量化选股是用数量化方法，将选股逻辑转化为可执行的规则，再借助计算机对历史数据进行回测验证，从而筛选出符合特定标准的股票。散户也能用市盈率、ROE（净资产收益率）等常见指标搭建多因子模型，实现系统化选股。
常见选股因子：估值、成长、质量
选股因子是衡量股票某方面特征的量化指标，通常分为三类：
- 估值因子：衡量价格是否合理，代表指标有市盈率（PE）、市净率（PB）。低市盈率通常表示股票相对便宜，但需结合行业平均判断。
- 成长因子：反映公司盈利增长潜力，常用营收增速、净利润增速。高增速公司往往有更高估值，但增速持续性需要关注。
- 质量因子：评价公司盈利能力与财务健康度，典型指标是ROE（净资产收益率）和资产负债率。高ROE（通常连续3年超过15%）往往对应优秀商业模式，但需警惕高杠杆带来的风险。
实践中，不同因子在不同市场环境下表现差异明显。例如，市场偏好成长股时，成长因子贡献更大；熊市阶段，低估值、高质量因子往往更抗跌。
多因子评分模型搭建步骤
搭建一个简单的多因子评分模型，通常遵循以下流程：
- 选择因子：从估值、成长、质量各选1-2个指标，如市盈率、ROE、营收增速。因子数量不宜过多，3-5个即可避免过拟合。
- 数据标准化：将不同量纲的因子值转换为可比分数。常用方法有排序分位法（将股票按因子值排名，分为10组，第1组得10分，第10组得1分）或Z-score法。
- 设定权重：根据个人偏好或历史经验为每个因子分配权重。例如，成长因子40%，估值和质量各30%。权重设定直接影响最终评分结果，建议通过回测调整。
- 计算综合评分：将每只股票的因子得分加权求和，得到总分。按总分从高到低排序，选取前10-20%的股票作为候选池。
| 步骤 | 操作内容 | 常见误区 |
|---|---|---|
| 因子选择 | 挑选3-5个有逻辑支撑的指标 | 加入过多相关性高的因子（如PE和PB同时使用） |
| 标准化 | 将因子值转为0-100分 | 直接使用原始值，导致量纲大的因子主导结果 |
| 赋权 | 分配各因子权重 | 权重过于主观，缺乏回测验证 |
| 评分 | 加权求和排序 | 忽略行业差异，导致同质化选股 |
简单回测方法与注意事项
回测是用历史数据验证模型效果的关键环节。基本步骤包括：
- 确定回测区间：选择至少3-5年的数据，覆盖牛熊周期，避免只选单边行情。
- 设置调仓频率：常见有月度、季度调仓。高频调仓（如每周）交易成本高，低频调仓（如半年）可能错过信号。
- 计算收益与风险指标：关注年化收益率、最大回撤、夏普比率。年化收益率超过15%且最大回撤小于20%的模型，历史上常见但需警惕过拟合。
回测中最重要的注意事项是避免未来函数——即使用回测当时尚未公开的数据。例如，使用季报公布后的ROE，而非季报截止日的ROE。另外，回测表现优异的模型，在实盘中通常会有一定折扣，主要因为交易成本、流动性限制和模型过拟合。
总结一下，量化选股入门的关键在于：选择有逻辑的因子、搭建合理的评分体系、严格进行回测验证。从简单模型开始，逐步迭代优化，是散户实践量化投资的有效路径。
常见问题
量化选股需要编程能力吗？
不需要。初学者可以用Excel或专业股票软件（如通达信、同花顺）内置的选股功能实现多因子筛选。如果希望自动化回测，学习Python能大幅提升效率，但非必需。
多因子模型中的因子权重如何确定？
常见方法有两种：一是等权重分配（每个因子权重相同），适合新手；二是通过历史回测，调整权重使模型在较长周期内表现最优。通常建议先用等权重跑通流程，再逐步优化。
回测收益很高，实盘却亏损，可能是什么原因？
常见原因包括：回测时使用了未来函数（如用到尚未披露的财务数据）、交易成本估算过低、模型在回测区间过度拟合（策略只适用于特定行情）。解决方法是扩大回测区间、加入交易成本模拟、用样本外数据验证。