8. 量化选股法（上）：如何从几百只股票里挑出好公司

Name: 8. 量化选股法（上）：如何从几百只股票里挑出好公司
Uploaded: 2026-10-26T00:25:25.042Z
Description: 量化选股法（上）：如何从几百只股票里挑出好公司

5 小时

量化选股法（上）：如何从几百只股票里挑出好公司

开通服务即可查看评论～

文字稿

提到量化投资，很多朋友脑子里可能会浮现出这样的画面：一屋子数学博士，几台超级计算机，一套谁也看不懂的算法，一秒钟下几千笔单。好像量化离咱们普通散户特别遥远。那量化投资到底是什么？咱们普通人能不能也用上它呢？其实啊，量化投资并没有很多人想象得那么复杂。它的核心我们可以用一句话来解决，那就是，把“我觉得这家公司好”变成一个具体的计算方法。然后，再用这个方法去算所有的股票，让数据把符合规则的公司找出来。
所以这期视频，我不打算全面地介绍量化投资，而是从股票的某些特征出发，看作为一个普通的散户，我们可以怎么用来量化投资来选股。
﻿
因子是什么在量化投资的语言中，我们把能对股票未来收益率有一定预测能力的特征，统称为因子。在我们这个场景里，你可以简单理解为，因子就是那些可以帮你找到大牛股的指标。
我们可以通过几个日常投资中最常见的因子来理解一下这个概念。
我们先从一个最简单直观的例子出发，毛利率。这个数据我们是可以直接从财经网站上看到的，它本身就是一个因子，背后的逻辑是，当公司的毛利率越高的时候，大概率意味着公司产品竞争力越强，未来发展更好的概率也相对较大。
这是我们直观的感受和经济逻辑。但这个逻辑到底靠不靠谱，得拿数据来检验一下。业界常用的检验指标叫Information Coefficient，简称IC。简单说，IC就是看这个因子能不能提前把股票未来的涨幅排对顺序：排得越准，IC越高，这个因子就越好用。
举一个极端一点的例子，我们现在把所有股票的毛利率放在一起，从最大排到最小，然后一年后看他们这一年的表现，如果最后它的表现跟毛利率排序一模一样，也就是说，只要毛利率好一点，这个公司的股价就一定会涨得多一点，那么这个因子的IC就是100%。因为它完美解释了股票未来收益的相对位置。
﻿
但实际中，不可能有这样的因子，所以我们为了提高自己的预测能力，经常用多个因子组合一起预测，这就是所谓“多因子”选股的基础逻辑。我们这里就不深入去讨论多因子的内容，这次就把多因子作为一个股票筛选的工具，但其背后的逻辑还是基于他们对未来收益率的预测能力。
既然是多因子，那么我们最少也得再来一个。刚才我们说的毛利率是反映股票的盈利能力，那下一个我们就换一个方向，看看波动性。这里我们选择看beta。Beta衡量的是一只股票对大盘涨跌有多敏感。如果一只股票的Beta是1.5，意思是大盘涨1%，它平均涨1.5%；大盘跌1%，它平均跌1.5%。Beta小于1的股票，波动比大盘温和；Beta大于1的股票，波动比大盘剧烈。所以它实际衡量的是单个股票相对大盘的波动情况。
﻿
我们把个股和大盘的收益率画一个散点图，然后画一个“最贴合”的直线经过这些点，这个直线的斜率就是beta。
﻿
用因子进行筛选理解了这些因子的含义后，我们就可以开始用因子来帮助我们选股。我们可以把这些因子就想象成一个学生的一科科成绩，综合下来，每个股票都可以得到一个全部科目成绩来给我们做筛选了。
但在此之前，我们也需要说一下这样做的一个问题，那就是可能会产生比较大的行业偏移。比如说，不同行业的毛利率差别很大，很多时候不是这个公司不行，而是它这个行业的商业特性毛利率本身就偏低，它在这个行业内部依然可以是很不错的。在后面的案例中，我们会具体地看到这个特点。
接下来，我们就假设用beta和毛利率进行筛选，那会得到什么呢？
beta展示了这个股票波动性的强弱，毛利率展示了公司的盈利能力，那我们就可以进行一个这样的分类：
﻿
从这个分类可以看出，筛选标准给了你一个精确表达自己想法的尺子，你可以根据自己的需求去筛选想要看的股票，而不是只凭感觉。
这里我们还需要注意一点，那就是我们选择的范围也会对结果产生很大影响。所谓选择的范围，业界术语一般叫选股池，简单说就是要限定一个范围。因为一些很小的股票他们的数值会特别异常，风险也特别大，所以通常的做法是选择一个接受度比较高的宽基指数，比如标普500。
