多因子选股策略经典梳理
多因子选股策略经典梳理
总收益
年化收益率
跑赢沪深300指数次数
跑赢概率沪深300指数
200.16%
18.69%市净率从低到高排序：1-50名
总收益：452.54%
年化收益率：30.54%
跑赢沪深300指数次数：44
跑赢概率：57.14%1-100名
423.63%
29.45%
46
59.74%101-200名
41
118.40%
12.95%
40
51.95%751-800名
81.05%
9.70%
36
46.75%
（四）盈利因子
通过对时间内市场的分析，整体上来说，从净资产收益率、 总资产报酬率和销售毛利率等盈利性指标看，盈利能力较强 的股票组合表现较好。盈利能力较强股票构造的组合整体上 超越沪深300指数，也优于盈利能力较弱股票构造的组合 但销售净利率较高股票构造的组合表现反而较差，落后于沪 深300指数，也落后于销售净利率较低股票构造的组合。 盈利因子（净资产收益率、总资产报酬率、销售毛利率）对 股票收益的影响不是特别显著，其中净资产收益率指标较为 显著。
跑赢概率：63.64%
（以下类似）
1-100名
814.26%
41.20%
47
61.04%101-200名
473.13%
31.29%
61.04%201-300名
271.40%
22.70%
44
57.14%301-400名
246.74%
21.39%
41
53.25%401-500名
247.91%
21.46%
62.34%401-500名
227.39%
股票量化投资策略研究：股票多因子策略研究
股票多因子测试入门一、前言做这个研究的目的，一是为了搞清楚股票策略研究中的一些细节问题，熟悉股票研究框架；二是为了大致了解各类因子的作用。
用米筐测，那里数据完善。
现在要做的，主要就是模仿，看别人的。
先学barra。
二、Barra Multiple-Factor Modeling来自Barra Risk Model HandBook。
（一）因子（Descriptor）筛选、单位化处理、搭配然后选择所有备用的因子descriptors（类似因子？以下简称“因子”），要先检验因子的显著性；通常，因子要显著地解释截面收益。
descriptor可来自基本面数据、市场数据（价、量）、或者其他数据。
因子的选择可分为几步：（1）初步筛选；有用的因子，通常要有意义，也就是make sense intuitively；其次，好的因子还必须能够对市场上的所有股票进行很好的分类，也就是完备性，不应当存在某些股票不属于因子中某一类的情况；因子需要有理论基础；（2）同时，增加一个因子如果不能增加解释度，那这个增加没有必要。
然后要将descriptors单位化；很简单，减去均值，然后除以标准差。
然后，要选择不同因子进行搭配，risk index formulation；如何搭配，主观判断起到一定作用；但是诸如cluster analysis之类的统计方法也经常用到。
在单位化以后，我们用收益率对行业和descriptor进行回归，每次测试一个因子，我们要统计回归的显著性；通过上面的测试结果，我们就可以选择出有用的因子；因子搭配，是一个递归的过程，我们首先加入最显著的因子；此后，再加入另一个因子（剩下的因子里面的最显著的？），如果这个因子没有显著增加解释度，则不要这个因子，否则就加入这个新的因子（注：这里依然要考虑行业暴露）。
然后，行业因素也要考虑进行；或者叫，行业暴露。
通常，一个公司只属于一个行业；但是，在美国和日本，会根据该公司营收的比例来决定各个行业暴露的权重。
多因子量化选股策略sas
多因子量化选股策略sas一、多因子量化选股策略概述多因子量化选股策略是指通过利用多个因子对股票进行评估，从而选择出具有较高综合得分的股票作为投资对象的一种投资策略。
该策略基于大量历史数据和统计分析方法，通过建立数学模型对不同因子进行加权组合，从而实现对市场中个股的评估和选取。
二、多因子量化选股策略的优点1. 有效避免主观判断带来的误差。
多因子量化选股策略依赖于大量历史数据和统计分析方法，减少了人为主观判断带来的误差。
2. 提高投资决策效率。
