量化选股入门，普通投资者可用的策略主要包括单因子选股和多因子打分模型两大类。单因子选股是围绕某一特定指标（如估值、动量、质量）筛选股票；多因子模型则是将多个因子按权重打分后综合排序，选出得分最高的股票组合。两者都不需要编程或高频交易设备，用行情软件和Excel即可完成基础搭建，核心在于规则明确、逻辑可验证。
量化选股的基本逻辑
量化选股的本质是把投资决策从“凭感觉”转为“按规则”。普通投资者需要先明确三个要素：选股范围（如沪深300成分股）、调仓频率（如每月一次）、持有数量（如20只）。规则一旦设定，就应尽量机械执行，避免临时主观干预。
量化策略的可靠性来自逻辑支撑而非历史拟合。一个因子之所以有效，通常因为它捕捉了某种市场定价偏差或风险补偿，例如低估值股票可能承担了更高的基本面风险。没有逻辑的纯数据挖掘，容易在样本外失效。
常见单因子类别与有效性
| 因子类型 | 核心逻辑 | 常见指标示例 | 适用注意点 |
|---|---|---|---|
| 估值因子 | 便宜是否意味着修复空间 | PE、PB、股息率 | 需排除盈利异常或资产减值公司 |
| 动量因子 | 强者恒强或均值回归 | 过去3-12个月收益率 | A股短期反转效应常强于动量 |
| 质量因子 | 盈利与财务健康度 | ROE、毛利率、负债率 | 需与估值结合，避免买贵 |
| 规模因子 | 小盘股的溢价效应 | 流通市值 | 流动性差，冲击成本高 |
单因子各有短板：估值因子可能陷入“价值陷阱”，动量因子在震荡市频繁失效，质量因子容易选出高估值白马。因此，多数入门策略会同时使用2-4个低相关因子，以分散单一逻辑失效的风险。
多因子打分模型搭建
搭建多因子模型分为四步：
- 确定因子池：选择2-4个逻辑互补的因子，如“低估值+高ROE+适度动量”。
- 标准化打分：对每个因子在选股范围内排序，按百分位打分（0-100分），避免量纲差异。
- 设定权重：可以等权（各占1/3），也可以按个人偏好加权，如更看重估值就调高其权重。
- 综合排序与调仓：加权总分最高的前N只股票入选，每期按规则替换。
回测是验证策略的必要环节，基本步骤包括：确定历史区间（至少覆盖一轮牛熊）、设定交易成本（佣金+滑点）、对比基准指数（如沪深300）。回测结果重点关注年化收益率、最大回撤和夏普比率，而非只看总收益。需注意，回测中的高收益往往包含数据过拟合或幸存者偏差。
因子失效与换手率控制
任何因子都会阶段性失效，这是量化投资的常态。历史上常见的失效原因包括：市场风格切换、政策环境变化、以及因子被广泛使用后拥挤交易。应对方式是定期检视因子逻辑是否依然成立，而非频繁更换规则。
换手率是隐性成本。每月调仓一次的模型，年换手率可能超过500%，交易成本会显著侵蚀收益。控制方法包括：设置调仓阈值（如仅替换排名变化超过10位的股票）、拉长调仓周期（如双月调仓）、或对卖出条件增加缓冲带。
常见问题
量化选股需要会编程吗？
不需要。使用行情软件的选股器或Excel即可实现基础的多因子打分。编程（如Python）主要用于更复杂的回测和优化，属于进阶能力。
单因子策略和多因子策略哪个更适合新手？
建议从单因子策略起步，先理解一个逻辑的运行规律，再逐步叠加因子。直接上手多因子模型容易因权重设置不当而难以归因。
回测收益高，实盘一定会好吗？
不会。回测存在前视偏差、忽略流动性限制等局限，且市场环境会变化。实盘应使用小资金先运行3-6个月，重点观察策略在震荡市和下跌市中的表现，再决定是否加大投入。