作者：石川
摘要：本文簡(jiǎn)要探討基本面量化投資。

0

7 月 12 日，2024/25 年度中國(guó)量化投資白皮書(shū)發(fā)布。在這份展現(xiàn)行業(yè)最新趨勢(shì)的報(bào)告中，有一個(gè) survey 結(jié)果引起了我的興趣，它就是機(jī)構(gòu)的策略探索清單。在這個(gè)清單上，基本面量化位居第三位，僅次于人工智能和極端風(fēng)控應(yīng)對(duì)。

今天我們就（再）來(lái)聊聊基本面量化。

這不是我第一次討論基本面量化。2019 年 7 月 18 日的文章就借由 Sloan 教授的 Fundamental analysis redux 一文討論了基本面分析和基于因子的基本面量化是否可以畫(huà)等號(hào)的問(wèn)題（答案是否定的）。如今，我依然持有這樣的觀(guān)點(diǎn)。

如果說(shuō)要比較全面的討論基本面量化，就要從基本面分析的本質(zhì)說(shuō)起：

所以，基于因子的基本面量化只是其中一條腿。而另外一條腿，則在 Charles Lee 教授的文章 Lee, So and Wang (2021) 中被清晰地勾勒出來(lái)：

左邊是我們熟悉的各種使用基本面因子的多因子模型；而右邊則是基于現(xiàn)金流折現(xiàn)的研究。它通過(guò)將公司未來(lái)的預(yù)期現(xiàn)金流（如盈利、自由現(xiàn)金流、分紅等）折現(xiàn)到當(dāng)前股價(jià)，反推出一個(gè)隱含的資本成本（即企業(yè)預(yù)期回報(bào)率）。這種方法關(guān)注如何預(yù)測(cè)現(xiàn)金流和終值，以及預(yù)期回報(bào)率的動(dòng)態(tài)假設(shè)。

Okay，鋪墊得差不多，下面讓我們展開(kāi)聊聊。

1

基本面量化投資融合了基本面分析與量化分析這兩種不同的投資理念。隨著金融市場(chǎng)的演變、金融科技的進(jìn)步，投資機(jī)構(gòu)為了尋求持續(xù)的競(jìng)爭(zhēng)優(yōu)勢(shì)，使得基本面量化這一在金融發(fā)展歷史中相對(duì)較新的投資理念應(yīng)時(shí)而生。

Benjamin Graham 和 David Dodd 在 1930 年代開(kāi)創(chuàng)了基本面分析方法，通過(guò)審查公司的財(cái)務(wù)報(bào)表、管理質(zhì)量、競(jìng)爭(zhēng)對(duì)手和宏觀(guān)經(jīng)濟(jì)因素來(lái)評(píng)估公司的內(nèi)在價(jià)值。堅(jiān)持這一投資理念的人認(rèn)為，雖然股票的市場(chǎng)價(jià)格在短期內(nèi)可能會(huì)偏離其內(nèi)在價(jià)值，但隨著時(shí)間的推移，價(jià)格最終會(huì)回歸到其應(yīng)有的水平?；久娣治龇ㄔ?20 世紀(jì)的大部分時(shí)間里一直是投資決策的基石。

隨著 20 世紀(jì)后期計(jì)算機(jī)算力的提升，量化分析逐漸在投資領(lǐng)域嶄露頭角。在認(rèn)為市場(chǎng)并非總是完全有效的假設(shè)下，量化投資者通過(guò)構(gòu)建數(shù)學(xué)模型，深入挖掘歷史數(shù)據(jù)和統(tǒng)計(jì)規(guī)律，從中尋找潛在的投資機(jī)會(huì)。上世紀(jì)七八十年代，計(jì)算機(jī)技術(shù)的普及讓大規(guī)模數(shù)據(jù)處理和復(fù)雜模型的實(shí)現(xiàn)成為可能，量化投資方法也因此得到了迅速發(fā)展。數(shù)據(jù)量的爆炸式增長(zhǎng)和機(jī)器學(xué)習(xí)算法的快速進(jìn)步，逐漸拓寬了量化投資的邊界。量化分析的對(duì)象不再局限于結(jié)構(gòu)化的財(cái)務(wù)數(shù)據(jù)，還能將衛(wèi)星圖像、社交媒體情緒等大量非結(jié)構(gòu)化數(shù)據(jù)納入模型。借助機(jī)器學(xué)習(xí)技術(shù)，量化分析師能夠識(shí)別出數(shù)據(jù)中的非線(xiàn)性模式以及傳統(tǒng)人工分析難以察覺(jué)的微妙關(guān)聯(lián)。

