量化选股入门：普通投资者也能用的策略，核心是将投资逻辑转化为可重复执行的规则，用数据和程序代替主观判断来筛选股票。它的基本流程围绕三个环节展开：收集数据、构建因子、回测验证。普通投资者不需要掌握复杂的编程，利用公开的财务数据、行情数据以及 Excel 或免费量化平台（如聚宽、果仁网），就能搭建一套初步的量化选股体系。
量化选股的基本流程
第一步：明确数据来源。 量化选股的基础是干净、完整的数据。常用的公开数据包括：财务报表数据（如净资产收益率、毛利率）、行情数据（如收盘价、成交量）以及估值数据（如市盈率、市净率）。这些数据可以从巨潮资讯网、交易所官网或免费财经数据接口获取，关键在于保证数据的连续性和一致性。
第二步：定义选股因子。 因子是量化选股的“打分项”，它把投资理念转化为可计算的指标。常见的因子类型包括：
| 因子类型 | 代表指标 | 逻辑解释 |
|---|---|---|
| 价值因子 | 市盈率、市净率 | 寻找相对便宜的股票 |
| 动量因子 | 过去几个月涨幅 | 强者恒强，趋势延续 |
| 质量因子 | 净资产收益率、毛利率 | 挑选盈利能力强的好公司 |
| 规模因子 | 总市值 | 小市值公司或有超额收益空间 |
第三步：回测验证。 回测是检验策略是否有效的重要环节，即用历史数据模拟策略的运行表现。回测结果只能作为参考，不代表未来收益。进行回测时，需要特别关注交易成本（佣金、滑点）和样本区间，避免过度优化导致策略在实盘中失效。
从零构建你的第一个量化策略
使用 Excel 或免费工具构建策略，可以遵循以下步骤：
- 筛选股票池：设定基础条件，如剔除 ST 股票、次新股和停牌股票，确保样本的流动性。
- 打分排序：对每只股票按选定的因子（如市盈率、净资产收益率）进行打分，按综合得分排序。
- 定期调仓：设定调仓周期（如每月或每季度），每次买入得分最高的前十只股票，并卖出不再符合条件的持仓。
- 记录与复盘：用表格记录每次调仓的持仓和收益，定期复盘策略表现，分析失效原因。
量化策略的常见陷阱在于“幸存者偏差”和“过拟合”。前者指回测时只用了现在还在上市的股票，忽略了已退市的股票，导致收益虚高；后者指策略过度迎合历史数据的细节，换一个时间段就失效。控制风险的办法包括：在回测中纳入退市股票数据、限制策略的参数数量、以及坚持用较长的时间周期（如跨越牛熊市）验证策略的稳定性。
常见问题
量化选股需要很强的编程能力吗？
不需要。基础的量化选股可以通过 Excel 的函数和筛选功能完成，进阶用户可以使用免费的量化平台（如聚宽、果仁网）通过简单的 Python 代码或拖拽式操作实现。核心在于投资逻辑的清晰度，而非编程技巧。
多因子模型是不是比单因子更有效？
多因子模型通过组合多个维度（如价值、动量、质量）的指标来分散单一因子失效的风险，理论上更稳健。但因子并非越多越好，因子之间如果高度相关，反而会增加模型的复杂度和过拟合风险。建议从两到三个逻辑互补的因子开始，逐步验证后再增加维度。
策略回测表现很好，可以直接实盘吗？
不建议直接实盘。回测表现好可能源于数据偏差或参数过度优化，且回测未完全模拟真实交易中的冲击成本和流动性限制。建议先用小资金模拟盘运行一段时间，观察策略在实盘环境中的表现，再逐步增加投入。同时，任何策略都可能失效，需设定明确的止损和风险控制规则。