选择指数成分股的好处非常多，首先就是能进标普的，已经有专业人员帮你做了一次初筛，基本是相对优质的公司。其次，进入标普500后股票的流动性会得到保证，比较难出现一笔交易就大幅影响股价的情况。
我们可以直观看一下限定标普500和不限制的区别。Finviz提供了功能相对完善的筛选功能（这不是广告），我们可以按照之前的因子，先选择Gross Margin大于50%，Beta大于1这个筛选标准，我们会得到663个备选股票。
﻿
﻿
可以看到，这个数量太多了，但如果我们把范围限制在标普500以内，结果会完全不一样。
﻿
这次就剩81个了，还是比较多，我们可以再加入一点其他的筛选指标，比如市值不能太小，我们把市值限制在100亿美元以上。然后，我们再添加一个筛选指标，选择过去这一年的股票是上涨的。这两个条件加进去之后，备选股票就只有38个了。
这里就可以看到很多我们熟悉的公司了，比如，META，谷歌。不过我们之前所说的行业问题就会很突出。我们把这些公司的行业分布做一个图就会很直观感受到。可以看到，剩下的37家公司里，有20家是科技行业，然后是金融，可选消费和医疗。这个筛选结果带有非常明显的行业偏离。
﻿
当然如果你本身就有行业的偏好，这样的偏离确实也没有问题。但是如果你没有想偏离这么多，那就需要更多的因子处理来避免风险如此集中。业界的常见做法是对因子数据进行行业中性化，也就是尽量去除这种行业本身特性带来的偏离。但这需要大量的基础数据做支撑，我们这里不做太多介绍了，从实用角度，我们可以做的，就是将毛利率放的更宽松一点，然后增加一些别的因子。
为了让结果更精简一点，我们再多增加一点筛选条件，我们要求毛利率和营业利润率都在10%以上；过去5年和过去一年的每股收益都在增长，过去一年营收也在增长；过去一年股价是涨的。再加上之前的条件，这9个条件加在一起，最后筛出52家公司。
﻿
这次的筛选结果就会相对偏向工业一点，科技板块有所减少。这就是筛选这种手段的局限性，不过考虑到我们后面还会对重点股票进行深入分析，所以这个缺点也不算大事。
﻿
案例：筛选一份“优秀公司”名单前面几次筛选，主要是为了演示工具怎么用、行业偏离是怎么出现的。最后我们做一个完整的案例：先想清楚我们心目中的“优秀公司”应该满足哪些条件，再把这些条件逐条翻译成筛选标准。
这次我们给“优秀公司”定了四个要求：能赚钱、持续增长、家底稳、市场认可。放到Finviz里，再加上划定范围的条件，一共是11个：
第一，范围。标普500成分股、美国公司、市值100亿美元以上。这一步和前面一样，先把太小、数据不稳定的公司排除掉。
第二，能赚钱。毛利率和营业利润率都在10%以上。这里的门槛故意放得比较低，目的不是挑出利润率最高的公司，而是把不怎么赚钱的排除掉，同时避免高毛利的门槛把结果都推向科技行业。
第三，持续增长。过去3年和过去5年的每股收益年均增长都超过10%，过去5年的营收年均增长也超过10%。同时看3年和5年，是为了确认增长不是一两年的偶然；要求营收也增长，是为了确认利润增长不只是靠压缩成本挤出来的。
第四，家底稳。负债权益比（Debt/Equity）小于1，也就是公司的债务不超过股东自己的钱，主要靠自有资金经营，而不是靠借钱撑起来。这里用的是总债务，短期借款也算在内，因为短期债务恰恰是还款压力最急的那一部分。
第五，市场认可。过去一年股价是涨的，而且现在的股价在200日均线之上。这两条对应的就是动量因子。基本面好但股价长期走弱的公司，可能是市场还没发现它，也可能是市场看到了我们没看到的问题；加上这两条，我们就只看已经被市场认可的那一部分。
﻿
﻿
11个条件叠加之后，最后剩下11只股票。其中GOOG和GOOGL是谷歌的两类股票，属于同一家公司，所以实际是10家，它们分别是：英伟达、微软、谷歌、Meta、Arista、Fortinet、Visa、Veeva、Dexcom和Ross Stores。
﻿
这份名单有三点值得注意。
第一，大部分是我们熟悉的名字。这说明这套条件和我们对“优秀公司”的直觉基本一致。不过这个list做好之后，是可以重复使用的。比如下季度数据更新之后，用同样的条件再跑一遍，就能看到哪些公司掉了出去、哪些公司新加了进来。
