基于量化选股的阿尔法策略在中国中小板市场的实证研究.doc

《基于量化选股的阿尔法策略在中国中小板市场的实证研究.doc》由会员分享，可在线阅读，更多相关《基于量化选股的阿尔法策略在中国中小板市场的实证研究.doc（28页珍藏版）》请在三一办公上搜索。

1、随着股指期货的推出，我国证券市场只能单边做多的局面已经成为历史，股指期货为阿尔法策略投资提供了必要的做空手段。纵观国内外的投资经验，在资本市场有效性相对较弱时，阿尔法投资策略可以获得持久稳定的超额收益，而我国的中小板市场正是一个新兴的、效率相对较低的市场，本文旨在研究基于量化选股的阿尔法策略在中国中小板市场是否具有可行性。本文首先利用历史数据研究上市公司各类相关指标与公司股票超额收益率之间的相关关系，以期通过指标来筛选出可以获取高阿尔法收益的股票；其次，通过构建投资模型来检验阿尔法策略在中国中小板市场的可行性。通过对2007年5月到2011年12月期间的81只股票的各类财务及非财务指标和股票超

2、额收益的分析我们发现，通过使用ROE增长率、流动资产周转率、持股集中度2、现金流量比率这四个指标对股票进行筛选我们可以得到高收益的股票，随后根据这四类指标构建投资组合，在2012年1月到2013年10月期间对投资组合的业绩进行评价，最后发现在中国中小板市场可以通过量化选股和适当卖空股指期货来获得比较客观的超额收益率，卖空机制的引入有利于稳定市场、提高流动性、增加积极型投资者的投资收益。相对于股指期货收益率来说，阿尔法策略投资组合收益率更加平稳，有效避免了投资收益“过山车”现象。目 录摘 要IIIAbstractIV目 录11 引言11.1 研究背景与意义11.1.1 研究背景11.1.2 研究

3、意义21.2 国内外研究动态31.2.1 国外研究现状31.2.2 国内研究现状61.3 研究思路、研究方法与技术路线81.3.1 研究思路81.3.2 研究方法91.3.3 技术路线92 阿尔法策略产生背景、优势及原理分析112.1 阿尔法策略产生的背景112.2 阿尔法策略优势122.3 阿尔法策略基本原理123 因子回归分析153.1 数据的选取和因子的选取153.1.1 数据的选取153.1.2 因子的选取153.1.3 数据的滞后处理173.2 、值的计算173.3 因子回归分析174 投资组合构建与实证检验224.1 投资模型的选择224.2 投资组合的构建方法224.2.1 调整

4、周期224.2.2 选股方法与步骤234.2.3 统计检验与实证效果分析235 总结与展望305.1 本篇文章的研究成果305.2 本篇文章的创新之处315.3 本篇文章的不足之处与改进设想315.3.1 本篇文章的不足之处315.3.2 研究的进一步改进设想32参考文献341 引言1.3 研究思路、研究方法与技术路线1.3.1 研究思路本文通过对07年之前在深圳中小板上市的上市公司的基本面数据和股票收益率进行分析，检验公司的成长能力指标、营运能力指标、盈利能力指标、估值指标、风险指标、持股集中度指标等数据与公司股票超额收益率之间的关系，从而筛选出与阿尔法相关性较大的因子，根据这些因子构造量化

5、选股模型，构建股票池，并通过计算贝塔值利用股指期货规避系统风险，通过实证来检验量化投资和阿尔法策略在中国市场的可行性,可能用到的指标如表1.1所示。表1.1 选股指标分类指标成长能力指标总资产增长率、基本每股收益增长率、ROEG、净利润增长率、每股经营活动产生的现金流量净额增长率估值指标每股收益、PE、每股净资产、市净率、P/CF、托宾Q值、每股未分配利润、每股公积金盈利能力指标ROE、ROA营运能力指标流动资产周转率、总资产周转率、股东权益周转率现金流指标现金流量比率、每股净现金流量持股集中度指标集中度1、集中度2、集中度3、集中度4、Z指标1.3.2 研究方法(1）文献与理论研究：文献阅读

