量化选股公式的核心原理是通过数学模型将选股逻辑转化为可重复执行的规则，从而系统性地筛选出符合特定条件的股票。搭建过程通常分为四步：定义因子、构建评分模型、设置权重、进行回测验证。这一方法能有效避免主观情绪干扰，但需要持续优化因子组合与参数。

因子选择与分类

因子是量化选股的基础，常见因子可分为三类：

  • 估值因子：如市盈率（PE）、市净率（PB），用于衡量股票价格是否合理。
  • 成长因子：如营收增长率、净利润增速，反映企业扩张能力。
  • 质量因子：如净资产收益率（ROE）、资产负债率，评估企业盈利能力和财务健康度。

关键原则：因子之间应尽量低相关，避免多重共线性（即两个因子描述同一特征，导致模型冗余）。例如，营收增速和净利润增速高度相关，通常只选其一。

评分模型设计

将因子转化为统一评分是搭建公式的核心步骤：

  1. 数据标准化：将不同量纲的因子值（如PE从5到50，ROE从5%到30%）映射到0-100分。常用方法包括百分位排名（按大小排序赋予分数）或Z-score标准化（基于均值与标准差）。
  2. 权重分配：根据投资目标设定各因子的重要性。例如，价值型策略可给估值因子40%权重、成长因子30%、质量因子30%；成长型策略则反向分配。
  3. 综合得分：将各因子标准化后的分数乘以对应权重，求和得到每只股票的总分。得分越高，代表越符合选股逻辑。

回测与优化

回测是验证公式有效性的关键环节：

  • 回测步骤：选择至少3-5年的历史数据，按月度或季度调仓，计算策略累计收益、最大回撤、夏普比率（风险调整后收益）等指标。
  • 常见陷阱：
    • 过拟合：过度优化参数以拟合历史数据，导致未来失效。解决方案是使用样本外数据（如留出20%数据不参与优化）验证。
    • 幸存者偏差：只使用当前存活的股票回测，忽略已退市股票。应使用完整的历史成分股数据。
    • 未来函数：使用未来才公布的数据（如当前季度财报的净利润）进行回测。需确保回测时只使用当时已公开的数据。

总结：量化选股公式的本质是用系统化规则替代主观判断，但模型的有效性高度依赖因子质量、权重设计和回测严谨性。投资者应从简单模型（如3-5个因子）开始，逐步迭代优化。

常见问题

量化选股公式需要编程基础吗？

不一定。许多平台提供图形化界面（如通达信、聚宽、优矿），用户可直接拖拽因子或使用内置模板。但若涉及自定义复杂策略，掌握Python或SQL会大幅提升效率。

因子权重如何确定更合理？

常见方法有三种：经验赋值（根据投资理念手动设定）、等权重（各因子权重相同，适合初学者）、优化算法（如用遗传算法或回归分析寻找历史最优权重）。建议先使用等权重作为基准，再逐步调整。

回测收益高但实盘亏损怎么办？

这通常由过拟合或市场环境变化导致。解决方式包括：缩短回测周期（如只用近3年数据）、增加交易成本与滑点模拟、在不同市场周期（牛市、熊市、震荡市）分别测试。若仍无效，考虑简化模型或换用更稳健的因子。

延伸阅读