通过建立数学模型，多因子量化选股策略能够快速准确地对市场中个股进行评估和排名，提高了投资决策效率。
3. 降低风险。
多因子量化选股策略能够根据不同因子对个股进行综合评估，降低了单一指标带来的风险。
三、多因子量化选股策略的核心思想1. 因子选择。
多因子量化选股策略的核心在于选择合适的因子，以评估股票的优劣。
常用的因子包括：市盈率、市净率、PEG、ROE、ROA等。
2. 因子加权。
不同因子对个股的影响程度不同，需要进行加权处理，以反映其在综合评估中的重要性。
3. 因子组合。
选取若干个因子进行组合，得到综合得分，以便对个股进行排名和选取。
四、多因子量化选股策略的实现方法1. 数据获取。
多因子量化选股策略需要大量历史数据作为基础，包括财务数据、市场数据等。
2. 因子构建。
根据选定的因子和权重，构建数学模型，并利用统计分析方法对模型进行优化和验证。
3. 选股策略执行。
根据综合得分对个股进行排名，并选择得分较高的个股作为投资对象。
五、多因子量化选股策略在SAS中的应用SAS是一款专业数据分析软件，在多因子量化选股策略中具有广泛应用。
具体实现方法如下：1. 数据获取。
SAS可以通过连接各大交易所的数据源，获取市场数据和财务数据。
2. 因子构建。
SAS可以利用SAS/STAT、SAS/ETS等模块进行因子构建和模型优化。
3. 选股策略执行。
SAS可以通过SAS/IML、SAS/OR等模块实现选股策略的执行和结果分析。
多因子量化选股指标公式
多因子量化选股指标公式
多因子量化选股指标公式是一种用于在股票市场中选择优质个股的数学模型。
它通过运用多个因子指标来评估股票的投资价值，并以此为依据进行选股操作。
下面将介绍几种常见的多因子量化选股指标公式。
1. P/E 比率（市盈率）：市盈率是衡量股票价格与公司盈利之间关系的一个重
要指标。
公式为市值除以公司的净利润，其值越低，代表该股票的估值相对较低，投资价值较高。
2. P/B 比率（市净率）：市净率是衡量股票价格相对于每股账面净资产的指标。
公式为市值除以公司净资产，数值小于1代表股票可能被低估，值得投资。
3. ROE（净资产收益率）：ROE是衡量公司盈利能力的指标，公式为净利润除以净资产。
高ROE意味着公司利润增长能力强，可能是一个投资选择的重要因素。
4. 市值因子：市值因子是根据公司的市值来进行评估的指标，通常用于评估公
司的规模和估值。
较小的市值可能代表较高的成长空间和潜在收益。
5. 成长因子：成长因子是用于评估公司的盈利增长能力的指标。
常见的成长因
子包括每股收益增长率、销售增长率等。
6. 财务稳定性指标：财务稳定性指标用于评估公司的财务健康状况，包括债务
比率、流动比率等。
较低的负债比率和较高的流动比率代表着较好的财务稳定性。
需要注意的是，不同的投资者可能会根据自己的投资风格和策略选择不同的多
因子指标，因此，在使用多因子量化选股指标公式时，投资者应综合考虑多个因素，并以自身的风险承受能力和投资目标来制定投资策略。
多因子量化选股策略
多因子量化选股策略多因子策略的核心理念是市场上股票的回报不仅取决于整体市场的因素，还受到公司基本面、市场情绪、估值和技术指标等多个因素的影响。
通过综合考虑这些因素，可以更加全面地衡量股票的投资价值，提高选股的准确性和整体回报的稳定性。
在构建多因子选股策略时，首先需要确定一系列的因子指标。
常见的因子包括：估值因子（如市盈率、市净率）、成长因子（如营收增长率、净利润增长率）、盈利质量因子（如现金流量比率、资产负债率）、市场情绪因子（如市场波动率、投资者情绪指标）、技术指标（如动量指标、相对强弱指标）等。
这些因子都各自代表了一方面的股票表现，通过综合考虑这些因子，可以形成一个全面的股票选股模型。
其次，需要对每个因子进行权重分配。
在分配权重时，可以根据因子的相关性、历史表现、理论依据等进行判断。
一种常见的方法是通过回归分析来确定每个因子的权重，使得选股模型能够最大程度地解释股票的回报。
最后，在确定了因子和权重之后，就可以应用量化的方法来进行选股和构建投资组合。
通过计算每只股票的因子得分，并根据得分进行排名，可以挑选出相对较好的个股。
同时，还可以通过将这些个股按照一定的规则组合成投资组合，以实现更好的风险和收益平衡。
