专业策略分析——优质基本面高股息策略思想

由bq9e696k创建，最终由small_q更新于2025-04-25 06:05 被浏览 109 用户

1.市场观察和机会发现

许多投资者热衷追逐热门概念，像曾火爆的新能源汽车概念，行业利好时股价飙升，吸引大量资金买入。但市场多变，热度减退后股价急跌。以2021年1月4日起跟踪买涨幅最大的策略，每日调仓，初期有涨幅，随后收益震荡下行，到2024年9月收益低至-50%左右，最大回撤超55%。原因在于过度关注短期热点，忽视股票基本面和内在价值。

下图是追逐热门概念的选股策略回测收益

2.假设提出

股价变动背后有着清晰的逻辑。以戴维斯理论来看

这意味着，股价上涨、投资获利有两条途径：

一是提升每股收益，即企业业绩增长，当企业净利润大幅增加，每股收益提高，在市盈率不变时，股价会上涨，投资者赚取企业业绩增长的钱；

二是增大市盈率，即提升估值，投资者对股票价值的看法会影响估值，若每股收益 1 元，20 倍估值时股价 20 元，30 倍估值时股价 30 元 。当业绩和估值同时增长，便会出现戴维斯双击。但在当前大盘行情下，成交量萎缩，资金增量不足，总体流动性溢价难以实现，此时有业绩支撑、基本面良好的股票更具抗跌性

不过，每股收益有时并非真金白银，可能存在应收账款和高价库存，面临坏账风险。

真正能落到投资者手中的现金，是现金股利和分红。

因此，股利贴现模型（Dividend Discount Model，DDM）常被用于衡量股票内在价值，该模型将股票内在价值表达为未来股利的折现值之和。近年来，有两大事件促使更多投资者青睐高股息高分红股票。

两个利好消息：

（1）新 “国九条” 的出台。去年国务院印发《关于加强监管防范风险推动资本市场高质量发展的若干意见》，着重强调对上市公司现金分红的监管，对多年未分红或分红比例偏低的公司限制大股东减持、实施风险警示，同时加大对分红优质公司的激励力度。沪深交易所也积极跟进，在《股票上市规则》中加入对分红不达标公司的强约束措施，主板和科创板、创业板分别对分红金额做出明确规定。

（2） “资产荒” 的出现。随着一些行业的调整，曾经稳定的高息理财逐渐减少，一年期大额存单利率降至 2% 以下，消费贷利率也跌到 3% 以下。相比之下，股息率较高的股票显得更具吸引力。而且，愿意慷慨分红的公司通常拥有充沛的现金流，长期稳定高分红的公司，往往具备更强的创造正向现金流的盈利能力，净利润增速也相对更高。

在大盘行情复杂多变，资金流动性存在不确定性的情况下，股票的内在价值是决定其长期投资价值的关键因素。因此，这里就产生了一个优质基本面高股息策略思想。

3.策略逻辑编写

3.1策略思想

3.1.1稳定性指标：

使用股息收益率

m_avg(dividend_yield_ratio,200*5)

来计算过去 5 年的平均股息收益率。这一指标用于捕捉公司是否具有持续稳定的分红能力。

3.1.2成长性指标：

• 使用净利润同比增长率（

  net_profit_to_parent_shareholders_ttm_yoy
  

  ）进行评估，若当前年，上一年，上上一年的同比增长率分别大于 6%，则认为公司净利润具有持续增长的趋势。

• 策略指定必须连续三年净利润增长率大于 6%

  continuing_operation_net_profit_ttm_yoy_3Y_IF
  

  ，这一筛选条件旨在确保公司运营的稳定性并具备持续增长的能力。

3.1.3估值合理性指标：

• 策略要求股票的市净率（PB）小于 1.5 倍。
• 策略要求每股现金流量折现率（FCFF / 总市值）大于 3%。
• 策略要求市盈率 TTM（PE-TTM）小于行业平均值。
• 策略要求市现率（PCF）小于行业平均值。
• 策略要求资产负债率（debt_to_asset_lf）小于行业平均值。

3.1.4其他筛选条件：

• 公司必须上市超过五年（225 个交易日乘以 5 年）。
• 对选出的股票按照五年平均股息收益率降序排列，选取前 5 名进行投资。

\

3.2回测配置

• 回测时间：从 2020 年 1 月 1 日至 2025 年 4 月 5 日。
• 初始资金：1,000,000 元
• 交易频率：每日

4.历史数据回测

对该策略从2020年初回测，市场为中国股票市场，起始资金100万元。4年多来，累计收益率达81.97%，年化收益12.59%，夏普率0.51，最大回撤21.14%。大部分时间跑赢沪深300指数，除2020上半年外每年正收益。

