数量化选股系列研究：最优梯度选股策略

　　联合证券 谢江

　　在美国有多家提供数量化选股投资建议的咨询公司或者独立研究机构，多因素数量选股模型已经成为投资领域一个重要的研究手段。几十年来已经有众多的投资机构、咨询公司致力于提供数量化的选股策略、投资服务，其中有属于卖方的国际大投行(比如摩根斯坦利，美林等等)，也有独立的研究机构，比如Columbine Capital Services，Thomas WhiteInternational, Channel Trend, Ford Equity Research，Ativo Research等等。

　　本文研究一种最优梯度(Gradient Maximization)的优化方法(来自Columbine Capital Services)在数量化选股策略中的应用，最优梯度法基于线性因素模型，主要通过最优化方法搜索最优的权重配比，使得最优

　　一，最优梯度模型

　　在成熟市场中，数量化的选股策略及投资组合构建方法已经成为一个重要的领域。几十年来已经有众多的投资机构、咨询公司致力于提供数量化的选股、投资服务，其中有属于卖方的国际大投行(比如摩根斯坦利，美林等等)，也有独立的研究机构，比如Columbine Capital Services，Thomas White International, ChannelTrend, Ford Equity Research，Ativo Research等等。同时也有Inverstars.com网站定期对这些专业的数量化选股投资咨询服务进行评级。

　　本文主要研究Columbine Capital Services的数量化选股方法(John Brush原创设计)，即股票筛选评级中的最优梯度(Gradient Maximization)方法。ColumbineCapital Services的数量化选股方法在同类的数量化选股策略中有优异表现，其数量化模型也是来自成熟的美国市场，经过了长时间的实践检验，证明是一种值得参考的股票筛选评级方式和投资组合构造方法。

　　1.1.基本假设

　　市场中，股票的表现受各种因素的影响，包括公司基本面数据、市场数据、行业情况、宏观经济等等方面。一直以来，投资者也普遍采用多因素模型来评判一家公司的优劣。同时，多因素线性模型的评判也成为主要的股票筛选方式。就像以下公式一样，我们主要认为一家公司未来的表现(或评级)与其自身相关的各个因素是线性相关的。以下为股票评级的简要模型：

　　1.2.线性模型

　　最为直观、简洁、合乎逻辑的股票评价方式就是线性的评估办法，亦即上文提到的线性因素模型，这也与我们直观观察世界的方式相符。最为简单直接的评估方式就是认为各种因素对股票的影响有同等的作用，亦即通常采用的等权综合评估方法(Equally-Weighted Composite Scoring Method)。综合评估法是一种经验判断的方法，同时也可以认为是一种基准的评价方式。另外一种采用得比较多的方式就是回归的方式(Regression Methods)，亦即认为过往的历史表现可以预测未来的股票走势(或评级)，而历史与未来之间也存在某种关联的关系。在这两种股票评级方式下，依据各指标及其权重，从而得出股票评级。我们依次将股票排序，选取等级最好的股票构造等比例的组合，以此考察选股策略是否有效。

　　1.3.最优梯度法

　　最优梯度法仍然是基于以上所说的线性因素模型，主要通过最优化方法搜索各个指标最优的权重配比，并且使得最优股票构造的投资组合收益或其他指标最大化，此过程实际上是非线性的最优化搜索方式。此策略的主要步骤为：

　　(1)对各指标分别进行排序，分为10个等级(或自行设定)。

　　(2)随机分配初始权重，求取个股的加权得分，选取得分最高的1/5(或其他比例)的股票构造等比例投资组合。我们的目标就是使得此等比例投资组合的收益或者其他指标最大化(比如信息比率等)。

　　(3)在初始权重的附近进行小范围的搜索，比如，分别对每一个因素的权重增加或者减少20%，然后求取个股的加权得分，选取最好的1/5(或其他比例)的股票构造等比例投资组合，并判断此投资组合的收益率是否比初始权重所得结果有所增加。这一步也叫局部搜索，以此探寻增加投资组合收益(或其他指标)的最优梯度方向。

　　(4)在局部搜索中所确定的梯度方向，进行更进一步的搜索，而投资组合的收益率(或其他指标)也会先上升后下降。而在收益高点位置，此时对应的权重即为一个新的局部最优点。

　　(5)在新的局部最优点，再次重复步骤(3)、(4)的搜索，直到没有更进一步的改善，从而得到一个更好的权重比例。为了搜索到最优的权重比例，我们需要多次重复步骤(2)、(3)、(4)、(5)等运算过程，以找到最优的权重配比。