需要注意的是，多因子量化选股策略并不是一成不变的，随着市场环境和投资者偏好的变化，策略的因子和权重也需要不断调整优化。
此外，考虑到人为主观因素的干扰，量化选股策略也需要定期进行回测和验证，以确保策略的有效性和稳定性。
总体而言，多因子量化选股策略是一种科学系统的选股方法，能够通过综合考虑多个因素来提高选股的准确性和投资组合的稳定性。
然而，对于普通股民而言，如果没有专业的量化模型和数据分析能力，参与多因子量化选股需要有专业投资顾问的指导和支持，以避免不必要的风险和误判。
量化交易——因子选股、多因子选股策略
量化交易——因⼦选股、多因⼦选股策略⼀、因⼦选股策略1、因⼦ 因⼦：选择股票的某种标准。
因⼦是能够预测股票收益的变量。
（1）基本⾯因⼦ 基本⾯因⼦描述了⼀个公司的财务状况，最常见的基本⾯因⼦是由利润表，资产负债表以及现⾦流量表中的数据直接计算出的⽐率。
通过财务报表可以构建出⽆数的财务⽐率及财务报表变量的组合，并以此来预测股票的收益率。
⼀般将基本⾯因⼦分为6⼩类：估值因⼦、偿债能⼒因⼦、营运效率因⼦、盈利能⼒因⼦、财务风险因⼦以及流动性风险因⼦。
（2）技术⾯因⼦ ⼤多数技术⾯因⼦是由过去的价格、成交量以及其他可获得的⾦融信息所构建的，技术⾯因⼦⼀⼤优势是能够持续更新。
新的基本⾯数据最多只能按季度获取，相反，最新的技术指标每隔⼏秒就可以获得。
（3）经济因⼦ 最初的套利定价模型是基于经济指标来构建的。
⽐较流⾏的经济因⼦包括：GDP增速、失业率以及通货膨胀率等，它们⼏乎会影响到市场的每⼀个⾓落。
（4）其他因⼦ 其他因⼦的类型包括但不限于：分析师预测因⼦、事件驱动因⼦。
2、选股策略（策略模型） 对于某个因⼦，选取表现最好（因⼦最⼤或最⼩）的N⽀股票持仓。
每隔⼀段时间调仓⼀次。
3、⼩市场策略 选取股票池中市值最⼩的N只股票持仓。
⼆、聚宽实现因⼦选股策略——⼩市值策略 沪深300中，根据市值最⼩的20只股票选股：# 初始化函数，设定基准等等def initialize(context):# 设定沪深300作为基准set_benchmark('000300.XSHG')# 开启动态复权模式(真实价格)set_option('use_real_price', True)# 输出内容到⽇志 ()('初始函数开始运⾏且全局只运⾏⼀次')# 股票类每笔交易时的⼿续费是：买⼊时佣⾦万分之三，卖出时佣⾦万分之三加千分之⼀印花税, 每笔交易佣⾦最低扣5块钱set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')# 获取指数成份股g.security = get_index_stocks('000300.XSHG')# valuation：财务数据表,code是对应的股票代码# 这⾥不能使⽤ in 操作, 要使⽤in_()函数,找到沪深300股份对应的财务数据g.q = query(valuation).filter(valuation.code.in_(g.security))g.N = 20 # 20只股票run_monthly(handle, 1) # 第⼀个参数是对应的函数，第⼆个参数指第⼏个交易⽇def handle(context):df = get_fundamentals(g.q)[['code', 'market_cap']] # 花式索引选出股票代码和市值df = df.sort_values("market_cap").iloc[:g.N,:] # pandas排序函数，将数据集依照某个字段中的数据进⾏排序# 期待持有的股票to_hold = df['code'].valuesfor stock in context.portfolio.positions:if stock not in to_hold:# ⽬标股数下单,卖出⾮标的的股票order_target(stock, 0)# 期待持有且还未持仓的股票to_buy = [stock for stock in to_hold if stock not in context.portfolio.positions]if len(to_buy) > 0: # 需要调仓# 每只股票预计投⼊的资⾦cash_per_stock = context.portfolio.available_cash / len(to_buy)for stock in to_buy:# 按价值下单，买⼊需买⼊的股票order_value(stock, cash_per_stock) 执⾏效果： 这个策略在短线情况下表现⼀般，长线情况下效果不错。
