《100万回测变成466万,低价股策略真的有效吗》

Panda AI技术支持-王阿欣Panda AI技术支持-王阿欣··152 浏览

PandaAI 策略研究系列|低价股策略|002

01|开场:一套看起来很赚钱的策略

如果有一套策略,历史回测年化收益17.7%,本金能从100万变成了466万。

你愿意用吗?

我猜大多人肯定愿意。

但是你先别着急

因为这套策略还有一个数字。

最大回撤55.76%。

什么意思?

就是在历史回测中,账户曾经从阶段最高点跌去超过一半。

也就是说,你的账户从100万跌到44万,你还能继续坚持吗?

今天,我们就准备用 PandaAI EVO,一起来研究一套看起来非常简单的低价股策略。

先说说为什么研究这个策略。

因为在大a中呢,有一类股票一直受到部分投资者的关注。

就是那些股价只有几块钱的低价股。

有人觉得,这些股票价格已经足够低了,一旦行情回暖,可能就有很大的反弹空间。

为此还真有人专门研究过这个策略发表了不少论文。2006年就有人研究分析了约680万名中国投资者的6420万笔交易,发现资产规模较小的个人投资者更倾向于交易低价、小市值股票。

https://www.sciencedirect.com/science/article/pii/S0927538X05000715?utm\_source=chatgpt.com

2017年,《金融研究》也发表的一篇论文,发现中国A股在1999年至2014年的历史样本中,确实存在显著的低价股溢价现象。https://www.jryj.org.cn/CN/abstract/abstract106.shtml?utm\_source=chatgpt.com

也就是说,至少在部分历史时期,低价股确实表现出了一些值得研究的收益特征。

但这里有一个问题。

股价低,不等于公司真的便宜。

一只3元的股票,不一定比30元的股票更值得买。

有些股票价格低,可能是因为公司经营出现了问题;有些则可能同时具有小市值、高波动等特征。

所以,过去观察到的收益,究竟来自股价低,还是其他因素?

而且,过去的规律,今天还有效吗?

如果不看公司的盈利,不看估值,只按照每股价格高低来选股票,长期下来到底能不能赚钱?

为了找到这个问题的答案

02|第一次实验:只买价格最低的50只股票

我们的第一版策略非常简单。

从全A股中,每个月选出股价最低的50只股票。

按照相同权重配置,每个月调整一次。

初始资金100万元,目标仓位95%。

回测从2017年开始,一直到2026年10月底。

为了让你也能体验一下这个策略的快乐

我把提示词也整理出来 放在这里。

“ 帮我生成一个策略,要求为

1.每月最后一个交易日收盘后,取得当时股票池的未复权收盘价。

2.按价格从低到高排序,取前50名,再筛选收盘价大于2元的股票。

3.剔除当时为ST、停牌、退市状态及上市不足一年的股票,过滤后不补足50只。

4.下个月首个交易日开盘等权买入;月内不主动调整,月末最后一个交易日收盘按预定日历规则卖出,再进行下一轮选股。”

操作也简单,和evo助手对话之后,点击运行。

结果出来了。

累计收益102.40%。

年化收益7.74%。

也就是说,在这段历史回测中,100万最终变成了大约202万。

看起来还不错。

但这个结果究竟算好还是不好?

我们把同期沪深300放进来比较。

这套策略累计收益102.40%,而同期沪深300为19.25%。

也就是说,在这段历史回测里,这套低价股策略确实跑赢了沪深300。

这让我们觉得,它值得继续研究。

不过,继续看净值曲线和月度收益热力图,我们又发现了一个问题。

这张图可以快速看清"钱是哪些月份赚的、哪些月份亏的、有没有季节性规律"

灰色表示亏钱,橙色表示赚钱。

这张图就知道收益非常不稳定,盈利集中在少数月份,同时存在连续亏损和大幅回撤的风险。

虽然策略长期累计收益为正,但收益并不是每个月都稳定增长。

有些月份出现明显上涨,也有连续亏损的阶段。

尤其是2017年到2020年,策略整体表现比较低迷,之后才逐渐拉开了与沪深300的差距。

再看风险指标。

最大回撤39.53%。

夏普比率只有0.31。

这说明,虽然策略在这段历史中跑赢了基准,但它的风险调整后收益仍有改善空间。

那么,我们能不能保留低价股的收益机会,同时让组合的表现更好一些?

我们决定先从最简单的地方入手。

03|加入小市值条件,收益突然提高了

原来的策略,每个月只选择价格最低的50只股票。

但50只股票,会不会让组合过于依赖其中少数股票的表现?

如果我们把范围扩大到200只,增加分散程度,结果会不会有所改善?

于是,我们在 PandaAI EVO 中修改选股条件。

我们尝试着和evo的研究助手说“帮我把选股数量从50只改为200只,其余条件保持不变”

重新运行回测。

结果呢?

年化收益从7.74%提高到了8.55%。

最大回撤从39.53%下降到了37.16%。

收益稍微高了一点,回撤也小了一点。

但是月度胜率反而从49.2%下降到了47.5%。

这说明,在这次测试中,扩大选股范围改善了部分收益和风险指标,却没有让赚钱的月份变得更多。

不过,这点改善还不足以让我们满意。

于是,我们想到一个新问题。

在A股中,大部分低价股都是相对来说市值比较低的小市值股

低价股的表现,会不会和公司市值有关?