6、与总结、理论分析，归纳现有的研究成果，结合alpha收益的特点，通过将现有研究成果中的投资思想抽象成数量化模型中的相关参数，以设计可能取得alpha收益的投资策略。（2）数据收集：为保证策略运行及检验的可靠性，一定要保证历史交易数据的可靠性，包括来源可靠和数据可靠。（3）运用计算机对数据进行处理。本文需要运用公司各类财务指标、收盘价、指数收盘价等众多数据，数据处理过程繁琐，需要借助excel等数据处理软件来完成数据的处理加工的工作。1.3.3 技术路线基本面数据无风险利率数据股票收益率数据指数收益率数据 、值计算 回归分析筛选 可用因子 构造选股模型模拟投资通过投资结果评价选股模型得出结论图1

7、.1 技术路线图通过对07年之前在深市中小板上市的81家公司在2007年5月至2011年12月之间的财务数据、股本数据等基本面数据与其股票收益率的回归分析筛选出与阿尔法相关性较大的因子，根据得到的可用因子构造选股模型，在2012年1月到2013年10月之间进行模拟投资，检验模型的获利能力，论证量化投资和阿尔法策略在中国中小板市场上的可行性。技术路线如图1.1所示。2 阿尔法策略产生背景、优势及原理分析2.1 阿尔法策略产生的背景1990 年代初，阿尔法策略开始被尝试性使用。本世纪初，美国股市所谓的“TMT(技术、传媒、通讯)泡沫”的破裂导致了股市连续三年的下跌，同时，美国联邦基金利率持续下降，

8、这使美国的养老基金遭受了双重打击。在资本市场投资收益率不断下降的同时，由于利率的降低，使其未来负债的现值大幅上升，导致养老基金的资产不足于偿付未来的负债，出现了严重的资金短缺，很多养老基金的资金短缺率达到20以上。在这种局面下，传统投资方法的低收益已很难解决养老基金资金不足的问题。于是，聪明的投资人开始寻求新的投资管理的方法。阿尔法策略和可选择阿尔法策略进入了养老基金、保险公司和其他大型基金的视野。可以说，机构投资者希望通过创造性的手段来追求出色的风险调整后收益（risk-adjusted return）的迫切需求，促进了阿尔法策略包括可选择阿尔法策略的发展和推广。随着市场效率的提高，追求绝对

9、报酬率逐渐困难。传统的积极投资策略希望在同一子市场或者同一类资产中同时获得阿尔法和贝塔，而事实证明，在有效的市场中（例如美国的大盘股市场或投资级债券市场）赚取超额收益是最困难的，找到更有可能获取超额收益的市场才是明智之举。许多分析师都认为，超额收益在对冲基金、商品市场、房地产基金、小盘股、新兴国家资本市场和非投资级债券等市场中更容易被发现，但是往往基金公司们并不愿意承担这些市场的系统风险。随着衍生工具的不断发展，基金经理越来越熟悉各种金融创新工具和策略，拥有卖空和杠杆两大手段使得基金经理可以自由灵活的通过衍生工具在任意目标资产类型之间转移收益，这种利用衍生品将资产收益分离重组的策略就阿尔法策略

10、。2.2 阿尔法策略优势以实现稳健收益为主要目的的阿尔法策略具有以下四大优点：一是阿尔法策略具有准绝对收益的特性，也就是说投资组合的收益不受市场涨跌的影响，与股票、债券的相关性较低，做到了市场中性，稳中求胜；二是利用股指期货对冲，可以使得较少的亏损转化为相对正的收益；三是投资者只需要把精力放在选股上就行，只要投资者选出的股票组合跑赢大盘指数就能获得正的收益；四是阿尔法策略避开了择时这一难题，在最初只能单边做多的情况下，要想获得超额收益，必须准确择时，而现在即便判断错误，也有可能获得超额收益。2.3 阿尔法策略基本原理William Sharpe最早在其著作投资组合理论与资本市场中指出，投资者在

11、投资组合交易中，面临着系统性风险和非系统性风险，通过对系统性风险的度量和分离，将其从投资组合中排除，剩余部分可以转化为剥离系统性风险后的策略组合,这种为获取稳定超额收益的策略即为阿尔法策略。阿尔法策略通常利用选股、择时等方面优势，寻找具有稳定超额收益的现货组合，通过股指期货等衍生工具来分离beta，获得与市场相关度较低的阿尔法收益。资本资产定价模型认为,在有效的资本市场里,只有承担一定的系统风险才能得到一定的收益补偿,承担非系统风险无法获得收益补偿,所以,一种证券的预期收益由其贝塔值决定:越高的证券预期收益率越高,越低的证券预期收益率越低。但如果市场不是有效的，则证券的收益率将不仅仅取决于其贝

