分别为8.83%,7.57%以及5.20%。拟合数值策略表现最为稳定,次数策略在2024年的表现最好,而 个数比例策略在2020年到2022年间的表现相对较好,每年都可以获得稳定的超额收益。因此,在不分行 业的情况下,没有一种策略是绝对优于其他两种策略的。


从净值来看,次数策略在2020年到2021年年中表现最好,在2021年中到2023年略优于拟合数值策 略,2023年后略逊于拟合数值策略。在整个回测时间段内,个数比例策略与其他两者策略的表现差异较大。从超额收益的情况来看,三种策略的表现与净值表现差距不大。拟合数值策略在2023年中略优于次数 策略,但是经过2024年的回撤后,其超额收益与次数策略差距进一步缩小。


从年化超额收益的角度来看,三种策略6年的平均年化收益率分别是9.44%,11.66%以及1.82%,年化 超额收益率分别为9.63%,11.85%以及2.01%。与不分行业策略的年化超额收益相比,个数比例策略的年化超额收益率有明显下降,但是其余两种策略的收益率表现有所上升。因此,不分行业的情况下,我们依然 难以判断哪一种策略占有相对优势。


3.5 指数型基金回测效果展示


我们在这一章节会简单的讨论策略在被动指数型和增强指数型基金上的表现。指数型基金因为其目标 是追平基准指标的收益率,因此策略根据此类型基金选出的股票往往并不具备跑赢市场的逻辑。 从不分行业的情景下,从策略根据两种指数型基金搭建出的模型的年度超额收益中我们不难看出,策 略选出的股票并不具备很强的α属性,其收益更多来自于市场的β;因此,策略在此类型的基金上选出的 股票组合用处较为有限。而分行业时的,策略的表现与不分行业时表现近似,因此这里就不做过多的阐述。




4. 组合型基金策略展示

4.1 策略简述


除了将基金按照同花顺分类单独进行测试外,我们也尝试了将不同类型的基金结合起来进行选股。这 种做法有两种优点: 首先,我们能从更宏观的角度追踪基金资金的流向。之前,我们将基金细分为了5种,并且单独对每 一种基金进行了分析,这种做法虽然让我们可以直观地研究策略在不同类型的基金上的表现,但是其分析 的对象也限制于该类型的基金。当市场上发生轮动时,市场上绝大部分的资金应当不分基金类型,涌向某 些行业的上下游产业链中。因此,将不同类型的基金放在一起分析为了我们提供了更加宏观的视野。 其次,基金数量的增加补充了策略可选取的股票池。我们的策略是从股票池中选出基金近期所青睐的 股票组成投资组合,因此,股票可选池以及数据的增加会增加策略的稳定度。如果我们每期可选股票数量 过少,那么策略就会受限于那部分股票的表现;而如果我们每期可选股票数量以及数据足够多,那么策略 选择出的投资组合就更有信服力。


基于上述原因,我们将不包括指数型基金在内的三种类型的基金进行了组合。这样组合的原因是因为 我们希望策略在选股后可以稳定的获得alpha收益。被动指数型基金因为基金的性质,因此将该类型的基金 纳入考虑的同时也为策略带来了部分的beta收益。最后增强指数型基金因为其个数较少,且定期报告中披 露的重仓股换仓率过大,加入这部分信息并不能有效的提高模型的效果。 在进行组合后,我们首先对策略选出的股票的换手率以及市值进行了研究,我们发现根据三种策略得 出股票组合市值分布差异较大。其次我们也测试了选择不同的系数作为选股判断标准是否能提升的收益率。


4.2 组合型基金策略展示


组合型基金的策略效果相比细分基金类型时表现有了明显的提升,策略的年化收益率以及信息比率变 得更加平稳,且每年都能获得稳定的超额收益。三种策略在两种情景下每期股票数量也有了明显的提升: 在不分行业时,策略每期会选出80-140只股票构成组合;在分行业时,策略每期选出的组合由80-120只股 票构成。 从净值表现来看,在两种情景下个数比例策略的净值表现都较为突出,其净值走势呈现整体上升趋势。 进入到2024年后,策略收到市场波动剧烈的影响回撤较大,但是依然是三种策略中表现较好的一个。


从超额收益的情况来看,个数比例策略的上升趋势更加明显。次数策略在2020年后超额收益持续下降, 拟合数值策略虽然也呈整体上升趋势,但是上升幅度明显不如个数比例策略;在进入2024年后,拟合数值 策略的回撤幅度要略小于个数比例策略。


