主题选股策略系列：成长为矛基本面为盾，量化掘金科技股投资

核心观点与关键数据

1. 模型构建与变量定义

   • 提出基于时间序列和因子分析的多维度模型，核心公式为：
     \[ X_t = X_{t-8} + \mathbb{E}(X_t) - \mathbb{E}(X_{t-4}) \]
     其中 \( X_i = t-9, t-8, ..., t-1 \)，通过均值差分捕捉波动性。

2. 风险度量与因子分解

   • 风险指标 \( HHI \) 定义为：
     \[ HHI = \sum_{i=1}^R \frac{R_{it}^{p_i}}{S_{it}} \]
     结合收益率 \( R_{it} \) 与波动率 \( S_{it} \) 计算。
   • 收益率分解模型：
     \[ R_{it} = \alpha_i t + \beta_i t \cdot EPU_t + \beta_i K_t \cdot EPU_t + \beta_i S_t \cdot EPU_t + \epsilon_i t \]
     其中 \( EPU_t \) 为企业盈利能力指标。

3. 排名与因子分析

   • 排名指标 \( PB\_RE = Rank(PB\_EQ) - Rank(ROE\_TTM) \)
   • 因子回归模型：
     \[ y_i = \alpha + \beta_1 \ln(mv_i) + \beta_2 \cdot industry\_type_i + \epsilon_i \]
     通过市值与行业类型解释收益差异。

4. 异常值检测与阈值设定

   • 异常值定义为：
     \[ \ ext{Z-score} = \frac{X_i - \bar{X}}{\sigma_X} \]
     设定阈值 \( \pm 2 \sigma \) 判定异常波动。
   • 函数 \( f(w) \) 定义为：
     \[ f(w) = \max_{t} \log \left( \frac{X_s(w - \ heta)}{w} \right) \]
     其中 \( w \in (10, 1) \) 为权重参数。

5. 实证分析结论

   • 样本期内（2010-2023），因子模型解释率达 85%，其中盈利能力 \( EPU \) 权重最高。
   • 排名指标 \( PB\_RE \) 与市场超额收益显著相关，相关系数为 0.72。
   • 异常值检测准确率达 93%，主要通过因子组合捕捉系统性风险。

研究结论

该模型通过多维度因子分解和风险度量，有效捕捉企业收益波动性，其中盈利能力与行业特征是关键解释变量。实证结果表明，排名指标与市场表现高度相关，异常值检测方法具有较强稳定性。模型为量化投资策略提供了新的分析框架。