本文设计了一个能长期跑赢沪深300指数的screen。并通过回测观察了该screen在不同市场环境下的表现。对基于价值的股票投资有一定的指导意义。
量化的第一步通常是确定投资标的池，面对几千只股票，通过初步的筛选，哪些是符合标准并进入池子中。这步工作不太可能人工完成，因为数量实在太大。那么，接下来一个问题的我该如何设计一个screening？这就涉及到你的投资风格问题了，通常来说，有如下这些风格：
- 价值股投资；格雷厄姆，巴菲特都是祖师爷。
- 成长股投资；贵有贵的道理。。。
- 趋势投资；顺势而为。
- 逆向投资；人弃我取。
- 跟投；别人投啥我投啥，比如跟踪外资策略。
- 。。。
我比较认同价值投资，因此就基于价值投资的理念，设计一个screening。顺便扯一下题外话，买P/E是100倍的股票未必就不是价值投资。价值投资的本质上还是看买入的价格是否低于内在价值，言归正传。既然目标是做一个价值投资的screen，那就来明确一下该目标背后的含义。我希望通过该screen，找到被错误定价的公司，即被低估的公司，价格便宜，但没有明显的负面因素造成这种低估，例如高风险，低增长，或低质量的增长（需要很高的资本投入等）。换句话说，我希望找到一组股票，在低价格乘数（multiples）区间交易（e.g.低P/E），公司风险低，有高的增长，并且增长的质量好。这么写出来是不是觉得在做梦啊？！Too good to be true！这就对了，凭啥赚钱那么容易？！你都觉得不可能了说明市场其实在大部分时间还是有效的！但是，虽然觉得概率低，试着找找看这样的股票也没啥坏处，指不定就真在地上找到了皮夹子。
Screen 维度
接下来我就从下面几个维度开始设计screening：
- 价格
- 风险
- 成长性
- 成长质量
Screen for price
衡量价格一般用价格乘数，相关指标有很多，最常用的P/E，P/B。需要指出一个大原则，如下图所示：
即分子与分母从财务角度必须一致，如果分子是equity value，那分母也必须是equity value。同样，如果分子是enterprise value，那分母也必须是enterprise value。举例来说，P/E 是满足一致性要求的，P（price）是equity value，E(earning, net income)也是equity value。
由于不同行业有其自身的特征，比如有些行业杠杆率高，为了实现跨行业的可比性，我使用enterprise value 乘数： EV / EBIT。其中：
- EV = enterprise value = market value of equity + interest-bearing debt - cash
- EBIT，息税前利润。
有了价格乘数，那么接下来一个问题是：如何算是便宜？可以有两种方式：
- 绝对，设定一个具体的EV / EBIT 标准，超过了就算贵。
- 相对，对所有股票EV / EBIT 进行排序，设定一个百分比，比如top 33% 算贵。
我倾向使用相对方式进行screening。因为，格雷厄姆时代的标准放到今天可能就找不到股票了。
Screen for risk
Risk 可以分为：
- Operating risk，主要是从公司经营角度出发，影响营收或公司正常用作的风险
- Financial risk, 从财务角度出发，例如债务
- Liquidity risk，主要从股票持有人变现角度出发，如买卖spread，公司停牌之类
对于设计Screen来说，一般比较容易做的是：
- 基于价格：如股票的beta，或是standard deviation for returns。
- 基于会计：根据财务报表上的数据进行分析，例如公司偿债能力。
从债务杠杆出发，选用book debt-to-equity ratio作为风险度量。当然，并非说债务高就一定不好。但是，“这个世界上没有无缘无故的狠”，便宜的股票通常在财务上面临压力，因此，在此前提下，债务越低越安全。之所以没有使用market value来计算debt-to-equity ratio是因为market value of equity其实是price的一种度量，而EV / EBIT已经度量了价格。
除了考虑债务杠杆的绝对值，在加入债务杠杆的变化：
Change in book D/E = Current year’s D/E - prior year’s D/E
收入容易被操控，因此是一个需要小心的地方。如果net income大于cash flow from operatinos，那么就有可能是一个不好的信号。使用以下指标：
ACCRUAL = (NI-CFO)/TA
其中：
- NI = net income before extraordinary items
- CFO = cash flow from operations