基本面分析和量化分析各有優(yōu)勢(shì)，也各有其局限性。基本面分析有時(shí)帶有主觀(guān)性，且很難抓住因市場(chǎng)短期非有效性而出現(xiàn)的投資機(jī)會(huì)；而量化模型則很會(huì)因?yàn)檫^(guò)度依賴(lài)歷史數(shù)據(jù)而忽略全局，如企業(yè)或經(jīng)濟(jì)的重大結(jié)構(gòu)性變化等。2008 年全球金融危機(jī)暴露了這兩種策略的不足，尤其是對(duì)歷史數(shù)據(jù)和模型的過(guò)度依賴(lài)。因此，這場(chǎng)金融危機(jī)成為推動(dòng)投資方法變革的重要契機(jī)。為了更有效地應(yīng)對(duì)類(lèi)似的金融風(fēng)險(xiǎn)，結(jié)合了兩種方法優(yōu)勢(shì)的復(fù)雜投資策略應(yīng)運(yùn)而生。

基本面量化投資將基本面分析的深度和定性洞察，與量化方法的精確性、效率和強(qiáng)大的數(shù)據(jù)處理能力相結(jié)合。這種融合的投資理念，使投資者能夠借助海量數(shù)據(jù)和強(qiáng)勁算力，豐富和優(yōu)化傳統(tǒng)的估值模型，從而獲得更加準(zhǔn)確、及時(shí)且具有實(shí)操性的投資判斷。投資者如今借助量化工具，更高效地處理和分析基本面數(shù)據(jù)，同時(shí)將對(duì)基本面的深刻理解融入量化模型的構(gòu)建與優(yōu)化。這種有機(jī)結(jié)合不僅有助于更精準(zhǔn)地把握市場(chǎng)中的錯(cuò)誤定價(jià)，還能提升風(fēng)險(xiǎn)管理水平，爭(zhēng)取更優(yōu)異的投資回報(bào)。

2

在進(jìn)一步探討基本面量化方法的技術(shù)細(xì)節(jié)之前，有必要概述一下常用的估值框架。在這方面，兩個(gè)主要的方法包括現(xiàn)金流折現(xiàn)模型（Discounted Cash Flow，DCF）和剩余收益模型（Residual Income Model）。這些方法側(cè)重于對(duì)公司未來(lái)最長(zhǎng)達(dá) 15 年的收益進(jìn)行預(yù)測(cè)。前五年的預(yù)測(cè)基于最近五年的增長(zhǎng)率，體現(xiàn)了對(duì)公司短期增長(zhǎng)潛力的信心。接下來(lái)的五到十年，考慮到競(jìng)爭(zhēng)加劇和行業(yè)環(huán)境變化可能削弱公司市場(chǎng)地位的影響，增長(zhǎng)假設(shè)會(huì)調(diào)整為更為保守的水平。這一階段對(duì)于評(píng)估企業(yè)應(yīng)對(duì)新進(jìn)入者的能力以及維持利潤(rùn)率的能力至關(guān)重要。利潤(rùn)率通常通過(guò)毛利率來(lái)衡量。