12、塔值。由于信息的不对称等导致某些证券的价值被低估，而通过选股和择时上的技巧及时买入这类股票，投资者就可以获得一定的超额收益，这部分收益成为阿尔法收益，詹森（1968）将CAPM模型进一步完善：其中为某证券或证券组合的期望收益率,为无风险收益率,为市场平均收益率,为该证券或证券组合的相对风险系数,为阿尔法收益。根据以上理论，证券投资者从市场获得的收益可以分为两个部分：第一部分是来自市场风险部分的期望收益率，我们称此收益为贝塔收益；第二部分是通过积极管理而获得的超额收益，我们称此为阿尔法收益，对此可以用证券市场线SML加以说明。RpR(p)Rf0pBCASML图2.1 阿尔法收益图解其中R(p)为

13、SLM上与证券或证券组合P具有相同系统风险的收益率，Rp为股票或股票组合P的收益率，则市场收益：；阿尔法收益：。从公式中可以看到获得超额收益的关键是选择具有高收益率的股票并通过计算值来对冲市场风险。股指期货的推出为对冲市场风险提供了很好的交易工具，当买入某一股票时，可以通过卖空一定量的股指期货来对冲市场下跌的风险，从而获得较为稳定的收益。通过分析上市公司的财务数据等资料，可以预测公司股票价格的变化趋势，从而筛选出拥有较高预期收益率的股票，进而构建投资组合。 多头组合 -股指期货空头图2.2 阿尔法策略图解从图2.2中可以直观的看到阿尔法收益约为部分,只要大于,则不管是牛市还是熊市或者是震荡市,

14、都可以通过卖空股指期货来对冲市场风险从而获得稳定的阿尔法收益,避免投资收益的过山车现象。牛市震荡市熊市RiRmTR0 图2.3 阿尔法收益图3 因子回归分析3.1 数据的选取和因子的选取本文价格数据和指标数据均来自国泰安CSMAR数据库。3.1.1 数据的选取首先，确定用于回归分析的数据的时间范围。由于财务数据的基本面信息都是按季度公布，所以在回归分析时我们采用股票的月度收益率来计算，为保证样本数据的规模，我们将回归分析的时间跨度定为2007年5月至2011年12月。筛选出用于回归分析的股票池。新股上市时由于不确定性较高，历史数据少，不利于进行量化分析，所以本文选择07年之前上市的公司股票作为

15、样本，同时，因为ST股票有较多的交易限制，所以我们在选股时剔除掉曾被ST过的股票，由此，我们选出07年之前上市的非ST股票81只股票，其股票代码分别为：002001； 002003；002004；002005；002006；002007；002008；002009；002010；002011； 002012；002013；002014； 002015；002016； 002017；002018；002019；002020； 002021； 002022；002023；002024；002025；002026；002027；002028；002029； 002030；002031；002032；

16、002033；002034；002035；002036；002037；002038； 002039；002040；002041；002043；002044；002045；002046；002048；002049； 002050；002051；002052；002054；002055；002056；002057；002058；002059； 002060；002061；002062；002063；002064；002065；002066；002067；002068； 002069；002070；002071；002072；002073；002074；002076；002077；002078； 0

17、02079；002080；002081；002082；002083；002084；002085；002086。所需的数据分别为：个股月收益率（）、个股日收益率、沪深300指数月度收益率（）、沪深300指数日收益率、月度无风险利率（）。3.1.2 因子的选取本文用到的指标分别为：成长指标、估值指标、流动能力指标、盈利和营运能力指标、股权集中度指标。成长指标：企业成长能力是指企业未来发展趋势与发展速度，包括企业规模的扩大，利润和所有者权益的增加。企业成长能力是随着市场环境的变化，企业资产规模、盈利能力、市场占有率持续增长的能力，反映了企业未来的发展前景。一般来说，具有较高成长能力的公司的股票拥有较