- TA = total assets
Screen for growth
对于增长我没有太多好的想法，使用一致性预期应该是一个不错的选择，但是，并非每只股票都有一致性预期，尤其是不受待见的问题股票。因此，我就简单用Revenue growth了：
Revenue growth = Current year’s Revenue / Prior years’s Revenue - 1
这里，我还想加入一个技术指标用来表示增长：Momentum，使用3个月的股票价格的return：
M3M = 3-Month price change
Screen for quality of growth
我希望入围的公司不光有增长，而且增长的质量比较高。比如，不用靠很高的资本支出。对于这个Screen，我使用return on invested capital （ROIC）。
ROIC = EBIT(1-t) / (Book value of equity + book value of debt - cash)
进一步，不光考虑ROIC的绝对水平，还进一步考虑ROIC的变化：
Change in ROIC = Current year’s ROIC - prior year’s ROIC
总结一下，我用了一下这些条件对股票进行过滤：
- Price
- EV / EBIT
- Risk
- book debt-to-equity ratio
- Change in book D/E
- ACCRUAL = (NI-CFO)/TA
- Growth
- Revenue growth
- M3M = 3-Month price change
- Quality
- ROIC
- Change in ROIC
一共8个过滤条件。
两种不同的过滤方式
如何使用这8个条件进行筛选并获得目标股票池？一种方式是顺序过滤。根据重要性将条件排序。比如，我觉得股票是否便宜是最重要的，那么就将EV / EBIT排在第一位，用这个条件将所有股票进行排序，然后选择top 50%，然后接下来再用次重要的条件对入围的股票再进行排序，依次完成所有的条件。但是，这么做有几个问题：
- 如果某两个或多个条件具有相同的重要性，你必须给定一个顺序，这样造成的结果就是会过滤掉你希望保留的股票。
- 最后可能没有满足条件的股票，或结果集的数量太少了。
为了解决以上问题，可以使用多条件并行过滤（simultaneous screening）的方法：
- 首先将每个条件的值进行标准化处理 — Z-Score
- 将各个条件的z-score值按照一定的权重加总
- 根据加总后值进行排序，获得过滤结果
这里需要注意的地方是：
- 对条件值进行标准化处理可以有多种方法，我选用z-score。这步是必须的，否则不同的条件值之间的数量级会有很大的差别。汇总后，那些值很大的条件就会对结果产生更大的影响
- 不同条件z-score的方向应该有相同的影响。比如，z-score大，代表有正面影响，反之则有负面影响
模型实现
到了这步就要拿出我码农的本色！开始撸数据，写代码。目标就是计算出每只股票在对应条件上的z-score。其实，最大的挑战还是数据，包括获取数据，清理数据以及处理outlier。具体细节没必要放在这里（此处省略240行代码。。。）。我主要做以下工作：
- 工具方面，基本就是python了，利用numpy，pandas来存储加工数据
- 数据利用的是ricequant平台，不得不说，他们在数据的二次加工上做的挺完善，基本上你想要的股票基本面数据他们都提供了。这就极大简化了数据处理的工作，至于数据是否准确，还需要观察一段时间
- 扫描全部A股。确保股票至少上市3年才进入我的筛选范围
- 对于EBIT < 0的股票不考虑，虽说EBIT < 0不代表这支股票不好，但是，由于我这里的策略还是基于value，而EBIT < 0 的股票有可能是成长型公司，或是公司经营出了问题。另外，如果EBIT < 0，那么EV / EBIT就变得没有意义
- 对于outlier，我的定义是z-score > 3 或 z-score < -3，发现outlier，我并不是简单做删除处理，而是将outlier设置成3或-3
- 剔除了所有的金融股票，包括银行和非银，原因很简单，你很难定义什么是他们的debt，就更不用说interesting bearing debt了，那该怎么计算他们的debt to equity ratio呢？
下图所示是数据处理完的结果：
上半部分cleaned_df是所有股票的条件值的计算结果，下半部分则是将其转化成了z-score。至此z-score都已计算完成。
z-score权重
有了各个条件上z-core，那么接下来我需要加总求和。如何求和？也就是每个条件上z-score对应的权重是多少？这个权重该如何确定？
