Day 2：量化选股策略——从理论模型到因子实践（含代码实现）

发布日期：2026-07-25 | 系列：量化学习笔记 | 作者：Joakim Starr

---

写在前面

昨天的 Day 1 笔记主要解决了"量化是什么"的问题，确立了整个学习的大方向。按照 WhaleQuant 的章节安排，第二章是金融市场基础概念，第三章是数据获取。但考虑到这两章更偏工具性（统计基础已在 Day 1 中提前梳理，数据获取需要配合代码实操），我决定先把第四章「量化选股策略」作为 Day 2 的核心攻坚内容。
原因很简单：选股是量化交易最核心的环节，也是信息密度最大的一章。 后续所有章节（择时、调仓、回测）本质上都是在为选股服务。先把这一章吃透，后面会顺畅很多。
本文是对第四章全文的精读笔记，包含理论推导、因子体系、有效性检验方法和 Python 实践。篇幅较长，建议配合目录食用。

---

1. 为什么需要选股？

1.1 从有效市场假说说起

选股这件事存在的根本前提，是市场并非完全有效。教材从有效市场理论切入，把市场分为四类：

市场类型	特征	技术分析	基本面分析	内幕消息
无效市场	价格未反映历史信息	✅ 有效	✅ 有效	✅ 有效
弱式有效	价格反映历史信息	❌ 失效	✅ 有效	✅ 有效
半强式有效	价格反映所有公开信息	❌ 失效	❌ 失效	✅ 有效
强式有效	价格反映所有信息（含内幕）	❌ 失效	❌ 失效	❌ 失效

关键结论：现实中不存在完美的强式有效市场。一般认为短期来看市场是无效的，长期来看市场是有效的。
这意味着：

• 短期内，情绪和非理性交易会让股价偏离实际价值（无效性）
• 长期内，理性投资者的套利行为会让价格回归价值（有效性）

量化选股的目标，就是在这种"短期无效→长期有效"的过程中，系统性地识别出被低估的股票，低买高卖，获取超额收益（Alpha）。

1.2 主观选股 vs 量化选股

传统基金经理靠深度研究少数股票来选股，而量化选股的核心差异在于：

• 覆盖广度：同时对全市场几千只股票打分筛选
• 规则客观：选股标准完全量化，不依赖主观判断
• 可回测验证：任何选股逻辑都可以用历史数据检验有效性

---

2. 理论基石：从效用函数到多因子模型

这一节是全书理论密度最高的部分，教材从最基础的"人为什么厌恶风险"出发，一步步推导出多因子模型的数学形式。我按逻辑链重新梳理了一遍。

2.1 效用函数与风险厌恶

经济学假设每个投资者都有一个效用函数 $u(W)$，输入是财富总额，输出是这笔财富带来的满足感。大多数人的效用函数满足两个性质：

1. 钱多比钱少好：$W_1 \le W_2 \Rightarrow u(W_1) \le u(W_2)$
2. 边际效用递减：随着财富增加，每增加一单位财富所带来的额外效用逐渐减少，即效用函数通常为凹函数（$u''(W) < 0$）。简单来说，就是同样一块钱，对穷人来说价值更大，对富人来说价值更小。

满足性质2的投资者被称为风险厌恶者——这也是大多数人的真实状态。
期望效用假说：面对多个投资选项，理性投资者会选择期望效用 $E[u(X)]$ 最大的那个。
损失厌恶：人们对损失的敏感程度远大于对同等收益的感受。这是行为经济学的核心发现，也是"为什么人会在下跌时恐慌割肉"的数学解释。

2.2 风险的定义与度量

经济学中，风险 = 未来的不确定性 = 收益分布越分散，确定性越低。
所以最朴素的风险度量就是收益率的标准差 $\sigma_X$：在期望收益不变的情况下，$\sigma_X$ 越低越好。

2.3 MPT 模型（现代资产配置理论）

Markowitz 在1952年提出的均值-方差模型，是量化投资的奠基性理论。核心思想：

在给定预期收益 $\mu$ 的约束下，找到方差最小的资产配置方案。

对于由 $n$ 个资产组成的组合 $P$（权重 $w_1, w_2, ..., w_n$，满足 $\sum w_i = 1$），有：

$$\text{预期收益：} E[r_P] = \sum_{i=1}^{n} w_i E[r_i]$$

$$\text{方差：} Var(r_P) = \sum_{i=1}^{n}\sum_{j=1}^{n} w_i w_j Cov(r_i, r_j)$$

其中：$r_i$ 是资产 $i$ 的收益率，$Cov(r_i, r_j)$ 是资产 $i$ 和 $j$ 的协方差。 $r_P$ 是组合 $P$ 的收益率。
有效前沿（Efficient Frontier）：在所有可行组合中，相同风险下收益最高（或相同收益下风险最低）的那些点连成的曲线。