数量化选股策略之十二：多因子选股策略
多因子选股策略研究员：魏刚执业证书编号：S42☎✉——数量化选股策略之十二《数量化选股策略之十一：分析师预测因子分析》2011-08-31《数量化选股策略之十：股东因子分析》2011-08-30《数量化选股策略之九：交投波动因子分析》2011-08-24《数量化选股策略之八：动量反转因子分析》2011-07-27《数量化选股策略之七：盈利因子分析》2011-07-27《数量化选股策略之六：成长因子分析》2011-07-12《数量化选股策略之五：估值因子分析》2011-07-06《数量化选股策略之四：规模因子分析》2011-06-30在前面几篇报告中我们对规模因子、估值因子、成长因子、盈利因子、动量反转因子、交投波动因子、股东因子和分析师预测因子进行了分析，其中规模因子（总市值）、估值因子（市盈率TTM）、动量反转因子（前1个月涨跌幅）、波动因子（前1个月波动率）、分析师预测因子（最近1个月净利润上调幅度）等是较为显著的因子。
由总市值、市盈率TTM、营业利润同比增长率、净资产收益率、前1个月涨跌幅、前1个月日均换手率、前1个月波动率、户均持股比例变化、机构持股变化、最近1个月净利润上调幅度等10个因子构造的等权重多因子策略表现较好。
由综合得分最高的20只中证800指数成份股构成的等权重组合大幅跑赢沪深300指数，2005年1月至2011年5月间的累计收益率为1517.29%，年化收益率达54.34%；由综合得分最高的50只中证800指数成份股构成的等权重组合同期的累计收益率为1059.72%，年化收益率达46.54%；同期沪深300指数的累计收益率为200.16%，年化收益率为18.69%。
由总市值、市盈率TTM、营业利润同比增长率、净资产收益率、前1个月涨跌幅、前1个月日均换手率、前1个月波动率、户均持股比例变化、机构持股变化、最近1个月净利润上调幅度等10个因子影响股价走势的主要因子包括市场整体走势（市场因子，系统性风险）、估值因子（市盈率、市净率、市销率、市现率、企业价值倍数、PEG等）、成长因子（营业收入增长率、营业利润增长率、净利润增长率、每股收益增长率、净资产增长率、股东权益增长率、经营活动产生的现金流量金额增长率等）、盈利能力因子（销售净利率、毛利率、净资产收益率、资产收益率、营业费用比例、财务费用比例、息税前利润与营业总收入比等）、动量反转因子（前期涨跌幅等）、交投因子（前期换手率、量比等）、规模因子（流通市值、总市值、自由流通市值、流通股本、总股本等）、股价波动因子（前期股价振幅、日收益率标准差等）、分析师预测因子（预测净利润增长率、预测主营业务增长率、盈利预测调整等）。
基于多因子模型的量化选股分析
基于多因子模型的量化选股分析基于多因子模型的量化选股分析导言：随着金融市场不断发展，越来越多的投资者开始关注量化投资策略，在股票市场中利用大数据和数学模型进行选股，以获得更好的收益。
其中，多因子模型是一种常用的量化选股方法，利用多个因子对股票进行评估和排序，从而选出具有较高收益潜力的股票。
本文将详细介绍基于多因子模型的量化选股分析方法。
一、多因子模型概述多因子模型是一种通过选取多个因子，并将这些因子进行综合分析，从而对股票进行评估和选择的模型。
多因子模型的核心思想是通过对多个不同来源的因子进行综合评估，降低单一因子的风险，提高选股的准确性和稳定性。
常用的因子包括基本面因子、技术指标因子、估值因子等。
二、多因子选股模型的构建1. 因子筛选在构建多因子模型之前，需要根据投资策略的具体要求筛选合适的因子。
常用的筛选方法包括统计分析、相关性分析和经验验证等。
这些方法可以帮助我们确定适用于选股的有效因子。