　　需要指出的是，在最优梯度法的应用中，我们的搜索目标可以是极大也可以是极小的。比如说，我们试图搜索最优的权重配比，使得投资组合的总收益最大；我们也可以试图搜索最优的权重配比，使得投资组合的风险最小；等等。目标的确定取决于投资者的意图，一般而言可以选取风险、收益为目标，或者以两者之间取得平衡为目的。

　　1.4.优点

　　最优梯度方法自动探寻个股指标与投资组合收益之间的最佳关系，同时对股票进行等级评估，找出最佳股票。在此种最优的搜索中，我们还可以添加各种约束条件，例如权重比例限制等等。比方说有价值和成长两类指标，我们同等看重价值和成长指标，那么我们可以在最优梯度搜索中要求价值和成长指标的比重均等。我们还可以添加其他各种约束。因此最优梯度法比一般的综合得分法和回归法要灵活一些，适应性强一些。

　　二，模拟效果

　　我们在此仅以机械制造行业(申银万国行业分类)为例，采用最优梯度选股策略进行模拟测试。此测试不考虑交易成本。

　　2.1.价值与成长指标

　　为简化起见，我们分别选取两类指标，即价值指标和成长指标。其中，

　　价值指标包括(1) E/P，(2) B/P, (3) CF/P，分别记为f1,f2,f3；

　　成长指标包括(4)△P/P,即12个月动量指标，(5)△ES/P,即一年期每股收益增长与价格之比，(6)△EL/P，即两年期每股收益增长与价格之比，分别记为f4,f5,f6。

　　我们分别考虑对价值指标和成长指标的比重(1)不加限制和(2)比重均等这两种情况。

　　2.2.模拟参数

　　样本内区间为2001年5月至2004年4月，样本外区间为2004年5月至2007年4月。在模拟测试中，我们均采用月度数据，每个月度进行一次股票排序，选取最好的1/5股票构建一次投资组合，个股比重均等，使得样本内投资组合的总收益(TR)或者信息比例(IR)最大。在搜索最优权重时，我们采用3年的数据作为分析区间。在样本外，每一年均重新采用最优梯度法搜索一次最佳比重。

　　2.3.投资组合的总收益(TR)最大化

　　从模拟结果来看，在样本外测试区间，不考虑价值与成长指标之间的比例关系时，最优梯度法(GM)筛选出的投资组合总收益优于上证指数的表现，也优于一般的综合得分法(CSM)和回归法(RM)的表现，同时也优于行业的平均表现(Mean)(即行业内所有股票同等比例构成的投资组合)。

　　不同年份里，各个指标的比重也在发生变化。比如，设定价值与成长指标比重均等时，f1(即E/P)，f3(CF/P)等指标的权重逐渐增加；而f5,f6两指标的比重较低而且不太稳定；动量指标的比重明显，存在较强的动量特征。

　　图4、指标权重的变化(价值与成长指标权重均等)

　　2.4.投资组合的信息比率(IR)最大化

　　投资组合的信息比率(Information Ratio)定义为

　　在04，05年度，最优梯度法所得投资组合的收益率优于其他方法所得结果，而在06-07年度，表现稍逊。

　　2.5.信息同步更新的重要性

　　多因素模型依赖于公司的基本面情况，在价值与成长两方面发掘公司内在的动力。市场信息的快速更新，相应得评估也需要更新。从数据上我们注意到，07年第一季度以来，市场走势迅猛，以至于最优梯度法所筛选的投资组合表现落后于其他方式，不排除市场理性减弱的影响。从其他测试中，我们也发现类似的现象，因此可能也可以作出部分股票已经偏离其真实价值的判断。

　　这里的测试中，最优梯度法评估指标权重的频率是每年一次，回归法(RM)每月对指标权重进行一次评估，更新得越快可以更迅速地抓住市场的信息(比如我们采用的动量指标，以及价值指标的变化)。从06年5月份到07年4月份，总体看来，最优梯度法的月度收益大于回归法(RM)月度收益的比例接近60%。在提高最优梯度法的评估频率后，应该会有更好的效果。

　　三，一点总结

　　最优梯度法是一种数量化选股策略，目的是为了探寻最佳的指标权重配比，以此筛选出最佳的股票，同时构建最佳的投资组合。此类最优化方法通过大量的计算，找出数据之间的内在关系。因此，也可以作为较为复杂的数量化选股的一把利器。最优梯度法经过多年的市场实践，已经有优异的表现。

　　但是我们也可以看到，由于需要进行复杂的优化算法计算，要成功运用此方法，就需要有很强的优化算法和程序编写的设计能力，以及良好的数据处理能力。