然而，要全面理解研發(fā)（R&D）投入對(duì)銷(xiāo)售業(yè)績(jī)的影響，不能僅僅關(guān)注毛利率，還需要考察將研發(fā)費(fèi)用計(jì)入在內(nèi)的營(yíng)業(yè)利潤(rùn)率或凈利潤(rùn)率。銷(xiāo)售增長(zhǎng)是企業(yè)保持競(jìng)爭(zhēng)優(yōu)勢(shì)的核心驅(qū)動(dòng)力。在這一過(guò)程中，資產(chǎn)周轉(zhuǎn)率作為衡量資產(chǎn)創(chuàng)造銷(xiāo)售效率的重要指標(biāo)，發(fā)揮著關(guān)鍵作用。與利潤(rùn)率類(lèi)似，資產(chǎn)周轉(zhuǎn)率的預(yù)測(cè)也分階段進(jìn)行：前五年通常采用最近實(shí)際數(shù)據(jù)，隨后十年則逐步下調(diào)，以反映市場(chǎng)競(jìng)爭(zhēng)的加劇。

基本面分析的另一項(xiàng)關(guān)鍵指標(biāo)是杠桿率。隨著企業(yè)擴(kuò)張，資本需求上升，負(fù)債通常也會(huì)隨之增加，導(dǎo)致杠桿水平提升。分析師會(huì)密切關(guān)注流動(dòng)比率等指標(biāo)，以評(píng)估企業(yè)的潛在杠桿狀況。

在上述指標(biāo)中，銷(xiāo)售增長(zhǎng)率和利潤(rùn)率被視為動(dòng)態(tài)比率，可以通過(guò)利潤(rùn)表數(shù)據(jù)進(jìn)行預(yù)測(cè)；而資產(chǎn)周轉(zhuǎn)率和杠桿率則更偏向靜態(tài)指標(biāo)，反映的是資產(chǎn)負(fù)債表所揭示的財(cái)務(wù)狀況。

在對(duì)企業(yè)進(jìn)行估值時(shí)，分析師通常會(huì)在第 15 年后采用與所在國(guó)家 GDP 增長(zhǎng)率相一致的終值增長(zhǎng)率。這一做法基于企業(yè)增長(zhǎng)最終將趨于穩(wěn)定，并與整體經(jīng)濟(jì)同步的原則。因此，企業(yè)估值在很大程度上取決于其競(jìng)爭(zhēng)優(yōu)勢(shì)的可持續(xù)期限，這體現(xiàn)在第六年至第十五年期間利潤(rùn)率的逐步下降。利潤(rùn)率緩慢下滑通常意味著企業(yè)擁有較高的進(jìn)入壁壘或?qū)Ｓ匈Y產(chǎn)（如專(zhuān)利），這些都表明企業(yè)具備持久的競(jìng)爭(zhēng)護(hù)城河，從而在量化基本面分析框架下提升其估值水平。

3

接下來(lái)從因子投資的視角下，解讀企業(yè)估值原理和基本面量化的實(shí)際應(yīng)用。因子投資是現(xiàn)代投資組合理論的重要基石。它通過(guò)因子的視角分析市場(chǎng)，每個(gè)因子代表著不同的風(fēng)險(xiǎn)和收益特征，投資者可以據(jù)此優(yōu)化投資策略。

MSCI 將系統(tǒng)性因子分為六大類(lèi)：價(jià)值、規(guī)模、低波動(dòng)、高股息、質(zhì)量，以及動(dòng)量與成長(zhǎng)。這一分類(lèi)體系不僅簡(jiǎn)化了復(fù)雜的市場(chǎng)風(fēng)格，也突顯了證券分析的多維特性。

在該框架下，價(jià)值、規(guī)模、股息率和質(zhì)量因子與基本面變量密切相關(guān)，為傳統(tǒng)財(cái)務(wù)分析與量化方法之間搭建了橋梁。通過(guò)基本面分析的視角審視這些因子，投資者能夠更深入地理解驅(qū)動(dòng)資產(chǎn)回報(bào)的內(nèi)在特征。

