非quant，但痴迷于用数量化方法提高投资决策的效率，强行来掺和一下。
纯数量方法太容易造成数据挖掘的问题，不如还是站在如何提升基本面投资的效率的角度来建立数量化投资体系，举个个股层面的非常简陋的例子：
1. 先去不重不漏的分析过去股价的驱动因素，简单分的话拆成业绩和估值，复杂一点可以拆成业绩真实成长，通胀，市盈率变动，回购和股息分配率变动。
2. 如果过去赚的是估值扩张的钱，但我们知道估值有很强的均值回归属性，简单来看和历史纵比及同业横比，复杂一点和其它市场的相似经济/货币环境形成比较，未来能不能继续在估值因素上赚到钱，这些比较都还比较适合形成一个量化分析体系。
3. 如果过去赚的业绩成长的钱，还要接着赚的话，我们就要判断公司未来业绩成长是否还有超预期空间，这实际上是很玄的事情，是股票分析师最核心的工作，很难完全被数量化方法替代，比如竞争优势这种insight很难参数化，但分析的对和知道的早对于赚业绩成长的钱同样重要，甚至知道的早可操作性更强。好比说同是零售业两家公司，各有特色，在财报出来前很难盖棺定论谁一定比谁好，但通过对互联网上（比如官网或者百度地图流量等等）零散的新开店的数量化统计，很容易在季度截止和财报公布期间较为准确的匡算出该季度的经营状况，提前布局并获得收益。当然如果每个投资者都这么做，这个策略自然也就很快无效。但至少在A股很多人还做不到，也有足够多数据获取方法是需要智慧结晶的，不是每个人都能想到，比如美国有对冲基金通过卫星拍摄储油桶盖阴影大小判断原油库存和拍丰田工厂门口的停车场的车判断原油库存，本人也在Google maps上手数过奶牛。总之如果你对这个business有所了解，一定有些高频指标帮你形成量化分析的体系
4. 假如过去和可预计的未来业绩和估值都赚不到钱，还可以赚个分配的钱，就好比低估值，没成长的现金奶牛，在成熟市场上很容易成为杠杆收购的标的，也可能被activist袭击，提高分红和回购从而赢得资金青睐。这样的公司财务特征相对比较明显，比如高ROIC，高free cash flow yield，都是比较套路的因子，但是也有很多value trap，可以通过加一些判断业务防御性的因子，比如行业属性是周期还是防御，行业地位是龙头还是跟随者等等来避免价值陷阱，这也都是一些商业分析当中较为适合建立成数量化体系。
大市层面和行业轮动层面，需要更多对经济、货币和资本市场运行机制的了解，基本框架可以多读读国外的Ray Dalio, Soros, Howard Marks这些，很多它们经验信赖的指标都可以拿来跑跑看；落地到中国的话，最近看了看邱国鹭的书，之前看过的海通的行业比较研究框架都提到很多数据领先滞后关系和逻辑，发现其中很多基本面分析师吭哧吭哧搜集半天数据通过excel作图找相关性分析的工作，都是很适合拿来系统的回测找超额收益。
感觉带着一招鲜的心态去data mining indicator不太可取，人机结合才是王道；所以感觉更应该去读巴菲特、格雷厄姆、彼得林奇、索罗斯去找大师的智慧中哪些还没有量化形成indicator。 |
转播