最简单的方法：等权重求和了！虽说是简单粗暴，但是，等权重也是有一个明显的好处，那就避免了overfitting！因此是一个不错的benchmark，以后对z-score权重的优化都可以同这个等权重benchmark做比较。再强调一下，每个条件上的z-score在求和的时候必须保证同方向，因此求和操作应如下：
SUM of Z-Score =
- minus EV / EBIT
- minus book debt-to-equity ratio
- minus Change in book D/E
- minus (NI-CFO)/TA
- plus Revenue growth
- plus M3M
- plus ROIC
- plus Change in ROIC
下表显示了排名前50的股票：
| label | z_score_sum | symbol | industry_code | industry_name |
|---|---|---|---|---|
| 300677.XSHE | 10.716210 | 英科医疗 | C29 | 橡胶和塑料制品业 |
| 002869.XSHE | 7.475962 | 金溢科技 | C39 | 计算机、通信和其他电子设备制造业 |
| 600421.XSHG | 7.123312 | ST仰帆 | C34 | 通用设备制造业 |
| 002164.XSHE | 7.034439 | 宁波东力 | C35 | 专用设备制造业 |
| 601020.XSHG | 6.866158 | 华钰矿业 | B09 | 有色金属矿采选业 |
| 002838.XSHE | 6.495545 | 道恩股份 | C29 | 橡胶和塑料制品业 |
| 300552.XSHE | 6.002087 | 万集科技 | I65 | 软件和信息技术服务业 |
| 002124.XSHE | 5.956577 | 天邦股份 | C13 | 农副食品加工业 |
| 603606.XSHG | 5.861706 | 东方电缆 | C38 | 电气机械和器材制造业 |
| 002289.XSHE | 5.485774 | ST宇顺 | C39 | 计算机、通信和其他电子设备制造业 |
| 000048.XSHE | 5.417372 | 京基智农 | C13 | 农副食品加工业 |
| 002286.XSHE | 5.285237 | 保龄宝 | C13 | 农副食品加工业 |
| 300464.XSHE | 4.960576 | 星徽精密 | F52 | 零售业 |
| 603129.XSHG | 4.847436 | 春风动力 | C37 | 铁路、船舶、航空航天和其他运输设备制造业 |
| 300056.XSHE | 4.837722 | 中创环保 | C35 | 专用设备制造业 |
| 600652.XSHG | 4.782898 | ST游久 | I64 | 互联网和相关服务 |
| 002216.XSHE | 4.725449 | 三全食品 | C14 | 食品制造业 |
| 300246.XSHE | 4.653786 | 宝莱特 | C35 | 专用设备制造业 |
| 002714.XSHE | 4.440177 | 牧原股份 | A03 | 畜牧业 |
| 600132.XSHG | 4.402648 | 重庆啤酒 | C15 | 酒、饮料和精制茶制造业 |
| 002030.XSHE | 4.378498 | 达安基因 | C27 | 医药制造业 |
| 300274.XSHE | 4.367707 | 阳光电源 | C38 | 电气机械和器材制造业 |
| 002555.XSHE | 4.361072 | 三七互娱 | I64 | 互联网和相关服务 |
| 002677.XSHE | 4.335123 | 浙江美大 | C38 | 电气机械和器材制造业 |
| 300103.XSHE | 4.327513 | 达刚控股 | N77 | 生态保护和环境治理业 |
| 002312.XSHE | 4.320156 | 三泰控股 | C26 | 化学原料及化学制品制造业 |
| 601633.XSHG | 4.311244 | 长城汽车 | C36 | 汽车制造业 |
| 300225.XSHE | 4.307500 | 金力泰 | C26 | 化学原料及化学制品制造业 |
| 300676.XSHE | 4.304628 | 华大基因 | M74 | 专业技术服务业 |
| 603416.XSHG | 4.267281 | 信捷电气 | C40 | 仪器仪表制造业 |
| 603338.XSHG | 4.231131 | 浙江鼎力 | C35 | 专用设备制造业 |
| 300435.XSHE | 4.172462 | 中泰股份 | D45 | 燃气生产和供应业 |