下圖整理了實(shí)證研究文獻(xiàn)中常見(jiàn)的基本面變量以及它們?cè)诿拦墒袌?chǎng)中的表現(xiàn)。對(duì)于每個(gè)變量，表中列出了其名稱(chēng)、來(lái)源、實(shí)證區(qū)間以及因子平均超額回報(bào)的 t-statistics。

4

本節(jié)探討在利用基本面信息方面取得的一些新進(jìn)展。

1 錯(cuò)誤定價(jià)

基本面數(shù)據(jù)的一個(gè)重要用途是比較市場(chǎng)價(jià)格相對(duì)于企業(yè)公允價(jià)值而言是高估還是低估。這通常通過(guò)一些基于基本面因子的多因子模型來(lái)判斷。如果存在較大偏離，即被稱(chēng)為錯(cuò)誤定價(jià)，這是量化基本面投資中的一個(gè)核心議題。

Stambaugh, Yu and Yuan (2015) 通過(guò)結(jié)合11種異象來(lái)衡量錯(cuò)誤定價(jià)。這些異象包括：財(cái)務(wù)困境、O-score （Ohlson 1980）、凈股票發(fā)行、綜合股權(quán)發(fā)行、總應(yīng)計(jì)項(xiàng)目、凈經(jīng)營(yíng)資產(chǎn)、動(dòng)量、毛利潤(rùn)率、資產(chǎn)增長(zhǎng)、資產(chǎn)回報(bào)率，以及投資與資產(chǎn)比率。對(duì)于每只股票而言，錯(cuò)誤定價(jià)的大小由其在這 11 個(gè)異象變量的綜合排名來(lái)決定：對(duì)于每一個(gè)異象，排名越高對(duì)應(yīng)的未來(lái)平均回報(bào)越低，即該股票被高估的程度越大。給定股票的綜合排名為其在 11 個(gè)異象變量中排名的算術(shù)平均。

此外，研究者嘗試使用不同的基本面變量來(lái)構(gòu)建反映股票財(cái)務(wù)健康狀況的指標(biāo)。Alman (1968) 所提出的 Z-score 是這方面研究的先驅(qū)，它常被用于預(yù)測(cè)公司在兩年內(nèi)破產(chǎn)的概率。類(lèi)似的，Piotroski (2000) 的 F-score 也被用于評(píng)估公司的財(cái)務(wù)健康狀況，分?jǐn)?shù)越高，財(cái)務(wù)狀況越好。

Altman Z-score 和 Piotroski F-score 這兩種度量公司基本面健康程度的指標(biāo)均是基于排名或預(yù)設(shè)的規(guī)則（比如加權(quán)總和或得分總和），其中強(qiáng)弱的劃分標(biāo)準(zhǔn)具有一定的主觀(guān)性。Bartram and Grinblatt (2018) 試圖利用純統(tǒng)計(jì)學(xué)方法、利用截面上的所有公司來(lái)估計(jì)每個(gè)公司的內(nèi)在價(jià)值，并基于此在市場(chǎng)中尋找定價(jià)錯(cuò)誤。

為此，作者使用股票的市值對(duì)公司層面的諸多會(huì)計(jì)條目進(jìn)行截面回歸，并通過(guò)殘差來(lái)判斷一個(gè)公司到底是被高估還是低估。而由于回歸模型中包含截距項(xiàng)，因此殘差之和為零，意味著市場(chǎng)組合整體的估值是公允的。因此，殘差大于零表明公司被高估、殘差小于零表明公司被低估。

Bartram and Grinblatt (2018) 選擇的會(huì)計(jì)條目包括資產(chǎn)水平、股息、股東權(quán)益、凈收入、投資資本、債務(wù)、所得稅、負(fù)債、現(xiàn)金、應(yīng)付賬款、應(yīng)計(jì)項(xiàng)目等。實(shí)證結(jié)果表明，將股票按照錯(cuò)誤定價(jià)的程度排序后分為 5 分組，并通過(guò)做多最被低估同時(shí)做空最被高估所構(gòu)造的投資組合，其月均收益率為 0.42%，對(duì)應(yīng)的 t-statistic 為 2.38，在經(jīng)濟(jì)上和統(tǒng)計(jì)上都十分顯著。