第二，行业偏离依然存在。科技有4家，再加上通信服务里的谷歌和Meta，六成都和科技相关。这其实有点难彻底避免，毕竟科技公司的各类基本面数据在过去几年里确实是最好的。所以这不一定是坏事，但我们要清楚看到它的局限性。
第三，我们没有设任何估值条件。比如这里的Fortinet的估值高达65倍，这么高的估值对于投资决策还是影响很大的。所以如果有必要的话，可以再加一个估值类的条件。这点我们会在后面讲因子相关性的时候会重点讨论到。
当然了，除了我们例子中用的这几个因子以外，可用的筛选因子还有很多。常见的有市值，动量，财务杠杆，流动性，等等，限于篇幅我们不再这里一一介绍，我把一些常见的放在这个表格里，供大家参考。
这里还要提醒一下，表里有几类名字里带了一个“低”字，比如“低投资”“低杠杆”。这个“低”的意思是，这个指标越低越好。拿低杠杆来说，就是认为负债少的公司会涨得更好，所以买入负债少的、卖空负债多的。
另外，我们在选择因子进行筛选的时候还要注意，很多因子之间有很强的相关性，比如毛利高的公司，往往纯利也会高。所以，如果我们想选出一个全方位优秀的股票，那就需要注意我们在筛选的时候要选一些不那么相关的因子，这里我们提供一个相关性图供大家参考。
这张图里的13类因子，来自学术界Jensen、Kelly和Pedersen整理的JKP因子库。他们把上百个因子按照收益走势的相似程度归成了13类。这个图应该不难理解，我就不一点点给大家过了，感兴趣的话可以自行截图保存。
﻿
﻿
下面这张图，就是这13类因子两两之间的相关性。它算的是因子收益之间的相关性，也就是两类因子之间是不是经常让股票同时赚钱、同时亏钱。
﻿
可能你看到这个图有点晕，没关系，我先跟大家说说怎么看。图里每个格子的数字，就是对应两类因子的相关系数。数字越接近于1，是正的，那说明这两类因子经常会导致一只股票同时赚钱、同时亏钱；数字越接近于负1，是负的，说明它们经常此消彼长。
这里要注意，它说的不是毛利率和净利率这种指标数值本身的相关性。两者有联系，但不是一回事。比如说，盈利增长和动量是正相关的0.45，但和价值是负相关−0.49。也就是说，押注盈利改善的策略和押注近期强势股的策略，往往同时赚钱、同时亏钱；但如果你押注盈利增长的同时，又押注价值，就会带来此消彼长的效果。这也不难理解，因为盈利改善的公司股价往往已经涨上去了，估值也就不便宜了。
看懂了这张图，那它对咱们选股有什么用呢？用的时候又有哪些地方要特别注意呢？
首先，避免重复太多相关性高的选择。比如价值、低投资、低风险这三类的相关系数在0.7到0.83之间，也就是说，这三种策略的收益走势很像，同时用的效果和只用其中一种差不多。这就好比找伴侣时，你同时要求“工作好”“收入高”“经济条件好”，听起来是三个条件，但这三条往往落在同一群人身上，其实只看了一个维度。
其次，也要注意那些高度负相关会带来的拉扯效果。比如价值和低杠杆的相关系数是−0.92，几乎完全反向，这可能会导致你能选出来的股票非常少。就像选伴侣既要对方年纪轻轻，又要他事业已经很有成就，这两个条件本身就在互相拉扯，放在一起符合的人自然就会少得可怜。
而有一种情况是比较值得一起来用的，就是那些相关性有，但不是特别高的。比如说，质量和盈利能力的相关系数是0.52，两者经常同向，但并不重复。盈利能力看的是赚得多不多，质量更看重赚钱的效率和稳定性，两者还是有区别的，毕竟一家公司利润率很高，资产利用效率却不一定高。所以在挑因子的时候，尽量从相关性低的几类里各选一个。比如质量、价值和动量这三类，两两之间的相关系数都在正负0.3以内，放在一起，就能从不同角度描述一家公司了。
﻿
总结说到这里，我们关于量化选股的基础知识就跟大家讲完了。简单来说，量化选股就是把我们心目中“好公司”的标准，变成量化指标，并一步步筛出一份名单，同时留意别让这份名单都挤在同一个行业里或者同一个特性里。这么一来，我们就可以找到一份值得进一步深入研究的好公司清单了。
我知道，即便说到这里，大家可能还是有些不理解的地方。毕竟这期视频理论东西还是比较多，但大家不用担心，因为下一期视频我会请出我们团队里曾经做过量化选股基金经理的分析师Chandler，专门通过实战演练，来帮助大家更好地理解这套方法。相信大家看完这两期视频之后，刚刚没听懂的地方自然就懂了，也知道该怎么用了。