2. 因子打分对于筛选出的因子，我们可以通过对每个因子进行打分来衡量股票在该因子上的表现。
打分过程可以采用等权重法、市场中性法等。
在打分过程中，可以根据历史数据对每个因子进行调整，以提高因子的预测准确性。
3. 因子综合通过对打分后的因子进行综合，可以得到最终的选股得分。
在综合过程中，可以给予每个因子不同的权重，以反映其在选股中的重要程度。
综合得分高的股票即为选股模型中的优选股票。
三、多因子模型的应用多因子模型可以应用于不同的投资策略中，以下举例几种常见的应用情况。
1. alpha策略通过选取多个自变量（因子）与市场收益率的相关性，构建多因子模型，并通过回归计算得到股票的预期收益率。
根据预期收益率与实际收益率之间的差异，选择预期收益率较高的股票作为投资对象。
2. 套利策略通过选取多个自变量与股票的估值因子相关性，构建多因子模型，并从中发现市场上被错误估值的股票。
通过买入被低估的股票，并同时卖出被高估的股票，获得套利利润。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多因子选股策略经典梳理股市之道无非三点：1择时，2选股，3 仓控。
精通这三点中的任何一点，都足以在股市中所向披靡。
但是精通二字何其艰难。
在量化选股策略中。
多因子策略作为一个主要武器，被各种公募基金和私募基金长期使用（小编注：国内策略同质化相当严重，本文仅作为交流探讨推荐）。
在此我们为不熟悉多因子的各位朋友梳理一下不同风格的因子，以及他们的有效性。
股价是由资金推动的（上涨为正向推动，下跌为反向推动）。
但是影响资金进入和推出的因子确实千千万万，有基本面的，有消息面的，有人看国家政策，有人看分析师预测，有人听朋友介绍，有人跟风大V等等不一二足。
下面我将从9大类33个因子来给各位逐一分析。
首先给出在长时间来看表现优秀的因子。
1、规模因子，小市值效应。
（推荐指数5颗星）。
在国内外不管是成熟市场还是我国的不成熟市场，小市值效应一直存在。
并且小市值的逻辑也很清晰，市值越小被操纵的可能性就越来大，推动的估价上涨的资金需求就越小。
试用注意事项（震荡市或牛市表现优秀，下跌市跌幅大幅快于大盘---牛市买小股，熊市进蓝筹）2、动量反转因子。
（推荐指数5颗星）前一个月的涨跌幅度的反转效应明显。
长得多了当然要跌，跌得多了当然要涨，均值回归远离。
这个其实和我们所说的补跌补涨类似，从长期来看如果牛市来了，大家都会涨，只不过有的先涨，有的后涨；熊市来了大家一块跌（贪婪与恐惧的典型表现）3 、交投因子，即换手率因子。
（推荐指数4颗星）（我们选取一个月日均换手率）。
换手率高的后面表现的貌似都不佳（但经过测算新股和次新股貌似并不适用）。
逻辑依然很清晰，长期换手率高，总让人觉得有点出货的嫌疑，不是么？4、预测因子。
（推荐指数5颗星）预测当年主营业务收入增长率（平均值）。
预测收入增长但是是利好了，预测收入增长越高，利好越高。
不是么，逻辑依然清晰。
这个因子在万德等软件上有统计，各位可能不太容易获得。
因子包括9类，规模因子，估值因子，成长因子，盈利因子，动量反转因子，交投因子，波动率因子，分析师预测因子。
1.规模类因子。
包括：总市值，流通市值，自由流通市值2.估值类因子。
包括：市盈率（TTM），市净率，市销率，市现率，企业价值倍数3.成长类因子。
营业收入同比增长率、营业利润同比增长率，归属于母公司的近利润同比增长率、经营活动产生的现金流金额同比增长率4.盈利类因子。
净资产收益率ROE、总资产报酬率ROA、销售毛利率、销售净利率5.动量反转因子。
前一个月涨跌幅，前2个月涨跌幅、前3个月涨跌幅、前6个月涨跌幅6.交投因子。
前一个月日均换手率7.波动因子。
前一个月的波动率，前一个月的振幅8.股东因子。
户均持股比例、、户均持股比例变化、机构持股比例变化、9.分析师。