2 業(yè)績(jī)公告

考察業(yè)績(jī)公告對(duì)股票預(yù)期收益率橫截面差異的影響是另一個(gè)重要的研究方向。Savor and Wilson (2016) 指出，公司在計(jì)劃披露財(cái)報(bào)的期間，股價(jià)通常會(huì)出現(xiàn)上漲。未公告公司以及整個(gè)市場(chǎng)會(huì)對(duì)那些提供更具盈余信息含量的公告作出更強(qiáng)烈反應(yīng)。當(dāng)更多公司同時(shí)披露財(cái)報(bào)時(shí)，市場(chǎng)的反應(yīng)也會(huì)更為強(qiáng)烈，因?yàn)檫@為整體現(xiàn)金流信息提供了更精確的信號(hào)。未公告公司對(duì)其他公司公告的敏感性也會(huì)隨著自上次財(cái)報(bào)公告以來(lái)時(shí)間的推移而增強(qiáng)。

在這一背景下，業(yè)績(jī)公告風(fēng)險(xiǎn)可被視為整體現(xiàn)金流風(fēng)險(xiǎn)的代理變量，因此應(yīng)獲得風(fēng)險(xiǎn)溢價(jià)。公告風(fēng)險(xiǎn)溢價(jià)在股票間具有較強(qiáng)的持續(xù)性：歷史上在公告期間收益較高（較低）的股票，在未來(lái)公告日依然會(huì)獲得較高（較低）收益。未公告公司，尤其是長(zhǎng)時(shí)間未披露財(cái)報(bào)的公司，相較于近期剛披露過(guò)的公司，對(duì)新發(fā)布的公告表現(xiàn)出更強(qiáng)烈的反應(yīng)。

3 投機(jī)情緒

資產(chǎn)定價(jià)中的一個(gè)重要因素是投資者情緒。研究者們正在嘗試?yán)门c交易相關(guān)的基本面數(shù)據(jù)來(lái)捕捉它。Devault, Sias and Starks (2019) 研究了由于機(jī)構(gòu)和個(gè)人投資者的情緒突然變化造成的需求突變對(duì)市場(chǎng)的影響。他們發(fā)現(xiàn)情緒指標(biāo)捕捉到的是機(jī)構(gòu)投資者而非個(gè)人投資者的需求沖擊。經(jīng)過(guò)進(jìn)一步的研究，作者揭示了潛在的經(jīng)濟(jì)機(jī)制，并得出結(jié)論：市場(chǎng)情緒與投資機(jī)構(gòu)之間的關(guān)系很大一部分取決于機(jī)構(gòu)的投資風(fēng)格，如風(fēng)險(xiǎn)管理和動(dòng)量交易等。

在衡量投資者情緒時(shí)，Devault, Sias and Starks (2019) 借鑒了Baker and Wurgler (2006) 的方法，而后者本身也非常值得探討。該文使用六個(gè)投資者情緒代理指標(biāo)來(lái)綜合衡量投資者情緒，包括封閉式基金折價(jià)、紐約證券交易所的股票換手率、IPO 數(shù)量、IPO 首日平均收益率、股權(quán)發(fā)行在總債務(wù)和股權(quán)發(fā)行中的比例，以及股息溢價(jià)。為了提取這六個(gè)變量中包含的公共信息，兩位作者采用了 PCA，即投資者情緒的變化由六個(gè)代理指標(biāo)變化的第一主成分捕捉。實(shí)證研究結(jié)果表明，第一主成分解釋了樣本方差的 49%，具有顯著的代表性。