18、高的预期收益率，从而可以获得较大的阿尔法收益。本文选取的成长能力指标有总资产增长率、基本每股收益增长率、净资产收益率增长率、净利润增长率、每股经营活动产生的现金流量净额增长率。估值指标：股票估值是对股票内在价值的计算，可以帮助投资者发现被低估的股票，而只有持有被低估的股票才能在未来获得较大的收益。但由于行业的固有属性以及行业、公司的资本结构不同，不同行业的 PE、PB、PS 等估值指标会有显著差异，也就是说这些指标的普适性较差，同一个指标在不同行业之间甚至有着相反的指导意义。本文选取的估值指标有市盈率、每股净资产、市净率、P/CF、托宾Q值、每股公积金、每股未分配利润、每股储备。流动能力指标：

19、现代财务管理学认为,企业的内在价值是未来现金流量的现值,企业价值评价应当侧重于参考未来获取自由现金流量的规模和速度。企业获取现金的能力是价值评价的基础,也是财务风险评估的主要依据和核心。相比于净利润，现金流量指标在会计上不容易被修饰，可以更加真实地反映公司获取现金的盈利能力。现金流量指标在一定会计期间以收付实现制为基础，从而避免了销售收入有可能成为坏账、关联的虚构交易等其他因素导致的盈利虚高。（同时这也会导致漏选周转较慢，应收账款帐期较长的行业与公司。而这些公司并不肯定就是不值得投资的。）同时它剔除了不需要实际支付现金的“沉没成本”折旧与摊销，更加真实地反映了公司的现金流量，并对公司未来的盈利

20、状况有一定的预见性。一般来说流动性越强风险越低、价值越高，股票价格的走势越平稳，有利于获得稳定的阿尔法收益。本文选取的流动能力指标有现金流量比率和每股现金净流量。盈利和营运能力指标：公司的盈利能力直接决定了公司净利润的质量及成长空间。某种意义上来说，高的盈利能力也表明公司的“护城河”足够宽，公司的利润能受到足够的保护，其获利能力更为持久，所以投资者的投资风险、持有风险也越低，公司股票的价格有强劲的增长动力。本文选取的盈利能力指标有总资产净利润率（ROA）和净资产收益率（ROE），营运能力指标有流动资产周转率、总资产周转率和股东权益周转率。股权集中度指标：持股集中度是指投资者持有上市公司股票的集

21、中程度，一般来说，持股从分散到集中，表示大资金流入，股价会上涨或者抗跌，值得关注。高度集中，流动性丧失，则值得警惕。持股从集中到分散，表示大资金流出，股价会下跌或滞涨，高度分散则可能引起大资金重新收集。本文选用的持股集中度指标有集中度1(公司第一大流通股股东持股比例)、集中度2(公司前三位流通股股东持股比例之和)、集中度3(公司前五位流通股股东持股比例之和)、集中度4(公司前十位流通股股东持股比例之和)、Z指标(公司第一大流通股东与第二大流通股东持股比例之比)。3.1.3 数据的滞后处理在检验因子有效性的时候,需要应用到公司财务数据的一类指标在实际的投资过程中并不能够拿到当前时点的公司财务数据

22、。根据公司财务报告的最晚公布时间,一季报是当年4月底前公布,半年报是8月底前公布,三季报10月底前公布,年报是在下一年的四月底前公布。考虑到我们的策略是想为实际投资做检验,所以我们对财务数据做以下滞后处理:1月23456789101112去年三季报今年一季报及去年年报今年半年报今年三季报3.2 、值的计算值的计算采用历史数据回归法，本月的值由前三十天的个股交易数据和沪深300指数数据回归得出，具体计算工作用Excel的Linest函数来完成。共得到81只股票的4536个月度值。根据公式 使用Excel的数学函数功能计算值,共得到81只股票的4536个月度值。3.3 因子回归分析首先,按照每个因

23、子从大到小的顺序,把同一时点上的81只股票进行排序。由于股票的阿尔法值受到多种因素的影响，所以在考虑某一因素对股票阿尔法值影响情况时我们选取10只股票作为一组来进行分析，从而尽量抵消其他因素对实证结果的影响。选取前10位股票作为第一组,求出此组所有股票的阿尔法收益的均值，记为,选取后10位股票作为第二组, 求出此组所有股票的阿尔法收益的均值，记为，然后再用第二组的时间序列阿尔法收益分别减去第一组的时间序列阿尔法收益，记为-，并求该序列的均值及标准差。如果-序列的均值为正，则说明此因子与阿尔法收益成正相关关系，即此因子越大，阿尔法收益越高，此时第二组为优势组；反之，则因子越大，阿尔法收益越低，此

