发帖
雷达卡
02
数据获取
1 数据获取
我们首先需要获取每个股票每天的市盈率数据，你可以去新浪财经、东方财富这类网站上抓取，上面的数据较为全面。
但数据纰漏较大，还需要你有一定的爬虫技术。
为此，我提前给大家准备好了所需的数据，它里面包含了每个股票每天的总市值和净利润，两列相除就可以得到相应的市盈率。
如果你需要这个数据的话，可以加我微信xbx1717，都是可以免费发给你的。
2 数据处理
需要注意的是，市盈率计算公式在实际应用中会遇到一些问题，特别是当净利润为0时，公式无法成立。
为此，我们使用它的倒数来规避，即1/市盈率，又叫EP。
数据到手后，我们先不买低市盈率的股票，而去买入老师口中需要远离的，也就是高估值、高市盈率、未来低回报的股票。
我们来看看买入之后效果如何？
03
高估值策略
1 策略构建
我们构建如下量化策略：
在每个月的最后一个交易日，我们计算所有股票的EP，选择EP最小（即市盈率最大）的10只股票，在次月的第一个交易日开盘时均仓买入。
之后无论涨跌如何都持有不动，等到这个月的最后一个交易日收盘时再把股票卖光。
之后继续选择此时EP最小的股票并买入，如此循环往复。
比如在2009年的12月29日，我选出了当天EP最小的10只股票。
那我就在2010年1月的第一个交易日去均仓买入它们，并一直持有到1月31日再卖光。
此时再选出最新的10只股票去买入，每月重复上述操作即可。
2 策略结果
这个策略的收益我并不推荐手工计算。
我们用Python编程及相应的股票数据来得到结果。
如果你对数据和代码感兴趣的话，可以加我微信xbx1717，都是可以免费发给你的。
代码运行结果如图所示：
黄色曲线是代表大盘的沪深300指数，它从2010年至今基本没涨，你可以永远相信A股。
蓝色曲线是我们策略的结果，甚至连沪深300指数都没有跑赢，属实拉垮。
如果仔细观察这张图，我们甚至还可以得到几个有趣的结论：
04
低估值策略
既然高市盈率的股票不能买，那我们买入那些低市盈率的股票会如何？
1 策略构建
我们仍旧执行之前的策略，只不过这次选择EP最大（即市盈率最低）的10只股票，其他条件完全不变。
2 策略结果
我们还是用Python编程及相应的数据来计算。
如果你对数据和代码感兴趣的话，可以加我微信xbx1717，都是可以免费发给你的。
代码运行之后，最终结果如图所示：
图中蓝色曲线是我们的策略净值，黄色曲线是沪深300指数。
低市盈率策略的收益确实比沪深300指数好了一点，但并不显著，年化收益只有6.66%，且最大回撤高达57%。
当然，我估计这已经跑赢在座的大多数了，毕竟大部分人炒股都是亏损的。
但这样的策略在量化投资中是不合格的，尤其是最近几年它的表现十分差劲。
那为什么买低市盈率股票的实践结果和理论有那么大的偏差呢?
05
行业中性策略
1 行业影响
我们看这个策略每个月选出来的10只股票，发现它们都偏向于银行、地产、基建等行业。
这类行业的市盈率都比较低，所以这些行业的股票就很容易被我们选中。因此我们的策略选择是偏颇的。
比如银行业的平均市盈率是8，工行的市盈率低于行业平均，只有7。
假设互联网行业的平均市盈率是20，其中某只股票的市盈率是10。
这只股票和工行的市盈率哪个更低呢？
绝对值看，工行的市盈率确实更低。
但从相对值来说，这家互联网公司它的市盈率是更低的。
因此我们尝试对之前的策略进行调整。
2 行业中性化
我们把所有股票根据申万一级行业进行分类。
在每个行业中选择EP最大（即市盈率最低）的3只股票。如果有10个行业就会选出30只股票。
其他条件完全不变。
这一步操作在我们专业术语中就是所谓的行业中性化，用来去除行业对市盈率指标的影响。
当然在实际操作当中会用到更专业的数学方法，这里就不多加赘述了。
3 策略结果
我们仍使用Python编程以及相应的数据来得到结果。
如果你对这个数据和代码感兴趣的话，可以加我的微信xbx1717，都是可以免费发给你的。
代码运行后，最终结果仍是令人失望：
与之前的结果相比有所改善，最大回撤有所减少，但年化收益基本一致。
接下文
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