實(shí)證研究表明，投資者情緒與許多市場(chǎng)異?，F(xiàn)象密切相關(guān)。例如，Stambaugh, Yu and Yuan (2012) 利用投資者情緒指數(shù)來(lái)檢驗(yàn)前面提到的 11 個(gè)異象的多空投資組合，以及在不同投資者情緒狀態(tài)下多頭和空頭部分的表現(xiàn)，從而提供了關(guān)于投資者情緒與錯(cuò)誤定價(jià)之間關(guān)系的詳細(xì)討論。

通過(guò)比較多頭和空頭部分的表現(xiàn)，而不僅僅是多空投資組合的表現(xiàn)，他們發(fā)現(xiàn)了一些有趣的現(xiàn)象：在這 11 個(gè)異象中，有 10 個(gè)異象的空頭端的預(yù)期回報(bào)在不同投資者情緒狀態(tài)下出現(xiàn)了明顯的不同。具體而言，在投資者情緒較高的時(shí)期，這些異象空頭端的預(yù)期回報(bào)顯著低于投資者情緒較低的時(shí)期。相比之下，多頭部分的表現(xiàn)則截然不同：在全部 11 個(gè)異象中，不同情緒狀態(tài)下的多頭部分表現(xiàn)均沒(méi)有顯著差異。上述強(qiáng)烈的對(duì)比意味著，不同情緒狀態(tài)下異象收益率的差異表現(xiàn)主要由空頭驅(qū)動(dòng)。

4 經(jīng)濟(jì)關(guān)聯(lián)公司

經(jīng)濟(jì)活動(dòng)和業(yè)務(wù)運(yùn)營(yíng)使市場(chǎng)中的公司形成相互交織的網(wǎng)絡(luò)。企業(yè)之間通過(guò)供應(yīng)鏈、行業(yè)業(yè)務(wù)關(guān)聯(lián)、合作伙伴關(guān)系以及共享資源等多種形式的企業(yè)間關(guān)系，直接或間接地聯(lián)系在一起，構(gòu)成了一個(gè)復(fù)雜的關(guān)聯(lián)體系。公司之間經(jīng)營(yíng)上的聯(lián)系可能帶來(lái)績(jī)效的相互影響，并反映出更廣泛的市場(chǎng)趨勢(shì)，而股票回報(bào)通常會(huì)表現(xiàn)出一種領(lǐng)先—滯后效應(yīng)，即當(dāng)一類(lèi)資產(chǎn)比另一類(lèi)資產(chǎn)更快或更早地對(duì)信息或事件作出反應(yīng)時(shí)，后者的價(jià)格調(diào)整在時(shí)間上滯后。這個(gè)現(xiàn)象反映了市場(chǎng)上信息傳播的不均衡性，并為基本面量化分析提供了另一種思路。

在基本面量化方法中利用領(lǐng)先—滯后效應(yīng)，首先需要識(shí)別公司之間的經(jīng)濟(jì)關(guān)聯(lián)，然后將領(lǐng)先公司（也被稱(chēng)為關(guān)聯(lián)公司）的回報(bào)作為預(yù)測(cè)變量，用于預(yù)測(cè)滯后公司（也被稱(chēng)為焦點(diǎn)公司）未來(lái)的預(yù)期收益率。關(guān)聯(lián)公司和焦點(diǎn)公司收益率之間的關(guān)系是動(dòng)量溢出效應(yīng)的一種體現(xiàn)，揭示了驅(qū)動(dòng)資產(chǎn)價(jià)格動(dòng)態(tài)變化的潛在經(jīng)濟(jì)機(jī)制和市場(chǎng)行為。

對(duì)領(lǐng)先—滯后效應(yīng)展開(kāi)實(shí)證研究，第一步需要刻畫(huà)公司間的經(jīng)濟(jì)關(guān)聯(lián)——這也是長(zhǎng)期以來(lái)學(xué)術(shù)研究的主要方向。下圖列出了這方面的代表性研究。