24、时第一组为优势组。另外，计算优势组战胜劣势组的概率，作为评价因子有效性的另一个标准。计算公式为P=优势组战胜劣势组期数/总期数。最后，用成对双样本均值分析T检验对第一组和第二组进行差异的显著性检验，其中取值为0.05。如果差异是显著的，则说明该指标具有一定的区分度。各因子的实证结果统计见表3.1表3.1 实证结果统计表分类指标名称-均值Sig值显著性优势组战胜劣势组 概率相关关系成长指标总资产收益率-0.0081 0.0636不显著62.50%负相关基本每股收益增长率0.0067 0.1084不显著62.50%正相关ROE增长率0.0093 0.01715%的显著性水平下显著60.71%正相关

25、净利润增长率0.0072 0.1362不显著53.57%正相关每股经营活动产生的现金流量净额增长率-0.0034 0.2694不显著55.46%负相关流动能力指标现金流量比率0.0057 0.03855%的显著性水平下显著53.57%正相关每股净现金流量0.0007 0.1465不显著50.00%正相关分类指标名称-均值Sig值显著性优势组战胜劣势组 概率相关关系估值指标市盈率-0.0058 0.1612不显著51.79%负相关每股净资产0.0015 0.4123不显著53.57%正相关市现率-0.0050 0.5470不显著55.46%负相关市净率0.0071 0.03155%的显著性水平下

26、显著53.57%正相关托宾Q值-0.0008 0.152不显著50.00%负相关每股储备0.0029 0.3379不显著53.57%正相关每股未分配利润-0.0006 0.4717不显著52.79%负相关每股公积金0.0012 0.04525%的显著性水平下显著55.36%正相关盈利和营运能力指标ROA-0.0098 0.1006不显著60.71%负相关ROE-0.0099 0.0983不显著51.89%负相关流动资产周转率0.0086 0.04585%的显著性水平下显著55.36%正相关总资产周转率0.0014 0.3887不显著53.57%正相关股东权益周转率0.0011 0.4312不显

27、著52.79%正相关股权集中度指标集中度10.0014 0.3288不显著53.57%正相关集中度20.0069 0.04125%的显著性水平下显著60.71%正相关表3.1 实证结果统计表（续）表3.1 实证结果统计表（续）分类指标名称-均值Sig值显著性优势组战胜劣势组 概率相关关系股权集中度指标集中度30.0044 0.0512不显著51.79%正相关集中度40.0064 0.0680不显著55.36%正相关Z指标-0.0023 0.04075%的显著性水平下显著53.57%负相关理论上高成长能力上市公司的股票应该拥有较高的预期收益，从而可以获得较高的阿尔法收益，即成长能力指标与阿尔法收

28、益应该呈正相关关系。从实证结果看，总资产收益率和每股经营活动产生的现金流量净额增长率这两个指标均与阿尔法呈负相关关系，这说明在实际投资过程中无法通过总资产收益率和每股经营活动产生的现金流量净额增长率这两个指标筛选高阿尔法收益的股票。而按照基本每股收益增长率和净利润增长率这两个指标进行排序分组后，第一组和第二组的阿尔法收益并不存在显著差异，所以这两个指标并不是筛选高阿尔法收益股票的理想指标。按照ROE增长率指标排序分组后，第一组与第二组的阿尔法收益具有显著差异性，且-均值为0.0093，也就是说如果投资期限为一个月，那么持有第二组股票组合得到的阿尔法收益比持有第一组股票组合得到的阿尔法收益高出0

29、.93个百分点，这个收益是非常可观的，并且第二组有60.71%的概率击败了第一组，72.18%的概率获得了正的阿尔法收益,因此，ROE增长率是筛选高阿尔法收益股票的一个比较理想的指标。在估值指标中，市盈率、市现率、每股净资产、托宾Q值、每股储备、每股未分配利润均不具有明显的区分性，不适合做筛选高阿尔法收益股的指标，而市净率和每股公积金均与阿尔法收益正向相关，虽然估值指标并不是越低越好，但是高估值的股票很难获得超额收益，所以，排除与阿尔法正向相关的市现率和每股公积金指标。由此看来估值指标并不能有效筛选高阿尔法收益股票。流动能力指标中，每股净现金流量不具有区分度，排除。现金流量比率有一定的区分度，