预测当年净利润增长率、主营业务收入增长率、最近一个月预测净利润上调幅度、最近一个月越策主营业务收入上调幅度，最近一个月上调评级占比以下为模型的设定前提：1、研究范围为中证800指数成份股，时间跨度为6年；2、组合调整周期为月，每月最后一个交易日收盘后构建下一期的组合；3、我们按各指标排序把800只成份股分成：1-50、1-100、101-200、201-300、301-400、401-500、501-600、601-700、701-800、751-800等10个组合；4、组合构建时股票的买入卖出价格为组合调整日收盘价；5、组合构建时为等权重；6、在持有期内，若某只成份股被调出中证800指数，不对组合进行调整；7、组合构建时，买卖冲击成本均为0.1%、买卖佣金均为0.1%，印花税为0.1%；8、组合A相对组合B的表现定义为：组合A的净值/组合B 的净值的走势；9、由于各因子的量纲不一样，我们对各因子进行正态标准化处理，公式为：（因子值—因子均值）/因子标准差一、多因子组合在相应时间内的表现情况我们选取规模因子（总市值）、估值因子（市盈率TTM）、成长因子（营业利润同比增长率）、盈利因子（净资产收益率）、动量反转因子（前1个月涨跌幅）、交投因子（前1个月日均换手率）、波动因子（前1个月波动率）、股东因子（户均持股比例变化、机构持股变化）、分析师预测因子（最近1个月净利润上调幅度）等10个因子构造等权重多因子策略。
由上面的运算结果可知，组合大幅度跑赢上证指数。
月度胜率近70%二、拆分各单独因子表现情况1.规模因子通过对给定时间内（时间为为6年）市场的分析，不管是从总市值、还是流通市值和自由流通市值看，A股市场存在较为显著的小盘股效应。
市值较小股票构造的组合整体上大幅超越沪深300指数，也大大优于总市值较大股票构造的组合。
规模因子（总市值、流通市值、自由流通市值）是影响股票收益的重要因子，其中总市值因子最为显著。
总市值从小到大排序处于各区间的组合表现结果指标名字：总市值从小到大排序总收益年化收益率跑赢沪深300指数次数跑赢概率沪深300指数200.16%18.69%总市值从小到大排序：1-50名总收益：1021.10%年化收益率：45.77%跑赢沪深300指数次数：49跑赢概率：63.64%（以下类似）1-100名814.26%41.20%4761.04%101-200名473.13%31.29%4761.04%201-300名271.40%22.70%4457.14%301-400名246.74%21.39%4153.25%401-500名247.91%21.46%4254.55%501-600名169.65%16.73%4051.95%601-700名222.65%20.04%4659.74%701-800名87.76%10.32%3140.26%751-800名68.73%8.50%2937.66%流通市值从小到大排序处于各区间的组合表现流通市值从小到大排序总收益年化收益率跑赢沪深300指数次数跑赢概率沪深300指数200.16%18.69%流通市值从小到大排序：1-50名总收益：597.27%年化收益率：35.36%跑赢沪深300指数次数：47跑赢概率：61.04%1-100名695.00%38.16%4761.04%101-200名413.27%29.05%4963.64%201-300名344.26%26.18%4254.55%301-400名278.08%23.04%4558.44%401-500名226.14%20.24%4153.25%501-600名191.69%18.16%4355.84%601-700名171.19%16.83%4254.55%701-800名121.43%13.20%3646.75%751-800名74.89%9.11%3342.86%自由流通市值从小到大排序处于各区间的组合表现自由流通市值从小到大排序总收益年化收益率跑赢沪深300指数次数跑赢概率沪深300指数200.16%18.69%自由流通市值从小到大排序：1-50名总收益：664.90%年化收益率：37.33%跑赢沪深300指数次数：46跑赢概率：59.74%1-100名688.01%37.97%4659.74%101-200名493.93%32.02%4862.34%201-300名335.64%25.79%4558.44%301-400名266.92%22.47%4153.25%401-500名199.85%18.67%4355.84%501-600名180.32%17.43%3950.65%601-700名181.40%17.51%4254.55%701-800名120.65%13.13%4254.55%751-800名87.51%10.30%3241.56% 通过6年内市场的分析，整体上来说，从市盈率、市净率、市销率、市现率、企业价值倍数等估值指标看，估值较低的股票组合表现较好。