| 603906.XSHG | 4.095128 | 龙蟠科技 | C26 | 化学原料及化学制品制造业 |
| 002285.XSHE | 4.074116 | 世联行 | K70 | 房地产业 |
| 300411.XSHE | 4.064889 | 金盾股份 | C34 | 通用设备制造业 |
| 000913.XSHE | 4.055015 | 钱江摩托 | C37 | 铁路、船舶、航空航天和其他运输设备制造业 |
| 002735.XSHE | 4.049436 | 王子新材 | C29 | 橡胶和塑料制品业 |
| 603877.XSHG | 3.998039 | 太平鸟 | C18 | 纺织服装、服饰业 |
| 601216.XSHG | 3.992290 | 君正集团 | C26 | 化学原料及化学制品制造业 |
| 002706.XSHE | 3.991975 | 良信电器 | C38 | 电气机械和器材制造业 |
| 603787.XSHG | 3.990077 | 新日股份 | C37 | 铁路、船舶、航空航天和其他运输设备制造业 |
| 000897.XSHE | 3.988275 | 津滨发展 | K70 | 房地产业 |
| 601012.XSHG | 3.951803 | 隆基股份 | C30 | 非金属矿物制品业 |
| 603960.XSHG | 3.926110 | 克来机电 | C35 | 专用设备制造业 |
| 002730.XSHE | 3.869764 | 电光科技 | C35 | 专用设备制造业 |
| 002569.XSHE | 3.842822 | ST步森 | C18 | 纺织服装、服饰业 |
| 601069.XSHG | 3.841323 | 西部黄金 | B09 | 有色金属矿采选业 |
| 002568.XSHE | 3.825067 | 百润股份 | C15 | 酒、饮料和精制茶制造业 |
| 300405.XSHE | 3.803350 | 科隆股份 | C26 | 化学原料及化学制品制造业 |
| 002833.XSHE | 3.783292 | 弘亚数控 | C35 | 专用设备制造业 |
新鲜出炉啊~~~这是根据2020年Q3财报产生的结果。
回测
回测其实更为繁琐，借助RQAlpha框架，真的是极大的降低了工作量（此处又省略了296行代码。。。）。在本篇中，我只用最简单粗暴的方式进行回测，不做任何的优化。说一下我在回测过程中做了哪些处理：
- 在构建portfolio时，直接用aggregate z-score为top 50的股票；也就是说没有太多考虑分散投资，在下一篇，我会根据行业构建一个相对分散投资的portfolio。
- 使用等权重资金投资到每个股票，也就是说，有50只股票，将资金等分成50份，每份投资一只股票。如果以后做优化的话，可以考虑risk parity方法，或根据每只股票的预期收益，做MVO。我觉得sharpe ratio应该是可以提高不少。
- 在回测的过程中考虑forward looking bias。由于国内财报的披露时间为：
- 1季报：每年4月1日——4月30日。
- 2季报（中报）：每年7月1日——8月31日。
- 3季报： 每年10月1日——10月31日
因此我在回测的过程中，定义获取财报的时间分别为： - 1季报：4月30日以后的第一个交易日。
- 2季报（中报）：8月31日以后的第一个交易日。
- 3季报： 10月31日以后的第一个交易日。
- 每年做3次rebalance，分别对应以上三个财报季。rebalance方式也是简单粗暴，第一步全部卖出，第二步再以等权重方式买入新入围的50只股票。因此将来，这步也是有很多的优化可以做。
- 考虑了survival bias，比如，我从2015年6月12日开始回测，那我会以当时股票市场的全部股票作为我的pool，并以此进行screening（而非今天市场上的全部股票）。而当时的股票到今天可能已经退市了！因此用这种方式进行回测能避免survival bias。
下面上结果，我先用2年时长进行回测（2018-9-25到2020-9-25）：
- 基准是沪深300指数
- 深红色是screen的净值曲线，蓝色是基准，黄色是超额收益
- 2年的周期最后是跑赢了基准！但是，有超过1年多的时间是落后基准，这里想表达的意思是，使用这个screen（包括其他策略）需要有一个相对长期的预期，不能期望时时刻刻都能跑赢基准
- 整体来说和沪深300的相关性很高，beta=0.9。screen的收益是46.66%，基准的收益是33.734%。作为未经任何优化的screen能取得这样的结果还是有点出乎我的意料
然后，我想看看2015年股灾后的表现，用了一个很极端的场景：从2015-6-12开始回测，也就是从股灾的顶点开始，一直到2020-9-25。我想看看，这个策略在股灾巨幅下跌时的表现，以及需要多久能重新回到原点。如下图所示：