30、-均值为0.0057，但是第二组只有53.57%的几率战胜第一组，56.29%的概率获得了正的阿尔法收益,因此此指标是一个比较弱的筛选指标。盈利和营运能力指标中ROA、ROE、总资产周转率、股东权益周转率这四个指标均不具备区分度，流动资产周转率指标随具有一定区分度，-均值为0.0086，并且第二组有55.36%的概率击败了第一组，69.75%的概率获得了正的阿尔法收益,理论上流动资产周转率越高的公司营运能力越强，预期收益率越高，流动资产周转率越低的公司营运能力越差，预期收益率越低，即流动资产周转率与阿尔法收益正向相关，这与流动资产周转率与阿尔法收益之间关系的实证检验结果相吻合，因此，流动资产周

31、转率可以作为筛选高阿尔法收益股的指标。股权集中度指标中集中度1、集中度3、集中度4均不具备区分度，而Z指标与阿尔法收益负向相关，理论上，一种股票的持股集中度越高说明市场对该股票的认可度越高，股票价格上涨的预期也就越强烈，股票获得超额收益的几率越高，即持股集中度与阿尔法收益成正向相关关系，因此，排除Z指标，持股集中度2指标具有一定的区分度并且与阿尔法收益呈正相关关系，-均值为0.0066，且第二组有60.71%的几率战胜了第一组，68.47%的概率获得了正的阿尔法收益,因此持股集中度2指标可以作为筛选高阿尔法收益股票的指标。通过以上实证检验，我们初步认为在中国中小板市场中可以使用ROE增长率、流

32、动资产周转率、持股集中度2、现金流量比率这四个指标来筛选具有高阿尔法收益的股票。4 投资组合构建与实证检验4.1 投资模型的选择常见的多因子模型可以分为两类，一类是并行条件筛选，将每只股票按各个因子进行排序，按照排序计算各因子的得分，再给各因子赋予一定的权重（或等权重），最后计算每只股票的综合得分，挑选出排名靠前的股票构建投资组合。另一类是串行条件筛选，按照一个因子进行筛选，直接剔除因子得分较低的股票，再在剩下的股票中用另外一个因子筛选，直至用最后一个因子挑选出最终的股票组合。对于第一类筛选方法，若权重向量发生变化，可能造成结果也发生很大变化，从而对最终结果产生很大影响，同时在样本内优化的权重

33、在样本外可能表现不一定好。而对于第二类筛选方法，它更强调因子选择（包括先后次序）的重要性。由于采用了“一票否决”式的筛选方法，股票在任何因子上表现较差都会被剔除，只有在各因子表现都相对较好的股票才会被选中,因子的先后顺序代表了对结果重要性的先后顺序。本文选择串行条件筛选方式，在进行模拟投资时我们假设无交易费用。4.2 投资组合的构建方法4.2.1 调整周期由于股票组合是根据上市公司财务报告公布的财务指标筛选得来的，而各公司财务报告更新的时点各不相同，只要有公司更新财务报告就对股票组合进行调整将会是一件非常复杂的工作，不适合实证分析，而各公司更新财务报告的最晚时点分别为4月末、8月末、10月末，

34、所以我们在5月份、9月份、11月份的第一个交易日对股票组合进行调整。这种股票组合调整方式虽然简化了分析过程，但是通过这种投资方式获得的阿尔法收益将会比可能获得的阿尔法收益低很多，因为许多公司财务报告在最晚公布时间之前就公布了，如果是利好消息，则在我们调整股票组合买入此股票时，股票价格已经上涨一段时间了，而如果是利空消息，则在我们卖出此股票时，股票价格已经下降一段时间了，这两种情况都会导致我们获得的阿尔法收益会低于可能获得的最高阿尔法收益。由于本文主要证明阿尔法策略在中小板市场的有效性，阿尔法收益量上的差异并不会从根本上影响实证的结果，而在现实投资过程中，可以通过其他选股方法确定一个数量有限的股

35、票池，这样就可以实现公司财务报告更新与投资组合更新的同步，从而尽可能多的获得阿尔法收益。4.2.2 选股方法与步骤首先，因子有效性实证的样本为有一定上市时间和非ST的股票，因为因为新上市公司数据真实性、平稳性有待观察，而ST股票的财务状况有问题，交易规则受限制，在量化分析中应该对此进行特殊处理，因此，在构建投资组合时我们也要选取有一定上市时间的股票并剔除ST股票。其次，对因子的重要性进行排序。表4.1 指标重要性排序指标-优势组胜出概率优势组获得正阿尔法收益概率ROE增长率0.009360.71%72.18%流动资产周转率0.008655.36%69.75%现金流量比率0.006753.57%

