首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册
精华帖子

策略分享-低负债高roe策略

由bqy53ve0创建，最终由bqy53ve0 被浏览 9 用户

1.市场观察和机会发现

近期的A股市场呈现：从估值扩张转向盈利质量

  • 政策催化：近期监管层强调 “引导上市公司提升 ROE”，叠加分红新规落地，高股息、高 ROE 的价值型资产吸引力提升。
  • 资金行为：北向资金近一月净流入超 300 亿元，重点配置金融、消费等低估值板块；国内主动权益基金仓位向 ** 低市盈率（PE<20 倍）、低市净率（PB<1.5 倍）** 的价值股倾斜。
  • ROE（净资产收益率）持续高于行业中位数的企业，锁定内生增长动能强劲的优质资产。例如，消费板块中 ROE 稳定在 15% 以上的龙头公司，其现金流创造能力显著优于行业平均水平。高 ROE 组合在经济复苏期往往跑赢大盘，2019-2020 年高 ROE 策略年化超额收益达 8.5%。
  • 在宏观杠杆率趋稳的背景下，低负债企业（资产负债率 < 40%）的财务健康度更受青睐。例如，公用事业、医药板块中低负债龙头在利率上行周期中表现出更强韧性，2024 年以来最大回撤较高负债组合低 4.2 个百分点。

为了验证思想，可以初步判断选择高roe,低资产负债率的策略绩效如何？只有回测大致合理，才能以其为基础构建更好的策略，进行优化。

2.策略想法

重基本面，辅技术面，考察长期应营业价值，筛选低估值、高roe、低资产负债率的股票， 辅助其他过滤条件，在控制回撤的基础上寻求尽量高的收益。

ROE = 净利润 ÷ 净资产 ×100%，反映股东权益的收益水平。\n资产负债率 =（负债总额 ÷ 资产总额）×100%，反映企业资产对负债的覆盖程度

**市净率 = 总市值 ÷ 净资产总额，**反映市场对企业净资产价值的溢价程度

**市盈率 = 每股股价 ÷ 每股收益（EPS）= 总市值 ÷ 净利润，**体现市场对企业盈利的预期

从定义的角度看，希望选择负债占比低，每股资产净利润高，市值又偏小的公司。

3.策略逻辑编写

3.1策略思想与指标介绍

在研究的开始，我们其实并不知道什么是合理的因子和参数配置，初步选择较为合理和理想的因子和参数有利于后续策略优化和参数优化的步骤。反复尝试才能得到最终的结果。

3.1.1低估值

用pb和pe作为衡量标准，选择低估值的股票。

AND pe_ttm > $pe_ratio_lower
AND pe_ttm < $pe_ratio_upper
AND pb < 3
AND pb > 0

3.1.2低负债

最终满足的股票中，按照资产负债率从低到高选股

ORDER BY date, debt_to_asset_lf ASC

3.1.3高roe

要求连续五年处于高roe

roe_avg_ttm_consec_min_5y > $roe_threshold

3.1.4小市值控制

AND float_market_cap > $market_cap_min
AND float_market_cap < $market_cap_max3.1.5基本面良好

3.1.5基本面控制

选择非st股，非停牌股。

-- 非ST股票
st_status = 0
-- 非停牌股票
AND suspended = 0

4.数据回测与回测分析

进行参数初始设置后，代入回测，可以发现效果非常好。在八年的研究周期中，平均每天只有4只票满足我们的要求，这说明我们的选股条件是非常严格的。在回测周期内，策略年化收益率显著高于回撤，并且在最近表现非常好，这说明这种选股条件是符合市场和经济学原理的策略。