夏普比率：$$Sharpe = \frac{E(r_P) - r_f}{\sigma_P}$$
其中：$r_f$ 是无风险利率，$\sigma_P$ 是组合收益率的标准差。夏普比率衡量的是单位风险下的超额收益，是投资组合优劣的重要指标。
衡量每承受一单位总风险能获得多少超额回报。夏普比率越高的组合越优。

我的理解：MPT 告诉我们，分散投资不只是"不把鸡蛋放在一个篮子里"，而是要放到相关性低的篮子里。两只股票如果走势高度相关，分散持仓并不能降低风险。这也是为什么多因子模型要关注因子之间的共线性问题。

2.4 CAPM 模型（资本资产定价模型）

CAPM 建立在 MPT 之上，用简洁的公式描述了资产收益与系统性风险的关系：

$$E[r_S] = r_f + \beta_S (E[r_M] - r_f)$$

其中 $\beta_S = \frac{Cov(r_S, r_M)}{Var(r_M)}$ 衡量资产 $S$ 对市场的敏感度。

核心洞察：

• 资产的预期收益只由它的 $\beta$ 决定，与自身波动率 $\sigma_S$ 无关
• $\beta$ 高 → 承担更多系统性风险 → 预期收益更高
• 这个公式也是后续多因子模型中"因子暴露"概念的思想源头

2.5 APT 套利定价理论与多因子模型

CAPM 只用一个市场因子解释收益，太粗糙了。套利定价理论（APT）将其推广到多个因子：

股票的预期收益可以被多个系统性因子线性解释，不同因子代表不同类型的风险溢价。

多因子模型（Multiple-Factor Model）的数学形式：

$$r_j = \sum_{k=1}^{K} X_{jk} \cdot f_k + u_j$$

• $X_{jk}$：股票 $j$ 在因子 $k$ 上的暴露度（因子载荷）
• $f_k$：因子 $k$ 的收益率
• $u_j$：残差收益（无法被因子解释的部分，即 Alpha）

这就是量化选股的核心公式。 选股的本质，就是找到那些 $u_j$（Alpha）解释不了超额收益的股票。

---

3. 常见的因子分类

教材将量化因子分为两大类：基于日频数据构建的和基于高频数据构建的。作为初学者，我先聚焦日频因子。

3.1 因子全景表

因子类别	具体因子	经济学含义
估值因子	PE（市盈率）、PB（市净率）、PS（市销率）、股息率、PEG	股票是否"便宜"
成长因子	营收增长率、净利润增长率、EPS增长率、ROE增长率	公司扩张速度
盈利因子	ROE、ROA、毛利率、净利率、资产负债率	公司盈利能力和财务健康度
动量因子	过去20日/60日/120日涨跌幅	"强者恒强"的趋势效应
规模因子	总市值、流通市值	小盘股效应
波动因子	日收益率标准差、最大回撤	风险特征
换手率因子	日均换手率、换手率变化	市场关注度和情绪
宏观因子	GDP增速、M2、利率、CPI	宏观经济环境

3.2 因子构建示例

以动量因子为例，计算"过去20个交易日累计涨跌幅"：

import pandas as pd

# 假设 df 包含日期、股票代码、收盘价
df['momentum_20'] = df.groupby('stock_code')['close'].pct_change(periods=20)

以换手率因子为例：

# 计算过去20日平均换手率
df['turnover_20'] = df.groupby('stock_code')['turnover_rate'].transform(
    lambda x: x.rolling(window=20).mean()
)

因子的构建方式直接决定了它的经济含义。一个好的因子必须有清晰的经济学逻辑支撑，而不是纯数据挖掘出来的数字。

---

4. 因子有效性检验

这是我在今天学习中觉得最"干货"的部分。选了一堆因子，怎么判断它们真的有效？教材给出了系统的检验方法。

4.1 P值检验

最基础的统计检验。对每个因子做回归：

$$r_i = \alpha + \beta \cdot Factor_i + \epsilon_i$$

用 t 检验判断 $\beta$ 是否显著不为0。p值越小 → 因子越显著。

注意：p值不是"因子有效的概率"，而是"在原假设成立（因子无效）的情况下，观察到当前结果或更极端结果的概率"。p值小 → 拒绝"因子无效"的假设。

4.2 IC 值（信息系数）—— 最核心的指标

IC 定义为每个横截面上，因子值与下期收益率之间的相关系数。

$$IC_t = Corr( Factor_{i,t}, Return_{i,t+1} )$$

计算逻辑（逐期截面计算）：

import numpy as np
from scipy import stats

# 数据结构：每个交易日，所有股票的因子值和未来一期收益率
# 对每一天，计算因子值与未来收益率的 Spearman 秩相关系数
ic_series = []
for date in unique_dates:
    daily_data = df[df['date'] == date]
    ic = stats.spearmanr(daily_data['factor'], daily_data['forward_return']).correlation
    ic_series.append(ic)

ic_mean = np.mean(ic_series)   # IC均值 → 因子有效性
ic_std = np.std(ic_series)     # IC标准差 → 因子稳定性