36、56.29%持股集中度20.006960.71%68.47%通过比较可得出ROE增长率最重要，其次是流动资产周转率，然后是持股集中度2，最后是现金流量比率。因此，我们的筛选条件与步骤如下：1、要求公司已上市 1 年以上；2、剔除ST股票；3、按ROE增长率由大到小进行排序，选择前80家公司股票；4、按流动资产周转率由大到小进行排序，选择前40家公司股票；5、按持股集中度2由大到小进行排序，选择前40家公司股票；6、按现金流量比率由大到小进行排序，选择前10家公司股票。4.2.3 统计检验与实证效果分析根据以上选股原则,我们分别在12年1月-12年4月、12年5月-12年8月、12年9月-12年

37、10月、12年11月-13年4月、13年5月-13年8月、13年5月-13年8月这6个期间分别选出了10只股票，为了消除最优权重可能引起的路径依赖性，我们采用等权重法来构建投资组合，设定每只股票的权重均为10%。各期间的投资收益情况如下：表4.2 12年1月-12年4月投资组合证券代码期初开盘价期末收盘价RRfRm00203319.4621.720.1161360.95320.0116670.1120730.0087620020705.386.660.2379181.17670.0116670.1120730.1081040020927.589.50.2532981.38650.0116670

38、.1120730.1024180021579.5610.150.0617151.02390.0116670.112073-0.052760022339.459.920.0497350.8530.0116670.112073-0.047580022468.7910.630.2093290.93230.0116670.1120730.10405300238532.335.460.0978331.56090.0116670.112073-0.0705600240818.420.460.1119571.39780.0116670.112073-0.040060024582431.620.31750.8

39、310.0116670.1120730.22239600246523.3125.80.1068211.13270.0116670.112073-0.01858沪深3002361.52626.160.112073证券组合0.1562241.12480.0116670.1120730.031621从表4.2中可以看到，12年1月-12年4月投资组合中有5只股票跑赢了沪深300指数，3只股票与沪深300指数收益率相差无几，在4个月的时间里组合获得了3.16%的超额收益率,不考虑复利转换为年收益率约为9.48%,取得了比较理想的投资收益。表4.3 12年5月-12年8月投资组合证券代码期初开盘价期末收

40、盘价RRfRm00203321.7221.930.0096690.58730.010705-0.171310.1058610020687.456.78-0.089930.95830.010705-0.171310.07378700214413.8511.82-0.146570.88310.010705-0.171310.00346200218632.4932.790.0092340.78280.010705-0.171310.1410100245016.420.090.225-1.19320.010705-0.17131-0.0028800247015.315.26-0.002610.8932

41、0.010705-0.171310.14925700247915.3212.89-0.158620.10380.010705-0.17131-0.150430025011918.5-0.026320.93160.010705-0.171310.13254500250717.9319.490.0870050.36430.010705-0.171310.14260800251121.5320.07-0.067810.84270.010705-0.171310.074867沪深3002660.672204.87-0.17131证券组合-0.01610.515390.010705-0.171310.0

42、67009从表4.3中可以看到从12年5月到8月这四个月期间，沪深300指数从2660.67点跌倒了2204.87点，跌幅高达17.13%，而投资组合也有1.61%的跌幅。但是，通过阿尔法策略对冲市场风险，投资组合成功扭亏为盈并获得了6.7%的超额收益，不考虑复利转化为年收益率为20.1%。在熊市中，高质量股票的选取和做空工具的使用使阿尔法投资策略获得了非常高的收益，在一定程度上避免了投资风险。表4.4 12年9月-12年10月投资组合证券代码期初开盘价期末收盘价RRfRm0020213.874.150.0723511.48630.0050.0243970.0385220020686.776.

43、56-0.031020.83270.0050.024397-0.0521700211614.414.06-0.023610.92770.0050.024397-0.046610021625.956.040.063381.17390.0050.0243970.03561100217413.7915.60.1312551.30930.0050.0243970.10085800223637.6543.30.1500661.4410.0050.0243970.11711600224711.711.40.029810.68210.0050.0243970.011580024439.028.78-0.026610.97290.0050.024397-0.0504800244740.9843.760.0678381.37420.0050.0243970.0361