本报告基于沪深300和中证500指数每年两次成分股调整事件,发掘出两个投资窗口期的选股机会:审核期结束到正式调整日的动量收益,以及正式调整后约30个交易日的反转超跌反弹。针对这两个事件,我们设计动量和反转选股策略,采用逻辑驱动的因子优选,分别筛选18个动量因子和16个反转因子,构建量化模型,策略年化收益达34.54%,最大回撤17.67%,并验证了无关因子增加会降低策略表现的结论。综合策略从2019年至今累计收益279.88%,夏普比率1.71,有效捕捉了成分股调整的实盘机会,为指数调整事件提供实用的量化投资框架和因子筛选思路
| 因子类别 | 具体因子描述 |
|---|---|
| 市场因子FF3 | MKT、SIZE、EP过去20天累计收益率 |
| 动量因子 (18个) | 包括过去252/126天的日间/日内/隔夜相对强度、路径累积动量、财务漂移动量等 |
| 因子类别 | 具体因子描述 |
|---|---|
| 市场因子FF3 | MKT、SIZE、EP过去20天累计收益率 |
| 反转因子 (16个) | 个股过去21/63天日间/日内/隔夜相对强度,成交量与换手率相关性及漂移项 |
报告基于沪深300及中证500核心指数成分股半年一次的定期调整,提出两个时间窗口对应的投资机会并设计相应量化选股策略:
结合两者,构建叠加策略后实现了显著绝对及风险调整后收益,年化收益达34.54%,夏普比率1.71,最大回撤17.67%。
同时,报告强调在构建因子模型时应遵循逻辑驱动的“因子优选”原则,大量无关因子反而削弱策略表现,提示事件驱动因子选择要精准聚焦投资逻辑。,1]
关键论点:
推理依据:
关键数据点:
结论:两个明确的时间窗口形成两个可捕捉的事件驱动投资机会。
论点及逻辑:
因子分类:
构建基于FF三因子+18个动量因子的面板回归模型,模型公式:
[ r_{i,t} = \alpha + \sum_{i=1}^{3} \beta_i FF_{i,t} + \sum_{j=1}^{N} \beta_j MOM_{j,t} + \epsilon_t ]
数据使用过去两年历史事件,滚动训练,选取统计显著因子(p<5%)进行打分。
选取得分最高的5只股票等权持仓,买入次日内均价成交。
关键因子详情(部分):
| 因子名 | 含义 |
|---|---|
| MKT | 市场因子过去20天累计收益率 |
| SIZE | 市值因子SMB过去20天累计收益率 |
| EP | 估值因子VMG过去20天累计收益率 |
| MOM | 个股252/126天内隔夜/日间等不同时间段相对强度指标等 |
表2数据梳理清晰显示各事件收益率详尽数字:
| 调整期 | top收益 | rest收益 | top-rest | top-ex800 | rest-ex800 |
|---|---|---|---|---|---|
| 201906 | 10.59% | 5.33% | 5.26% | 12.75% | 7.49% |
| 201912 | 11.22% | 3.55% | 7.67% | 9.59% | 1.91% |
| ... | ... | ... | ... | ... | ... |
| 202312 | -2.05% | 7.49% | -9.54% | 0.82% | 10.36% |
,6]
同样使用FF三因子基础,配合16个反转相关因子建立面板回归模型:
[ r_{i,t} = \alpha + \sum_{i=1}^{3} \beta_i FF_{i,t} + \sum_{j=1}^{N} \beta_j REV_{j,t} + \epsilon_t ]
反转因子包括过去21/63天多种时间段的相对强度指标、成交量和换手率与收盘价的相关性及漂移项等。
采用历史两年数据进行滚动训练,选出得分最高的5只股票等权持仓。
表5反转策略详细数字:
| 调整期 | top收益 | rest收益 | top-rest | top-ex800 | rest-ex800 |
|---|---|---|---|---|---|
| 201906 | 9.39% | 5.25% | 4.14% | 5.28% | 1.15% |
| 201912 | 12.71% | 17.43% | -4.72% | 12.88% | 17.60% |
| ... | ... | ... | ... | ... | ... |
| 202306 | -6.96% | -8.56% | 1.60% | -1.31% | -2.91% |
,8]
表7综合策略收益统计:
| 指标 | 数值 |
|---|---|
| 累计收益 | 279.88% |
| 年化收益 | 34.28% |
| 最大回撤 | 17.67% |
| 夏普比率 | 1.71 |
| 年化波动率 | 18.27% |
| 开仓时间占比 | 47.23% |
| 2019年收益 | 34.54% |
| 2020年收益 | 19.15% |
| 2021年收益 | 107.88% |
| 2022年收益 | 21.81% |
| 2023年收益 | -6.41% |
,9]
相关图表展示了增加因子后策略净值表现显著回落:
表8收益指标下滑明显:
| 指标 | 新模型数值 | 之前模型数值 |
|---|---|---|
| 累计收益 | 142.01% | 279.88% |
| 年化收益 | 21.56% | 34.28% |
| 最大回撤 | 26.37% | 17.67% |
| 夏普比率 | 1.37 | 1.71 |
| 年化波动率 | 15.18% | 18.27% |
| 开仓时间占比 | 47.23% | 47.23% |
| 2023年收益 | -19.34% | -6.41% |
,10,11]
图1-图2(超额收益走势):直观反映调入股调出股在时间轴上的超额收益异同,验证事件驱动存在两个可捕捉窗口。
图3(量价因子分类框架):展示多因子体系构成,说明选股因子是细分领域的集合,结合逻辑筛选增强模型的有效性。
图4、图6(两个策略时间轴与股票池关系):时间节点清晰体现预测名单与实际名单流逝,明确买卖时间点,绑定调整事件周期。
图5、图7(两个策略核心组合收益趋势):选中的Top5股票表现优于其余池中股票,验证因子筛选有效捕捉超额收益。
图8(综合策略净值曲线):净值逐年攀升,波动相对稳定,表明叠加策略风险调整收益优良。
图9-图11(因子扩增影响):因子过多导致新策略净值曲线表现明显下降,支持因子优选的重要性。
本报告未涉及传统估值方法,如DCF、市盈率等估值计算,重点是基于量化因子构建股票评级和组合表现。因此,估值分析模块不适用。
报告未给出针对风险的具体缓解机制,提示投资者需自行把控。
,12,13]
本报告通过对沪深300、中证500定期成分股调整事件的系统分析,提出两个切实可行的投资机会对应不同时间窗口的动量和反转选股策略。基于逻辑驱动和因子优选原则,这两个策略分别捕捉审核期结束至调整日的动量效益和调整日后期的超跌反弹。实证结果表明:
图表数据深入支持了事件窗口投资机会的存在和策略有效性,且策略过程中对时间节点和股票池的精细划分体现较高专业深度。
总体来看,该报告充分利用指数定期调整的市场结构性特征,结合高频量化因子分析,提供了可操作的策略框架,对量化投资者尤其是事件驱动策略开发者具备重要指导价值。
(全文完)
量化选股重构系列之一:指数成分股调整的第二次投资机会.pdf