从年化收益的角度来看,不分行业的情景下,三种策略6年的平均年化收益率分别是9.24%,6.93%以 及5.85%,年化超额收益率分别为9.43%,7.12%以及6.04%。分行业的情景下,三种策略的平均年化收益率 是7.77%,11.06%以及 4.32%,年化超额收益率分别为7.96%,11.24%以及 4.51%。年化超额收益率的数据与我 们之前的判断相吻合。个数比例策略的趋势最好,截止2024年前每年都可以获得稳定的超额收益。因此, 在不分行业的情况下,个数比例策略的表现明显优于其他两种策略。


4.3 策略选股分析


从策略组合的市值来看,三种策略的市值分布截然不同。拟合数值策略组合的市值分布偏向中小盘。 不在分行业的情景下,小市值股票的数量占比为37.7%,中市值股票的数量占比到43.2%,大市值股票的数 量占比为19.1%;分行业的情景下,约有40.1%的股票市值小于100亿,42.4%的股票市值在100亿到500 亿之间,17.5%的股票市值大于500亿。


而次数策略组合的市值偏向中盘以及大盘,不分行业的情景下,次数策略组合约有45%以上的股票市 值大于500亿,47.7%左右的股票市值在500亿到100亿之间,小市值的股票占比最小,为7.3%。在分行业 的情景下,策略中大市值的占比有所下降,其占比下降到39.4%左右;52%左右的股票市值在500亿到100 亿之间,剩下8.5%的股票市值小于100亿。


最后,个数比例策略组合的市值来看,不分行业的情景下,策略组合中绝大部分股票为小市值股票, 其占比约为77%,市值在500亿到100亿之间的股票数量占比约为21.7%,大市值的股票出现的概率最低, 约为1.7%。在分行业的情景下,策略市值分布与不分行业时差距不大,其中小市值股票占比为75.7%,中市 值股票的占比为22.4%,大市值股票占比为1.9%。从三种策略的换手率来看,次数策略的平均换手率最低。不分行业的情景下,平均换手率在2.7左右; 分行业的情景下平均换手率为3.19。


拟合数值策略的平均换手率与个数比例策略类似,不分行业的情景下,策略换手率约为8.93;分行业 的情景下,策略换手率约为8.69。最后个数比例策略在不分行业的情景下,策略换手率约为8.98;分行业的情景下,策略换手率约为8.53




4.4 策略系数选择与分组


截止目前,我们都是选择排名靠前的前10%的股票加入我们的股票组合,那么选择组别的股票是否能 提升策略的效果呢?为了回答这一问题,我们将股票按照期排名分成了五组,并以此按照最大(前5%),偏 大(前30%),中间(中间30%),偏小(最后30%)以及最小(最后5%)的标准分别构成组合并且测算其 净值。经过测验后,我们发现在选择前5%与最后5%的股票构成投资组合时,不分行业的情景下,个数比 例策略有了明显的提升;而在分行业的情景下,选取前后5%的股票形成的投资策略效果相比之前有了明显的下降。


从年化收益的角度来看,不分行业时,个数比例策略表现有了很明显的提升。截止2024年前,策略每 年都能获得10%左右的稳定超额收益;在进入2024年后,虽然其收益截止到2月底时并没有跑赢基准,但 是依然高出使用10%作为判定标准时的策略收益率。使用此类判断标准时的个数比例策略明显优于其他策 略。


使用其他的系数作为选股判定判准与选取前10%的超额收益表现相比并没有提升。使用其他系数在分 行业的情景下提升了部分策略的效果。从数值来看,部分年份的收益情况不升反降;部分策略以大幅度降 低年化超额收益为代价使收益变得更加稳定,但是其表现明显不如10%的情况。




(本文仅供参考,不代表我们的任何投资建议。如需使用相关信息,请参阅报告原文。)


相关报告

基于卡尔曼滤波的仓位预测选股策略.pdf

你身边的大牛股-----彼得·林奇选股策略.pptx

【山西证券】量化选股:基于卡尔曼滤波的仓位预测选股策略.pdf-第一页
联系烽火研报客服烽火研报客服头像
  • 服务热线
  • 4000832158
  • 客服微信
  • 烽火研报客服二维码
  • 客服咨询时间
  • 工作日8:30-18:00