为什么用 Spearman 而不是 Pearson？

• Spearman 基于排名，对异常值不敏感
• 金融数据（尤其是PE、PB）往往严重右偏，Pearson 会被极端值带偏
• Spearman 能捕捉单调的非线性关系

IC 值解读标准：

IC 均值	含义
> 0.05	强正向预测能力
0.03 ~ 0.05	中等正向预测能力
≈ 0	无预测能力
< -0.03	负向预测能力（因子值低反而收益高）

在股票多因子研究中，由于市场噪声极大，长期稳定维持 IC 均值 0.03~0.05 已经属于较优秀的因子，超过 0.1 的情况十分少见。

4.3 IR 值（信息比率）

IR = IC 均值 / IC 标准差

$$IR = \frac{Mean(IC)}{Std(IC)}$$

IR 衡量的是因子预测能力的稳定性，是"风险调整后的 IC"。
IR 值解读标准：

IR 绝对值	因子评级
> 0.5	优秀
0.3 ~ 0.5	良好
0.1 ~ 0.3	一般
< 0.1	较差

本文所说的 IR 指的是 IC Information Ratio（ICIR），而不是组合绩效评价中的 Information Ratio，两者定义不同。

4.4 完整的因子评价体系

教材和实务中通常综合以下指标判断因子质量：

指标	含义	判断标准
IC 均值	因子平均预测能力	绝对值越大越好
IC 标准差	IC 的波动程度	越小越好
IR	稳定性调整后的预测力	绝对值 > 0.3 可用，> 0.5 优秀
IC > 0 比例	IC 为正的时间占比	显著偏离50%说明方向稳定
t 统计量	IC 是否显著不为0	绝对值 > 2 为显著

个人体会：这套 IC/IR 体系非常实用。它让我意识到，一个"好因子"不仅要在平均意义上有效（IC均值高），还要在大部分时间里稳定有效（IR高）。偶尔灵偶尔不灵的因子，实际用起来会很痛苦。

---

5. 行业与市值中性化

这是今天学到的最"实战"的部分。教材花了相当篇幅讲这个概念，因为它直接决定了因子的纯度。

5.1 为什么要中性化？

很多因子并不是在"纯粹"地捕捉某种风险溢价，而是混杂了市值效应或行业效应。

举个例子：PE 因子在低估值组表现好，但如果你选出来的低 PE 股票全是大银行（因为银行天然 PE 低），那你的"低估值策略"本质上就变成了"银行板块超配策略"。一旦银行板块整体下跌，你的策略就会亏得很惨。

中性化的目的：剔除因子中市值和行业的影响，让因子更纯粹地反映自身信息。

5.2 市值中性化（连续变量）

思路：用因子值对市值做线性回归，取残差作为中性化后的因子。

$$Y = \beta \cdot \ln(MarketValue) + \alpha + \varepsilon$$

import numpy as np
import pandas as pd

def market_neutralize(df, factor_col, mv_col='total_mv'):
    """市值中性化：对因子值取对数市值的回归残差"""
    df = df.copy()
    log_mv = np.log(df[mv_col])
    
    # 用 numpy 做简单线性回归取残差
    slope, intercept = np.polyfit(log_mv, df[factor_col], 1)
    fitted = slope * log_mv + intercept
    df[f'{factor_col}_neutralized'] = df[factor_col] - fitted
    
    return df

5.3 行业中性化（离散变量）

两种方法：

方法一：行业均值做差（简单直观）

$$\varepsilon_i = Y_i - \overline{Y}_{Industry_i}$$

def industry_neutralize(df, factor_col, industry_col='industry'):
    """行业中性化：因子值减去所在行业的均值"""
    industry_mean = df.groupby(industry_col)[factor_col].transform('mean')
    df[f'{factor_col}_ind_neutral'] = df[factor_col] - industry_mean
    return df

方法二：哑变量回归取残差（更严谨）

将行业转为哑变量，做多元线性回归，取残差。结果与均值做差法本质相同，但数学形式更规范。

5.4 中性化的实际影响

教材中给出的示例显示，中性化前后的因子值分布会发生明显变化。一个混杂了市值和行业效应的"伪因子"，经过中性化后可能变得几乎无效——这恰恰说明它原来捕捉的不是真正的信号，而是市值或行业的 Beta 暴露。

