本报告基于经典PB-ROE量化策略,运用人工智能优化算法构建出收益显著增强的PB-ROE-AI策略,实现月度调仓及约40只股票的组合配置,回测期间年化收益36.5%,夏普比1.75,显著优于传统策略。核心在于通过AI算法生成稳定跑输组合,再选取与其协方差最低的股票反向选股,从而实现组合收益最大化并降低回撤风险。
| 指标 | 沪深300 | PB | PB-ROE |
|---|---|---|---|
| 累计收益率 | 51.19% | 183.43% | 238.01% |
| 年化收益率 | 6.55% | 17.35% | 20.57% |
| 夏普比 | 0.27 | 0.63 | 0.79 |
| 最大回撤 | 46.70% | 48.42% | 40.24% |
| 指标 | PBROE-AI组合 | PB-ROE | AI算法 |
|---|---|---|---|
| 累计收益率 | 80.83% | 238.01% | 157.18% |
| 年化收益率 | 4.96% | 20.57% | 15.61% |
| 夏普比 | 0.89 | 0.79 | 0.59 |
| 最大回撤 | 7.55% | 40.24% | 46.94% |
报告标题: 《基本面量化系列(一)—— PB-ROE-AI 策略— — 让经典更经典》
作者: 包赞 (S1230518090006)
联系方式: 王小青(TEL:021-80108127,邮箱:baozan@stocke.com.cn)
发布机构: 浙商证券研究所
发布时间: 报告具体日期未显式给出,回测截止至2019年9月30日,推测接近2020年初发布。
主题: 基于经典的 PB-ROE(市净率-净资产收益率)基本面选股策略,结合人工智能优化方法,提出改进的量化投资策略,实现实战组合构建及收益显著提升的策略研究。
核心论点与信息:
引言部分明确了理想的基本面模型应同时满足公司管理层指导经营、投资者有效定价、合理反映均衡价格和产生超额收益等多重功能,指出PB-ROE作为经典的基本面估值指标体系符合这一目标,但实际应用受限,存在预测性有限、组合规模过大、操作复杂等问题。文章目的在于基于预测收益率角度强化该经典模型,改进其实战可操作性和策略表现。
PB是市净率,反映估值是否低廉;ROE是净资产收益率,衡量公司盈利能力,经典投资逻辑为“买好且便宜的股票”。文中强调,传统PB-ROE多头组合难直接应用,不便于实际基金经理操作,仅作为参照指标被“艺术性使用”。本报告提出结合人工智能构造的PB-ROE-AI组合,兼顾股票数控制和收益率提升。
核心策略思路是在传统PB-ROE多头组合基础上利用AI算法找到“稳健跑输”组合,再选取与之最低相关股票构建反向组合,从而提升整体收益表现。
PB(市净率)和ROE(净资产收益率)是两个独立且重要的基本面指标。文中引用Basu(1977), Rosenberg等(1985)等文献实证确认基于PE、PB的选股策略具有正收益潜力。
PB-ROE模型基于价格围绕内在价值波动的思想,低PB且高ROE的股票代表“市场错误定价”且有较大超额收益空间(股票价格将向价值靠拢)。图2中展示了PB对ROE的截面线性关系分布,显示“高估值区间”、“均衡地带”和“低估值区间”分布的明确分界,直观体现低PB高ROE组合的潜在价值。
本报告最大亮点之一是对PB与ROE间理论内在线性关系的严谨推导,补充了学界缺乏的严密证明。
推导以股票价格P、净资产B及其他财务变量时间微分为基础,利用微分方程方法,最终得到通解形式:
其中k为投资者期望回报率,g为净资产预期增长率,d为分红率,t为投资期限。
进一步优化并取投资期限T,投资期末假设 P/BT→1,且无分红假设 d=0,获得经典对数线性的PB-ROE均衡方程:
等价无穷小逼近后得到更实用的线性关系:
B0P=1−kT+ROE⋅T解释了PB和ROE的正相关关系与投资期限T直接挂钩,提示在实际策略构建时不可忽视T的影响。这是一个严谨且富有创新的数学理论贡献。
报告分析了经典PB-ROE与现代资产定价学中的Fama-French五因子模型(FF5)的对应性。
报告实事求是地指出ROE指标作为衡量公司盈利能力虽常用,但存在以下局限:
传统做法为按PB升序选取底部20%股票,再在这批股票中按ROE降序排序选前组股票,形成PB-ROE多头组合。策略以月度调仓形式操作,确保使用财务数据更新稳健。
图7回测显示,在2013年初至2019年9月底区间,PB-ROE组合累计收益约238%,大幅超越同期沪深300指数51.19%。夏普比0.79也优于沪深300的0.27,最大回撤40.24%明显低于沪深300的46.70%。
表1显示所有年度数据均衡,表2进一步分解年度表现,整体呈现优越表现但2016年后策略略显弱化,符合实际市场环境变化。
报告尝试通过更深层次的分组以期提升收益,分别构建前20%、10%、5%的组合,结果发现降序深度提升未带来显著收益制约(图8、表3),说明单纯缩小股票池规模不足以增强效能,且股票数量庞大,也不利实盘操作。
为解决股票数过多及收益提升瓶颈,报告提出基于人工智能的模仿组合技术——采用稀疏优化算法,使得基本面优良的PB-ROE组合在其迭代历史净值轨迹上构建模拟组合,权重受限于控制因子,结果得出“稳健跑输”组合,股票数量降至约40只。
模型设计从数学上优化跟踪误差和权重稀疏性,采用近似 ℓ0 范数法处理非凸优化问题,目标为经验跟踪误差最小化,算法标明具备求解效率高且适合实际操作的优点。
回测(图9及表4)显示该组合的累计收益明显低于原PB-ROE策略(累计约80.83%),但最大回撤仅7.55%,风险大幅降低。由于PB-ROE组合月度调整频繁,“稳健跑输”组合跟踪过往净值曲线导致必然跑输。
在“稳定跑输”组合基础上,报告提出两种策略:
最终策略PB-ROE-AI组合在2013年至2019年9月回测区间累计收益高达658.6%,年化收益率36.5%,显著超越传统PB-ROE组合的20.57%(沪深300仅6.55%),同时夏普达到1.75,最大回撤仅33.39%(详情见图11及表6)。
股票池数目稳定在40-50只,符合机构投资管理实际需求。
表7呈现了具体不同时期部分股票持仓权重情况,涵盖行业及不同类型公司,显示组合分散且具有基本面均衡特性。
报告PB-ROE模型核心基于财务基本面因子的估值框架,辅之以微分方程推导,描述估值函数的动态过程。
估值方法隐含假设包括:
更重要的是,估值模型在复合风险收益平衡上的数学表达形式支撑了选股筛选的策略逻辑,理论基础坚实。
人工智能优化部分本质上是以经验跟踪误差(Empirical Tracking Error,ETE)为目标函数的稀疏组合构建,通过参数约束和正则化达到组合权重稀疏化,实现低调仓成本和策略规模控制。该非凸优化问题通过闭合迭代算法求解,结合权重上下限和归一化限制,稳健生成最优组合。
报告虽未专门设风控章节,但通过分析可归纳以下风险点:
报告重视策略的稳健性和无须参数动态调节,减少策略过度拟合风险,且股票池量化管理有助于实盘实施风险控制。
本文以浙商证券研究所发布的《基本面量化系列(一)PB-ROE-AI 策略——让经典更经典》为核心依据,完整展现了如何在经典的PB-ROE估值模型基础上,结合人工智能算法优化投资组合构建,实现了股票筛选框架和实战策略的创新提升。核心贡献包括:
示意图和数据表充分证实了策略有效性:
综上,报告成功运用现代人工智能方法融合经典金融模型,形成具有理论深度和实战价值的全新选股策略,具有较强的投资参考价值和学术贡献,值得深度研究和推广。
(所有数据、图表及论断均源于报告内容,页码标明:)
,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21]
基本面量化系列(一):PB-ROE-AI策略 让经典更经典.pdf