5.回测结果分析

由于策略的参数如持股数量、交易频率、上市时间等参数的设置的科学性有待确认，回测周期中有1/3低于基准收益，且年化收益不高，最大回测达到21.14%，策略表现略差。

可能原因是参数的设置是基于理论，与实际的数据会产生偏差，下面进行参数优化，探寻最适合该策略思想的参数设置方案。

6.参数优化

6.1 参数优化的必要性

• 提高策略性能：通过调整参数，可以使策略更好地适应市场或问题的特点，从而提高策略的盈利能力、准确性、效率等关键性能指标。例如，在投资策略中，合适的参数设置可能使收益最大化，同时降低风险。​
• 增强策略稳定性：优化参数有助于减少策略在不同市场条件或数据子集上的性能波动，使其更加稳定可靠。这意味着策略在面对各种实际情况时，能够更一致地发挥作用，避免因参数不合理而导致的过度拟合或欠拟合现象。​
• 适应变化的环境：市场环境、业务需求和数据特征等都可能随时间变化。参数优化能够让策略及时适应这些变化，保持良好的性能。例如，在机器学习中，随着新数据的不断产生，对模型参数进行优化可以使其更好地拟合新数据，提高预测的准确性。

6.2 常用的参数优化方式

6.2.1 原始调优方式

对于大多数人来说，参数调优的方式是不断的在代码中一个一个改参数，比如将持股数量从3只调整到10只，再运行一次，看看效果如何，效果不好的话再换其它的。

这样子的调优方式非常主观，且很看运气。当涉及到多个参数调优时，再进行这种人工遍历调优的方式就更加低效。

6.2.2 科学调优方式

对于参数调优的方式，目前已有多种成熟的方法：

• 网格搜索：这是一种简单直观的方法，它在指定的参数空间中，通过穷举所有可能的参数组合来寻找最优解。例如，对于一个包含两个参数的模型，一个参数有 5 个可能取值，另一个参数有 3 个可能取值，那么网格搜索就会尝试这 5×3 = 15 种不同的参数组合，然后选择性能最佳的组合作为最优参数。这种方法的优点是简单易懂，能够保证找到全局最优解，但缺点是计算成本高，当参数空间较大时，计算量会呈指数级增长。​
• 随机搜索：与网格搜索不同，随机搜索是在参数空间中随机选择参数组合进行评估。它通过设定一定的搜索次数，从参数空间中随机采样并测试不同的参数组合，然后根据性能指标选择最优的参数。随机搜索的优点是计算效率较高，能够在较短时间内探索较大的参数空间，但它不能保证找到全局最优解，结果可能会受到随机采样的影响。​
• 遗传算法：遗传算法是一种模拟自然进化过程的优化算法。它将参数编码为染色体，通过选择、交叉和变异等操作来生成新的参数组合，并根据适应度函数评估每个参数组合的性能，逐步淘汰性能较差的个体，保留和进化性能较好的个体，最终得到最优参数。遗传算法能够处理复杂的非线性问题，具有较强的全局搜索能力，但需要设计合适的遗传操作和适应度函数，且计算成本也相对较高。

6.3 贝叶斯参数优化

6.3.1 原理

贝叶斯参数优化基于贝叶斯定理，该定理提供了一种在给定先验知识和观测数据的情况下，计算后验概率的方法。在参数优化问题中，我们将参数视为随机变量，并根据已有的数据和先验知识来更新对参数的概率分布的估计。

