量化投资 on 云栖之处

优质基本面高股息小市值策略

Tue, 28 Apr 2026 00:00:00 +0000

背景：为什么高股息在当下更“像避风港”

A 股很长一段时间呈现“存量资金博弈”的特征：资金在不同板块之间轮动，风险偏好下降时，更容易往高分红、高股息的方向靠。

一方面，高股息资产有“现金流安全垫”，在震荡期更容易被当作“防空洞”；另一方面，政策层面对分红约束的强化，也让市场对分红质量的关注度明显提高。

股价的两个驱动力：业绩与估值

用戴维斯框架可以很直观地解释股价波动：

股价 (Price) = 市盈率 (PE) × 每股收益 (EPS)

因此股价上涨通常来自两条路径：

业绩增长：EPS 上升，估值不变也能推升价格。
估值提升：PE 上升，即使 EPS 不变也能推升价格。

在流动性溢价不那么充裕的环境里，单纯依赖“估值扩张”的空间有限，能更抗打的往往还是基本面更扎实、业绩能托底的公司。

真金白银是什么：现金分红

EPS 终究是“账面收益”，受会计处理、应收、库存等因素影响，并不一定等价于真金白银。

对投资者更“确定”的回报，是能分到手的现金，也就是现金股利/分红。

金融教材里常用的股利贴现模型（Dividend Discount Model, DDM），本质上就是把股票价值理解为“未来分红现金流的折现和”。

两个现实助推：新“国九条”与“资产荒”

1) 新“国九条”强化分红约束

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》，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。加大对分红优质公司的激励力度，多措并举推动提高股息率。增强分红稳定性、持续性和可预期性，推动一年多次分红、预分红、春节前分红。”

交易所也配套推进了更强约束机制，把“分红不达标”与风险预警（ST）等措施挂钩。

2) “资产荒”让高股息更显眼

当稳定的无风险/低风险收益走低时，对比之下，股息率高几个点的股票自然更容易被重视。

长期稳定分红的公司往往需要更充沛、更稳定的现金流支持，其盈利质量与经营韧性通常也会更强。

策略思路：高股息 + 基本面筛选 + 小市值

实践下来，只靠“股息率”一个因子往往不够稳，容易踩到周期行业“景气高点股息高”的陷阱。

因此把它升级为一个“丐版 GARP（Growth at a Reasonable Price）”的选股框架：

分红/股息要更可靠：不只看当期股息率，更关注“持续性”（实现里常用滚动股息率近似）。
估值要合理：用 PE、PB 做约束，分红再香也别在高估值里“贪杯”。
成长要有一点：不追求高增长，但至少别是负增长，维持稳定性。
小市值偏好：在满足上述条件后，优先选择市值更小的标的（更偏向“性价比”和弹性）。

最后在“优质池”里，按股息率从高到低排序，取前 N 只等权持有。

规则落地：调仓与风控

调仓频率

每月第一个交易日调仓（也可改为周频/双周频，取决于交易成本与稳定性）。

股票池与过滤

按历史时点过滤：ST、停牌、退市等异常标的。
财务数据通常只能看到前一交易日，因此用 上一交易日财务数据 做决策，避免未来函数。

仓位与交易

默认每次持有 10 只股票。
等权分配资金，开盘附近成交（回测中需设置正常费率与滑点）。

回测概览

以 2013 年初至今、月度调仓、每次 10 只等权持有为例：

累计收益率：2541.22%
年化收益：29.23%
夏普率：1.22
最大回撤：28.75%

由于是纯多头策略，回撤不可能小；但因为持仓多为基本面较优的公司，整体持仓体验相对更“有底”。

这类策略的适用边界

高股息更像“防守”，但并不等于“低风险”，回撤仍然客观存在。
周期行业在景气高点容易出现“高股息陷阱”，必须配合估值与质量筛选。
参数（PE/PB 阈值、成长下限、持仓数、调仓频率）对结果敏感，建议用因子检验（IC/分组收益）再迭代。

小结

这套“优质基本面 + 高股息 + 小市值”的框架，核心不是追逐短期热度，而是用现金分红与基本面约束构建一个更偏防守的股票池，再用股息率与市值排序做最终选择。

它不一定是最锋利的进攻策略，但在小市值风格失效或风险偏好下降的阶段，往往能提供一个更稳的备选思路。

因子分析：从一个等权打分因子说起

Tue, 28 Apr 2026 00:00:00 +0000

这篇文章用一个非常朴素的“等权打分因子”作为例子，说明在 RQFactor 体系下如何理解因子检验结果：IC、IC 衰减、行业分布，以及分组收益/换手等指标。

一个简单的等权因子示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16


from rqfactor import *

def compute():
 """
 低估值 + 高质量 因子（作为小市值策略的代理）：
 - 低 PE：pe_ratio 越小越好 -> 取负再做横截面 zscore
 - 低 PB：pb_ratio 越小越好 -> 取负再做横截面 zscore
 - 高 ROE：return_on_equity 越大越好 -> 直接做横截面 zscore
 综合得分越大，表示“估值更低 + 质量更好”
 """
 value_pe = CS_ZSCORE(-Factor('pe_ratio'))
 value_pb = CS_ZSCORE(-Factor('pb_ratio'))
 quality = CS_ZSCORE(Factor('return_on_equity'))