⚠️ 警示：在检验任何因子之前，必须先做中性化处理。否则你以为发现的 Alpha，可能只是行业配置或市值暴露的副产品。

---

6. 多因子选股模型构建（五步法）

这是全章的落地环节。教材给出了一个标准化的五步流程：

Step 1：候选因子选取

根据经济逻辑选取若干候选因子，涵盖估值、成长、质量、动量等类别。

Step 2：因子有效性检验

用 IC/IR 体系筛选掉无效因子，保留 IC 均值显著且 IR > 0.3 的因子。

Step 3：因子预处理

• 异常值处理：用 MAD 法（中位数绝对偏差）或 Winsorize 法截尾
• 缺失值填充：前向填充或行业均值填充
• 标准化：Z-score 标准化使不同量纲的因子可加
• 中性化：市值 + 行业中性化

Step 4：综合评分

两种主流方法：

打分法（推荐初学者）：

1. 每个因子横截面上排序打分（如 Z-score 或 Rank）
2. 按权重加权求和得到综合得分
3. 选得分最高的前 N% 股票

# 简化的打分法示例
def composite_score(df, factor_cols, weights=None):
    """多因子综合打分"""
    df = df.copy()
    
    if weights is None:
        weights = [1.0 / len(factor_cols)] * len(factor_cols)
    
    # 每个因子 Z-score 标准化
    for col in factor_cols:
        df[f'{col}_z'] = (df[col] - df[col].mean()) / df[col].std()
    
    # 加权求和
    score = pd.Series(0.0, index=df.index)
    for col, w in zip(factor_cols, weights):
        score += w * df[f'{col}_z']
    
    df['composite_score'] = score
    return df

# 示例：三个因子等权打分
factor_cols = ['pe_factor', 'roe_factor', 'momentum_factor']
result = composite_score(stock_data, factor_cols)

# 选前20%
selected = result.nlargest(int(len(result)*0.2), 'composite_score')
print(f'Selected {len(selected)} stocks')

打分法的权重选择：

• 等权：简单但不区分因子重要性
• IC 加权：按各因子的 IC 均值赋权
• IR 加权：按 IC/IR 赋权，兼顾有效性和稳定性
• 最大化 IC_IR：通过优化求解最优权重

回归法：

• 用历史收益率对多因子做回归，得到每个因子的系数
• 将最新因子值代入回归方程，预测未来收益
• 选预测收益最高的股票

教材指出：A股市场上，简单的打分法往往比回归法表现更好。原因可能是因子间共线性较高，回归法不稳定。

Step 5：组合优化与回测

对筛选出的股票做组合优化（考虑行业约束、换手率约束等），然后进入回测环节验证策略效果。这部分在第七章会详细展开。

---

7. 今日反思与行动计划

核心收获

1. 选股的本质是因子暴露的管理。好的选股模型不是找到"涨最多的股票"，而是找到一组稳定有效的因子，系统性地获取因子溢价。

2. 中性化是必经步骤。不中性化的因子很可能只是在偷懒——它暴露的是市值或行业的 Beta，不是真正的 Alpha。

3. IC/IR 体系是因子研究的灵魂工具。它让"这个因子好不好"从一个模糊的直觉变成了可量化的判断。

4. 打分法适合A股初学者。等权重或 IC 加权的打分法简单直观，且对共线性不敏感，是入门首选。

尚未解决的问题

• 因子间的共线性如何处理？教材提到了但没有深入，后续需要学习 PCA 降维或 Lasso 回归
• 因子衰减速度怎么度量？IC 的半衰期分析
• 高频因子（如分钟级量价因子）的构建方法

下一步行动

按照今天的五步法，我计划用 Python + Tushare 实际构建一个多因子选股模型：

1. 获取全市场股票的基本面数据（PE、PB、ROE）和量价数据（动量、换手率）
2. 计算各因子值，做市值+行业中性化
3. 计算 IC/IR，筛选有效因子
4. 用打分法构建综合评分，选股回测

这部分实操将作为 Day 3 的内容。

---

参考链接

• DataWhale《WhaleQuant》第4章：量化选股策略
• 摩根士丹利华鑫基金：单因子有效性检验方法
• 多因子模型：回归法和打分法详解（伯乐实验室）
• 量化基本功：IC 分析（本领投资）

---

下一篇预告：Day 3 —— 股票数据获取实战：用 Tushare + Pandas 拉取行情数据，开始构建第一个多因子选股模型