- 首先这段回测超过5年。从刚开始那段暴跌看，似乎screen也没有表现出抗跌的特点，但有意思的是，在其后的反弹过程中大幅跑赢了基准
- 最终的结果看screen不仅收复了所有的下跌，还获得了7.288%的收益，而沪深300还亏损了13.88%！其实不能觉得5年多才7.288%，要知道这是很极端的情况，也就是你在泡沫的顶点开始投资！因此对screen的表现也觉得挺不错！
- 还有一点比较有意思，就是沪深300代表的大盘股从2016年2月开始稳步上涨一直到2018年1月，而screen在这段时间一直没有表现，甚至在行情结束时被反超。因此，要坚持策略也需要有个强大的内心！
- 这里beta只有0.8，我觉得是一个好现象，长期来看同沪深300的相关性变低了
聊一聊下一步打算，我会对这个screen做进一步的优化：
- 在计算aggregate z-score时，不是简单粗暴的使用等权重
- 在构建portfolio时，不是简单的选择aggregate z-score为top n的那些股票，而是考虑如何做好分散。因为排在前面的股票可能会集中在某几个行业，这样，你的portfolio就太集中了
- 对screen做一些风格方面的调整，比如，我就想追求绝对便宜，那么可以试一下先根据 EV / EBIT 剔除掉最贵的50%的股票，然后在余下的50%里面做aggregate z-score
- rebalance时是否需要将股票全部换掉？可以考虑每次换出aggregate z-score最低的几只股票，并补充新的高分股票等等。。。
这些测试我将放在下一篇。感觉本篇内容足够干货了! 等以上优化完成以后，我打算在雪球上以此建一个portfolio，作为benchmark长期跟踪，并能分享给有兴趣的朋友。
总结
最后，想谈谈使用各种类型的screen是否能击败市场获取超额收益。从经验上看是存在这个可能的，比如本文的screen，还有如Joel Greenblatt的神奇公式（更简单）长期也能跑赢SP500。但是，光是这样的跑赢是否足够，我们是否可以要求的更多？我比较认同Damodaran的观点，他认为作为一个投资者，你必须得有一些独特的东西（核心竞争力）才能在这个市场上获得超额收益。换句话说，就好像我们看公司会看它是不是有护城河，那么作为个人投资者，你需要考虑你的竞争优势在哪里。当格雷厄姆在1951年使用screen时，screen可以看作是一种竞争优势，因为：
- 首先，要做一个screen在当时并不容易。那个时代，要获取大量公司的财报，并且还得有自动化的工具来分析数据，对于普通投资者来说是一件相当难的事情，只有极少数实力强悍的投资者才具备这样的能力。
- 其次，是纪律性，投资者必须让自己远离各种诱惑和潮流，并始终如一的关注screen产生的股票。
- 第三，是耐心，投资者必须长期持有screen产生的股票才能获得理想的收益（这同本文的回测结果是相符的）
今天，人们有各种途径获得股票数据，还有无数的分析工具。因此第一种优势几乎不存在了，（这里我想多说一句，在这一点上我不太认同，个人感觉，第一种优势在当今可能还是发挥着比较关键的作用，因为高质量的数据通常不会免费，所以仅此一点，就挡住了绝大部分的散户。其次是技术的使用，有多少投资人懂得python，甚至能熟练使用excel？）那么就剩下纪律和耐心作为你潜在的竞争优势。可以说，自动化的screening以及投资流程可以做到不需要人工介入，因此，这样一套系统从受到情绪化影响的角度来看，即使同最有纪律性且耐心的人来比，也明显胜出一大截！更直白的说，作为一个主动投资者，如果说所有你能拿得出手的东西仅仅是screen，那你基本不太可能打败机器。除了用screen武装自己外，你是否能赚到钱还取决于你在screen之后所做工作的质量。如果你在分析股票内在价值或定性研究方面有所专长，你也许能获取更高超额收益。
参考文献：
- Joseph D. Piotroski. Value Investing: The use of historical financial statement information to separate winners from losers. Journal of accounting Research Vol. 38 Supplement 2000
- Ludwig B. Chincarini, Daehwan Kim. Quantitative Equity Portfolio Management . P89-179
- Aswath Damodaran. Passive Value investing Screening for bargains. https://aswathdamodaran.blogspot.com/2012/06/passive-value-investing-screening-for.html