 # 简单等权组合成一个因子
 return (value_pe + value_pb + quality) / 3.0

IC 统计指标

下面是一组示例输出，用来说明各字段的含义（具体数值取决于股票池、时间区间、调仓周期与预处理设置）。

指标	数值	解释	怎么看
IR	0.18	`mean / std`，衡量 IC 的稳定性和有效性，越大越好	综合强弱的首选指标之一。0.18 偏低，说明“有效性”被波动稀释，稳定性一般。
均值（mean）	0.04	IC 的平均水平，越大代表线性预测能力越强	方向为正，整体预测方向没问题；但数值偏小，属于“有用但不强”。
标准差（std）	0.21	IC 的波动水平，越小越稳定	波动较大，暗示因子有效性不够稳定，容易出现阶段性失效。
正值次数	95	IC 为正的期数	正期数多于负期数，方向略占优；若与负值次数接近，说明一致性一般。
负值次数	72	IC 为负的期数	负期数不算少，说明存在一定反向期，后续建议看分段/分市场环境的 IC。
显著比例	0.50	p 值小于阈值（文档中以 0.01 为例）的占比	一半时间显著，说明不是纯噪声；但仍要结合 IR/mean 判断能否落地。
正显著比例	0.30	显著且为正的占比	只有 30% 时间“显著为正”，强势期不算多；可考虑优化预处理或匹配调仓周期。
负显著比例	0.20	显著且为负的占比	有 20% 时间“显著为负”，存在明显 regime 风险；必要时考虑反向、择时或中性化处理。
T 统计量	2.34	IC 序列做 t-test 得到的统计量	t 值越大越支持 mean != 0；2.34 通常意味着统计上可拒绝“均值为 0”。
P 值	0.02	t-test 的 p 值，越小越显著	0.02 表示统计显著；但“显著”不代表“强”，实务上仍更看 mean 和 IR。
偏度（skew）	-0.04	IC 分布偏度，接近 0 表示更对称	接近 0，分布大致对称；一般作为分布诊断项，不是筛选主指标。
峰度（kurtosis）	-0.41	IC 分布峰度，反映尾部厚度	尾部不算特别厚；同样偏诊断用途，优先级低于 mean/IR/显著性。

综合结论（针对这张示例表）：这个因子“方向大概率没错（mean>0 且 t/p 支持）”，但稳定性偏弱（std 大、IR=0.18 低、负显著占比不小）。如果要继续用它，通常需要进一步优化或配合：比如改用 RankIC、加强预处理（行业/市值中性、去极值、标准化）、做 IC 衰减匹配调仓周期，并用分组收益验证是否存在更强的非线性收益结构。

如何阅读 IC 曲线

IC 变化图反映因子预测能力随时间的变化。

波动越小，说明因子更稳定。
正负方向更一致（例如长期为正），说明因子方向更可靠。

IC 衰减（预测周期）

IC 衰减率衡量“因子对未来 N 期收益”的信息系数。

衰减越慢：说明因子的有效预测周期更长。
衰减越快：说明因子更偏短周期，可能需要更高频的调仓才能兑现。

行业分布：因子在哪些行业更有效

股票池 IC 行业分布反映同一因子在不同行业的预测能力差异。

如果某些行业 IC 长期更高，说明因子在这些行业更“对味”。
如果行业差异特别大，后续可以考虑行业中性化，或分行业构建/使用因子。

收益率分析：分组收益与换手

分组累积收益

分组收益分析把股票按因子值分成若干组（例如 5 组），观察各组收益是否存在显著差异。

IC 更偏“线性相关”，分组收益可以捕捉因子的非线性特征。
理想情况：高分组长期跑赢低分组，且收益差距单调。

分组换手率

换手率用于衡量分组组合的稳定性。

在分组收益相近时，换手越低越好（更省交易成本、更容易实盘落地）。
如果高收益伴随极高换手，需要评估是否能被交易成本吃掉。

小结

对一个“能用的”因子来说，通常希望看到：

RankIC 均值为正且相对稳定（IR 不要太低）。
IC 衰减不要过快（与自己的调仓周期匹配）。
分组收益有一定单调性，top-minus-bottom 能拉开差距。
换手率在可接受范围内。