一旦有了經(jīng)濟(jì)關(guān)聯(lián)，就可以按照如下方法構(gòu)造因子，即對(duì)于任何一個(gè)焦點(diǎn)公司，計(jì)算其關(guān)聯(lián)公司歷史收益率的加權(quán)平均，其中權(quán)重由關(guān)聯(lián)的強(qiáng)弱決定：

其中??代表焦點(diǎn)公司??的所有關(guān)聯(lián)公司，?用于衡量焦點(diǎn)公司??與關(guān)聯(lián)公司??的關(guān)聯(lián)強(qiáng)弱，?表示??期公司??的回報(bào)。為了檢驗(yàn)動(dòng)量溢出效應(yīng)，可以通過(guò)如下方式構(gòu)造投資組合：做多高??的股票并同時(shí)做空低??的股票。實(shí)證結(jié)果顯示該策略能夠獲得顯著的超額收益，表明企業(yè)間的關(guān)系網(wǎng)絡(luò)包含有關(guān)資產(chǎn)回報(bào)的有效信息。

5

本文探討了基本面量化投資的這一創(chuàng)新領(lǐng)域。這類(lèi)策略巧妙融合了基本面分析的深度與定量方法的精確性。

值得一提的是，利潤(rùn)表和資產(chǎn)負(fù)債表中的基本面數(shù)據(jù)早已被廣泛應(yīng)用于投資實(shí)踐，因此相關(guān)因子的收益率隨著時(shí)間的推移而出現(xiàn)衰減，而業(yè)界對(duì)于這一現(xiàn)象也早有預(yù)期。在此背景下，行業(yè)亟需探索并納入更多交易數(shù)據(jù)的新型基本面因子。例如，考察賣(mài)空數(shù)量和基金資金流及其潛在變化，有望開(kāi)辟基本面量化分析的新維度。

基本面量化投資需要融合多領(lǐng)域的專(zhuān)業(yè)知識(shí)，如金融學(xué)、經(jīng)濟(jì)學(xué)、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué)等不一而足?；久媪炕瘜?zhuān)家需要同時(shí)具備對(duì)金融市場(chǎng)和投資原則的深刻理解，從而有效地從基本面視角評(píng)估證券價(jià)值和市場(chǎng)趨勢(shì)。此外，嚴(yán)謹(jǐn)?shù)慕y(tǒng)計(jì)分析能力為他們發(fā)現(xiàn)模式和檢驗(yàn)假設(shè)提供了支持，而計(jì)算機(jī)科學(xué)的專(zhuān)業(yè)知識(shí)則是管理和分析支撐量化基本面策略所需海量數(shù)據(jù)的必備條件。隨著機(jī)器學(xué)習(xí)和人工智能在預(yù)測(cè)建模中的作用日益突出，熟悉這些領(lǐng)域也正成為當(dāng)代量化投資者的必備能力。最后，上述技能還需與敏銳的風(fēng)險(xiǎn)管理意識(shí)和對(duì)心理因素的理解相結(jié)合，這些往往決定了投資結(jié)果的成敗。

實(shí)踐中，量化基本面團(tuán)隊(duì)通常由專(zhuān)注于上述領(lǐng)域的成員組成——金融分析師、量化分析師、數(shù)據(jù)科學(xué)家、程序員、風(fēng)險(xiǎn)管理人員，有時(shí)還包括行為科學(xué)家——每個(gè)人都帶來(lái)了獨(dú)特的視角，協(xié)同合作，形成了遠(yuǎn)超個(gè)體能力總和的投資策略。

（完）

特別說(shuō)明：本文的正文部分節(jié)選和翻譯自麥教授、盧博士和我所著的《Navigating the Factor Zoo: The Science of Quantitative Investing》。