举例：

6.3.2 选择贝叶斯参数优化方法的原因

• 利用先验信息：贝叶斯优化结合了先验知识和观测数据来估计参数的后验分布。通过利用先验信息，可以在搜索过程中更有针对性地探索参数空间，避免盲目搜索，尤其对于具有一定先验知识的问题，能够更快地找到最优参数。例如，在某些领域中，根据以往的经验或研究，我们可能对参数的大致范围或分布有一定的了解，贝叶斯优化可以将这些信息纳入考虑，提高优化效率。​
• 高效的全局搜索：贝叶斯优化使用高斯过程等模型来建模目标函数，能够根据已有的观测数据预测未知点的函数值和不确定性。它通过平衡探索（尝试新的参数区域）和利用（选择当前认为最优的参数区域）来进行搜索，能够在较少的迭代次数内找到接近全局最优的解。相比其他一些优化方法，如网格搜索的盲目性和随机搜索的不确定性，贝叶斯优化在全局搜索效率上具有明显优势。​
• 处理复杂的目标函数：对于复杂的、非凸的、甚至不可微的目标函数，贝叶斯优化仍然能够有效地进行优化。它不需要对目标函数进行显式的求导或其他复杂的数学运算，而是通过对函数的观测和建模来寻找最优解。这使得贝叶斯优化适用于各种实际问题，尤其是那些难以用传统优化方法处理的问题。​
• 自动调整搜索策略：贝叶斯优化根据观测到的数据不断更新对参数空间的认识，从而自动调整搜索策略。随着迭代的进行，它会逐渐聚焦于可能包含最优解的区域，减少对不太可能区域的搜索，提高搜索效率。这种自适应的搜索方式能够更好地适应不同的问题和参数空间特点，无需人工过多干预。

6.3.3 主要步骤

1. 定义先验分布：根据问题的领域知识和经验，为参数设定一个先验分布。这个分布反映了在没有观测到数据之前，我们对参数取值的初始信念。
2. 观测数据：进行实验或收集数据，通过对实际系统的运行或采样，获取与参数相关的观测值。
3. 计算后验分布：利用贝叶斯定理，将先验分布和观测数据结合起来，计算参数的后验分布。后验分布代表了在考虑了观测数据之后，我们对参数取值的新信念。
4. 选择最优参数：基于后验分布，采用某种策略选择最优的参数值。常见的策略包括最大后验概率估计（MAP），即选择后验分布中概率最大的参数值作为最优解；或者使用期望最大化（EM）算法等，找到使目标函数期望最大化的参数值。
5. 迭代优化：不断重复上述步骤，随着新数据的不断加入，后验分布会不断更新，从而逐步逼近参数的真实最优值。

6.4 目标函数

设置目标函数，得到累积函数和最大回撤的综合得分

6.5 先验分布

6.6 最优参数

通过对holding_nums、frequency等7个参数的优化，实现score的最小，即达到在确保累积收益较大的基础上缩小最大回撤。在进行了30次的迭代后，得到最优参数为：

6.7 调优后的回测

将最优参数输入到策略后，按相同的时间进行回测，累积收益从原来的81.97%提高到327.5%，年化收益从12.59%提高到33.35%，最大回撤较原来有所提升，但==策略收益实现了大约300%的提升==

6.8 采样数据分布分析

本策略的贝叶斯参数优化基于高斯函数，需满足采样数据大体符合正态分布。以下是采样数据的可视化：

可以看到，采样数据在偏度和峰度上都与正态分布的标准特征存在差异，并不严格满足正态分布。从理论严格性角度，这些数据并不完全满足基于正态分布假设的高斯函数使用条件，使用时可能会对贝叶斯参数优化的结果产生一定影响 。不过在实际应用中，如果偏差不是特别大，仍可尝试使用高斯函数进行优化，并通过实验和验证来评估结果的有效性，==通过对比优化前和优化后的参数策略回测结果，我们可以发现策略在进行贝叶斯参数优化后，表现得到了非常显著的提升。==

7.参数敏感性分析

下图为分别参数进行0.5倍、2倍和4倍变化后，回测后score的影响分布图，可以看到holding_nums的变化对策略score的影响较大，其它参数的变化对策略的影响较小

8.压力测试和情景分析

8.1 2015年股灾

8.2 2020年2月疫情冲击

8.3 2024年国庆节前

8.4 2025年4月07日关税冲击

9.交易成本与滑点

万3 千1 最低五元

10. 设置最优参数后的策略代码

https://bigquant.com/codesharev3/fdad3d60-6475-4328-b77b-8e87a91bbe35

{{pro}}

说明：

• 该代码大概会运行30分钟左右 取决于开的服务器速度

• 建议回测时间小于5年，否则会出现超出内存导致运行停止

  \

• 运行之前请 在开发环境中点击左上角红色Q-终端-新建终端

在终端中输入： pip install scikit-optimize 然后Enter运行

https://bigquant.com/codesharev3/127967e7-c1fb-43c6-b852-99ec28a92b87

\