在之前，我们介绍过参数优化和参数敏感性分析的内容，在此不介绍简单的分析，后续介绍如何在平台中分析。

5.参数优化和敏感性分析

之前我们介绍过一些参数优化的方法，在此展示参数优化后最终的回测结果。回测结果显示，从2020年到现在收获非常好，年化收益率比较高并且最大回撤比较低。

在其他知识库的文档中，我们已经详细介绍了如何进行参数敏感性分析，在此就不做介绍了。

下面是一些具体的考察是否过拟合的方法：

  1. 样本外检验（Out-of-Sample Testing） 核心逻辑：将数据分为训练集（用于策略开发）和测试集（未参与策略优化的样本外数据），观察策略在测试集的表现。 判断标准：若测试集的收益显著低于训练集，或最大回撤、夏普比率等指标恶化，可能存在过拟合。 扩展方法：采用滚动回测（如每次用前 N 期数据训练，后 M 期数据测试），观察策略表现的稳定性。
  2. 统计指标对比 参数敏感性分析：微调策略参数（如周期、阈值），若绩效大幅波动，说明策略对参数过度依赖，可能过拟合。 绩效指标合理性： 过度优化的策略可能出现零亏损交易或夏普比率异常高（如 > 5），但缺乏经济逻辑支撑。 对比同类策略的信息比率，若显著偏离行业水平，需警惕数据挖掘痕迹。
  3. 交易逻辑检验 经济意义分析：策略因子是否具有明确的经济学或市场逻辑（如估值修复、供需关系）。若因子仅通过数据拟合（如历史价格相关性），无基本面支撑，过拟合风险高。 交易频率与换手率：过度拟合的策略可能包含大量高频交易信号或微小参数阈值，导致交易成本侵蚀收益，实盘难以复制。
  4. 可视化分析 净值曲线形态：训练集净值曲线过度平滑或 “阶梯式” 增长（无合理回撤），而测试集曲线波动剧烈，可能为过拟合。 归因分解：通过风险归因（如 Brinson 模型），观察策略收益是否过度集中于某类资产或历史偶然事件（如特定市场 regime）。
  5. 蒙特卡洛模拟 随机数据测试：用随机生成的价格序列运行策略，若仍能盈利，说明策略可能捕捉到的是噪声而非真实市场规律。

6.可视化实现简单策略

对于这种简单的策略，我们可以在可视化框架中去实现功能。在可视化画布中可以选股，过滤，设置条件，以及设置回测信息，具体可以见平台使用指南。

下图是策略总收益关于各组参数的结果，25组参数对应了持仓周期为5，7，10，12，15以及持仓数目为3，4，5，6，7下策略的绩效，如图所示。整体来看，该策略在多组系统参数下的效果都非常好。

在可视化窗口下，我们可以对系统参数，例如持仓数量、换仓周期等进行同步运行搜索，比一般的for循环更快，观察随着超参数变化策略的表现变化趋势。在此仅展示对换仓天数和持仓数目的搜索结果。如果使用了AI模型，对一些系统参数或者机器学习模型超参数的遍历会更好，大幅度提高了策略绩效和优化的速率。

7.交易成本与滑点

万3 千1 最低五元

8.AI策略

如果使用这些因子进行训练，能不能获得好的绩效呢？我们利用18-20年进行训练，在21年到现在作为测试集进行测试，最终结果不尽如人意，这说明AI难以学习到一些长期规律。换言之，AI有时候难以捕捉到长期有效的规律。

https://bigquant.com/codesharev3/a426f39c-124e-4c54-979e-ae06d472386d

  1. 2020 年疫情的非线性冲击
    • 训练集（2018-2020 年上半年）未充分包含黑天鹅事件的极端波动特征，而测试集（2021-2025 年）涵盖后疫情时代的供应链重构、全球央行加息周期、地缘冲突等新范式。
    • 例如：传统价量因子（如移动平均线）在疫情前的低波动环境中有效，但在高波动、政策干预频繁的测试期可能完全失效，因价格序列的统计分布已发生根本改变。
  • 传统机器学习模型（如随机森林、LSTM）假设数据生成过程平稳，但 2020 年前后的市场存在明显分段（regime shift）。
  • AI 若基于训练集过度优化细节（如某类短期量价形态），可能捕捉到与测试集无关的 “伪规律”。

总之，AI量化策略不是随便训练都是好的策略，训练一个优秀的AI量化策略非常困难，消耗人力、时间和算力。需要考察经济学逻辑、原理，进行人为干涉。

9. 策略完整代码

https://bigquant.com/codesharev3/0a50e923-8158-41e3-8440-e66c4ecc5fa8

\

标签

价值投资
{link}