References

• Ali, U. and D. Hirshleifer (2020). Shared analyst coverage: Unifying momentum spillover effects.?Journal of Financial Economics 136(3), 649–675.
• Alman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy.?Journal of Finance 23(4), 189–209.
• Alwathainani, A. M. (2009). Consistency of firms' past financial performance measures and future returns.?The British Accounting Review 41(3), 184–196.
• Baker, M. and Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns.?Journal of Finance 61(4), 1645-1680.
• Balakrishnan K., E. Bartov, and L. Faurel (2010). Post loss/profit announcement drift.?Journal of Accounting and Economics 50(1), 20–41.
• Banz, R. W. (1981). The relationship between return and market value of common stocks.?Journal of Financial Economics 9(1), 3–18.
• Bartram, S. M. and M. Grinblatt (2018). Agnostic fundamental analysis works.?Journal of Financial Economics 128(1), 125–147.
• Basu, S. (1977). Investment performance of common stocks in relation to their price-earnings ratios: A test of the efficient market hypothesis.?Journal of Finance 32(3), 663–682.
• Cao, J., T. Chordia, and C. Lin (2016). Alliances and return predictability.?Journal of Financial and Quantitative Analysis 51(5), 1689–1717.
• Cohen, L. and A. Frazzini (2008). Economic links and predictable returns.?Journal of Finance 63(4), 1977–2011.
• Cohen, L. and D. Lou (2012). Complicated firms.?Journal of Financial Economics 104(2), 383–400.
• Devault, L., R. Sias, and L. Starks (2019). Sentiment metrics and investor demand.?Journal of Finance 74(2), 985–1024.
• Fama, E. F. and K. R. French (1992). The cross-section of expected stock returns.?Journal of Finance 47(2), 427–465.
• Haugen, R. A. and Nardin L. Baker (1996). Commonality in the determinants of expected stock returns.?Journal of Financial Economics 41(3), 401–439.
• Lee, M. C. M., E. C. So, and C. C. Y. Wang (2021). Evaluating firm-level expected-return proxies: Implications for estimating treatment effects.?Review of Financial Studies 34(4), 1907-1951.
• Lee, C. M. C., S. T. Sun, R. Wang, and R. Zhang (2019). Technological links and predictable returns.?Journal of Financial Economics 132(3), 76–96.
• Litzenberger R. H. and K. Ramaswamy (1979). The effect of personal taxes and dividends on capital asset prices: Theory and empirical evidence.?Journal of Financial Economics 7(2), 163–195.
• Loughran, T. and J. R. Ritter (1995). The new issues puzzle.?Journal of Finance 50(1), 23–51.
• Loughran, T. and J. W. Wellman (2011). New evidence on the relation between the enterprise multiple and average stock returns.?Journal of Financial and Quantitative Analysis 46(6), 1629–1650.
• Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy.?Journal of Accounting Research 18(1), 109–131.
• Parsons, C. A., R. Sabbatucci, and S. Titman (2020). Geographic lead–lag effects.?Review of Financial Studies 33(10), 4721–4770.
• Piotroski, J. D. (2000). Value investing: The use of historical financial statement information to separate winners from losers.?Journal of Accounting Research 38, 1–41.
• Savor, P. and M. Wilson (2016). Earnings announcements and systematic risk.?Journal of Finance 71(1), 83–138.
• Stambaugh, R. F., J. Yu, and Y. Yuan (2012). The short of it: Investor sentiment and anomalies.?Journal of Financial Economics 104(2), 288–302.
• Stambaugh, R. F., J. Yu, and Y. Yuan (2015). Arbitrage asymmetry and the idiosyncratic volatility puzzle.?Journal of Finance 70(5), 1903–1948.

免責(zé)聲明：入市有風(fēng)險(xiǎn)，投資需謹(jǐn)慎。在任何情況下，本文的內(nèi)容、信息及數(shù)據(jù)或所表述的意見(jiàn)并不構(gòu)成對(duì)任何人的投資建議。在任何情況下，本文作者及所屬機(jī)構(gòu)不對(duì)任何人因使用本文的任何內(nèi)容所引致的任何損失負(fù)任何責(zé)任。除特別說(shuō)明外，文中圖表均直接或間接來(lái)自于相應(yīng)論文，僅為介紹之用，版權(quán)歸原作者和期刊所有。