04|第二次优化:加入一个条件,收益突然上去了

带着这个想法,

这次,我们在价格最低200只股票的基础上,再增加一个条件。

和evo研究助手说

“在此基础上,再加上一个筛选条件,市值也必须是最小的200只股票,其他条件保持不变”

然后取两个股票池的交集。

简单来说,就是既要股价低,又要市值小。

再跑一次。

结果出来以后,我们有点意外。

年化收益:

17.70%。

累计收益:

366.93%。

100万初始资金,在这段历史回测中,最终变成了大约467万。

相比刚才的版本,收益提高了很多。

难道我们终于找到了低价股策略的关键?

别急。

再看最大回撤。

55.76%。

也就是说,收益确实提高了,但过程中出现的亏损幅度也明显扩大。

而当我们继续检查策略的持仓日志时,又发现了一个更值得注意的问题。

第三版目标股票数量的中位数,竟然只有5只。

有些时候甚至只有1到3只。

这意味着,策略的收益可能受到少数股票表现的很大影响。

为什么?

因为价格最低的200只股票,和市值最小的200只股票,并不是同一批股票。

两个条件取交集以后,真正符合要求的股票可能非常少。

这就意味着,虽然我们设置了两个200只的筛选范围,最终组合却可能高度集中。

从回测风险模块中,也能看到集中持仓的相关指标。

从回测风险模块中,也能看到集中持仓的相关指标。

可以看到看出来整个时期前前十大集中度92.4%,也就是一直在集中持仓。

这提醒了我们一件事:

增加一个筛选条件,不只是改变股票特征,也可能改变整个组合的持仓结构。

所以,收益提高以后,我们不能只看最终赚了多少钱。

还要检查,这个结果是怎么产生的。

那么,如果我们保留低价和小市值两个特征,但不把股票池限制得这么小,结果会不会更合理?

——

所以,我们决定再调整一次。

的筛选范围都扩大到全市场的前20%,再取交集。

这一次,我们不再固定选择价格最低200只和市值最小200只股票。

而是把两个范围都扩大到全市场的前20%,再取交集。

收益少了一些,组合也不再那么集中。

但到这里,我们发现:

只调整选股数量,可能还不够。真正需要弄清楚的是,这套策略的收益究竟来自哪里。

04|深入研究:到底是什么让这套策略赚钱?

这次,我们没有继续盲目添加选股条件。

而是让 EVO 对第四版策略进行收益归因。

这里我们想回答三个问题。

第一,策略赚的钱,有多少来自市场整体上涨?

第二,有多少来自股票共同的风格特征?

第三,还有哪些收益,是现有归因模型没有解释清楚的?

这张图可能不太容易理解。

所以,我们直接让 EVO 研究助手帮我们解读。

易成本9.40个百分点后形成(加总有四舍五入差异)。

结果发现:

这套策略的收益,并不只是来自市场整体上涨。

在归因模型中,股票风格特征带来了比较明显的正向贡献。

除此之外,还有一部分收益,暂时无法被市场、行业和模型中的风格因素解释。

但这里要注意。

归因模型中没有解释的收益,并不代表我们已经找到了稳定有效的Alpha。

它只是告诉我们,还有一些收益来源需要继续研究。

同时我们打开 EVO 的市场适应性分析。

【适应性模块】

结果有些出乎意料。

按照平台的市场状态标签分组,这套策略在标记为“熊市”的交易日组中,表现反而比“牛市”和“震荡”组更好。

这和我们最初的直觉并不完全一样。

不过,需要特别说明:

这里统计的是分散在不同年份的分类交易日,并不是一段完整、连续的熊市。

所以不能据此得出“熊市买低价股更赚钱”的结论。

但它至少给我们提供了一个新的研究方向。

低价、小市值策略的表现,会不会和市场风格的变化有关?

06|下一步:能不能把策略真正改好?

目前,我们已经完成了四个选股版本的回测,并进一步分析了收益来源、市场适应性和样本外表现。

但这还不是研究的终点。

接下来,我认为最值得验证的是两个方向。

第一,单独研究小市值策略。

看看低价这个条件,到底有没有带来额外的价值。

第二,尝试根据事前能够观察到的市场信号,建立一个风险控制版本。

例如,在特定的不利市场环境下,是否可以降低策略仓位?

然后再比较修改前后的收益、回撤和样本外表现。

当然,这些目前还是研究假设,我们还没有得到验证结果。

但这恰恰是使用 PandaAI EVO 做策略研究的意义。

从一个简单想法出发。

把它变成策略。

通过历史回测观察结果。

再分析收益、回撤、持仓集中度和不同年份的表现。

最后,不断提出新的问题。

当然,历史回测不代表未来收益,AI生成的策略也需要研究者检查和验证。

但至少,我们可以不再只被一个漂亮的收益数字吸引。

而是认真问一句:

这笔钱,到底是怎么赚来的?又需要承担什么代价?

如果你也有一直想验证的交易思路,不妨试着用 PandaAI EVO,把它变成一个可以持续研究的策略。

评论

还没有评论,来说点什么吧
0 / 2000