量化选股是通过数学模型和计算机程序，从全市场股票中筛选出符合特定条件的投资标的，核心逻辑是用数据驱动决策替代主观判断。搭建一套完整的量化选股策略，通常分为四个步骤：定义因子 → 构建选股模型 → 回测验证 → 优化迭代，整个过程不需要高深编程，新手可以从简单因子组合开始。
选股因子的选择与组合
因子是量化选股的基本单元，常见因子分为四大类：
- 估值因子：市盈率（PE）、市净率（PB）、股息率等，用于识别价格低于内在价值的股票
- 成长因子：营收增长率、净利润增长率、ROE变化趋势等，捕捉公司盈利扩张潜力
- 质量因子：毛利率、资产负债率、现金流质量等，评估公司财务健康度
- 动量因子：过去3-6个月收益率、相对强弱指标（RSI）等，利用价格趋势惯性
搭建策略时，通常选择3-5个低相关性因子组合（例如1个估值+1个成长+1个动量），避免因子重复导致过拟合。例如，可以构建“低市盈率+高ROE+过去3个月涨幅前20%”的简单选股模型。
数据获取与回测工具
数据是量化策略的基础，新手可通过以下途径获取：
- 免费数据源：Tushare、AkShare（国内股票数据）、Yahoo Finance（美股数据），适合Python用户
- 付费数据源：Wind、Choice，数据质量更高，适合专业场景
- 回测平台：聚宽（JoinQuant）、米筐（RiceQuant）提供在线回测环境，内置因子数据库和回测引擎，无需本地部署
回测的核心目的是验证策略历史表现，重点关注年化收益率、最大回撤、夏普比率三个指标。年化收益率衡量盈利水平，最大回撤控制风险底线，夏普比率评估风险调整后收益。
策略优化与常见误区
优化策略时需注意以下要点：
- 避免过拟合：不要反复调整参数去适配历史数据，历史上表现最优的参数在未来可能失效
- 区分样本内/外测试：将数据分为训练集（如70%）和测试集（30%），在测试集上验证策略稳定性
- 考虑交易成本：回测时需计入佣金、印花税和滑点（通常按单边0.1%-0.3%估算），否则实盘收益可能大幅缩水
简单策略往往比复杂策略更稳健，一个由2-3个因子组成的线性模型，在多数市场环境下表现优于堆砌十几个因子的复杂模型。
量化选股的本质是纪律性执行既定规则，避免情绪干扰。新手建议从模拟盘或小资金实盘起步，逐步积累经验后再扩大规模。
常见问题
### 量化选股需要会编程吗？
不一定。新手可以先用聚宽、米筐等平台的“可视化策略”功能，通过拖拽式界面搭建简单选股模型。如果要做个性化因子计算或复杂模型，至少需要掌握Python基础语法和Pandas库的使用。
### 回测年化收益30%的策略可以直接实盘吗？
不建议直接实盘。回测高收益可能来自过拟合或幸存者偏差，应先用样本外数据测试策略稳定性，并观察至少3-6个月模拟盘表现。实盘前还需确认策略逻辑在当前市场环境下仍然有效。
### 因子失效后该怎么办？
因子失效是量化投资的常态。建议建立因子监控机制，当因子收益率连续3个月低于历史均值1个标准差时，考虑替换为其他低相关性因子。同时保持策略池中有2-3个备选因子，定期轮换。