估值较低股票构造的组合整体上超越沪深300指数，也优于估值较高股票构造的组合。
估值因子（市盈率、市净率、市销率、市现率、企业价值倍数）是影响股票收益的重要因子，其中市盈率（PE,TTM）因子最为显著，其次是市现率（PCF,TTM）。
市盈率（TTM）从低到高排序处于各区间的组合表现市盈率从低到高排序总收益年化收益率跑赢沪深300指数次数跑赢概率沪深300指数200.16%18.69%市盈率从低到高排序：1-50名总收益：689.98%年化收益率：38.02%跑赢沪深300指数次数：53跑赢概率：68.83%1-100名594.14%35.27%5470.13%101-200名575.34%34.69%5064.94%201-300名357.59%26.76%4659.74%301-400名272.75%22.77%4862.34%401-500名227.39%20.31%4355.84%501-600名131.02%13.95%4457.14%601-700名116.82%12.82%4457.14%701-800名194.67%18.35%4254.55%751-800名203.78%18.92%4457.14%市净率从低到高排序处于各区间的组合表现市净率从低到高排序总收益年化收益率跑赢沪深300指数次数跑赢概率沪深300指数200.16%18.69%市净率从低到高排序：1-50名总收益：452.54%年化收益率：30.54%跑赢沪深300指数次数：44跑赢概率：57.14%1-100名423.63%29.45%4659.74%101-200名356.67%26.72%4558.44%201-300名411.85%28.99%4457.14%301-400名355.17%26.65%4862.34%401-500名287.72%23.53%4558.44%501-600名197.51%18.53%4659.74%601-700名194.90%18.37%4153.25%701-800名118.40%12.95%4051.95%751-800名81.05%9.70%3646.75%（四）盈利因子通过对时间内市场的分析，整体上来说，从净资产收益率、总资产报酬率和销售毛利率等盈利性指标看，盈利能力较强的股票组合表现较好。
盈利能力较强股票构造的组合整体上超越沪深300指数，也优于盈利能力较弱股票构造的组合。
但销售净利率较高股票构造的组合表现反而较差，落后于沪深300指数，也落后于销售净利率较低股票构造的组合。
盈利因子（净资产收益率、总资产报酬率、销售毛利率）对股票收益的影响不是特别显著，其中净资产收益率指标较为显著。
净资产收益率由高到低排序处于各区间的组合表现净资产收益率由高到低排序总收益年化收益率跑赢沪深300指数次数跑赢概率沪深300指数200.16%18.69%净资产收益率由高到低排序：1-50名总收益：380.91%年化收益率：27.75%跑赢沪深300指数次数：49跑赢概率：63.64%1-100名425.56%29.53%5166.23%101-200名287.98%23.54%5166.23%201-300名234.58%20.72%4457.14%301-400名245.22%21.31%4558.44%401-500名268.44%22.55%4355.84%501-600名244.50%21.27%4457.14%601-700名221.35%19.96%4051.95%701-800名310.68%24.64%4761.04%751-800名306.30%24.43%4457.14%（五）动量反转因子通过对时间内市场的分析，整体上来说，A股市场上存在较为显著的反转效应，从前1个月涨跌幅、前两个月涨跌幅、前3个月涨跌幅、前6个月涨跌幅看，前期涨幅较小的股票组合表现较好，而前期涨幅较大的股票组合表现较差。