2024年當DDM遇上概率論，新基本面量化框架

1、 21 世紀 20 年代后，傳統 DDM 框架大勢研判多次失效

自 2010 年以來，以 DDM 框架為基礎、超預期理論為分析手段的策略框架逐漸 成為了市場上的主流大勢研判框架。這個框架在過去的 20 年間確實給以公募基金和 保險資金為代表的機構投資者創造了超額收益。但是進入 21 世紀 20 年代后，我們 發現 DDM 三要素框架出現了 2 次典型的失效：（1）2021 年 2 月末及其后的市場；（2） 2023 年下半年至 2024 年 2 月初。為什么會出現這樣的情況？市場發生了怎樣的變化？ 作為投資者應該怎樣應對？

1.1、 DDM 框架是傳統策略在大勢研判上的核心理論基礎

化繁為簡：DDM 三因素——（1）企業盈利；（2）無風險利率；（3）股權風險 溢價。策略本質是 DDM 貼現模型，核心思路是識別某一階段的主導變量，并把握 對主導變量的“預期差”。雖然市場的驅動變量繁多，但根據 DDM 模型，可簡化為 分子端的企業盈利、分母端的無風險利率和風險偏好。 DDM 框架從 2003-2020 年一直都在 A 股的大勢研判分析之中行之有效。不同時 期，市場定價的核心矛盾是在分子端“企業盈利”，還是分母端“貼現率”？驅動要 素一直在轉變： （1）2003-2012 年，“美林投資時鐘”是主導 A 股策略的關鍵，DDM 三因素中 對股價的核心驅動因素是企業盈利。 （2）2013-2015 年，受益于流動性泛濫下的貼現率下行，A 股進入“水牛”階 段，DDM 三因素中對股價的核心驅動因素轉變為無風險利率。 （3）2016-2018 年，實體供給側改革+棚改貨幣化對盈利強支撐，隨后的貿易摩 擦則顯著影響風險偏好，DDM 三因素中對股價的核心驅動因素為企業盈利與風險偏 好。 （4）2019 年以來，在金融供給側改革深化和貿易摩擦淡化的影響下，DDM 三 因素中對股價的核心驅動因素再次回到估值端的無風險利率和風險偏好。

1.2、 但進入 21 世紀 20 年代后，DDM 三要素框架出現多次失效

但是進入 12 世紀 20 年代后短短三年多，DDM 三要素框架出現了多次典型的階 段性失效—— （1）2021 年 2 月末，前期市場最為占優的核心資產風格出現快速回調，市場 出現了并無顯著利空而股價劇烈調整的情形。彼時沿用傳統 DDM 三要素框架無法 解釋并展望市場——核心原因是“市場微觀結構理論”主導了當時的市場。2021 年 市場的交易結構過分擁擠導致市場風格發生了極致的切換，“A 股前 5%成交額個股 的總成交額占全部 A 股成交額占比”突破 45%的閾值后 A 股從前期極致大盤風格切 換為極致小盤風格。 市場上沒有出現利空時，股價為什么會劇烈調整呢？原因通常在于市場微觀結 構出現了問題，更進一步看，則往往是源于理性投資者和噪音投資者在交易上的趨 同。在資產定價理論中，根據行為和心理層面因素，投資者被分為專業的理性投資 者和業余的非理性投資者（也稱噪音投資者）。而根據有效市場理論，即使市場中存 在非理性的投資者，其非理性投資行為對市場價格的擾動也可以通過套利行為消除。 正是不同類型投資者的天然分歧使得股票市場交易較為分散，進而在不斷的博弈過 程形成股票市場的“有效”價格。但當理性和非理性投資者之間的分歧減小，交易 行為逐漸趨同時，市場平衡被打破，交易環境出現非正常的“擁擠”，股票價格偏離 內在價值，市場微觀結構惡化，進而導致市場出現顯著的反轉或風格切換。

（2）2023 年下半年至 2024 年 2 月初，則是基于 DDM 三要素框架下的預判能 力失效。2023 年 7 月政治局會議后，有諸多聲音認為“政策底”已至，A 股即將迎 來觸底；期間 DDM 三要素中分子端盈利和分母端流動性的確定性較高——國內基本 面穩中向好、國內流動性持續較為寬松、海外流動性整體處于改善、全球無論是新 興市場還是發達市場的權益均表現突出。站在彼時，根據傳統 DDM 三要素框架分析， 市場至少不應該出現大幅的殺跌。 但此時 DDM 三要素框架下的分母端國內風險偏好出現了非線性的波動——政 策預期和經濟預期出現較大的波動，同時市場微觀結構（如做空機制等）發生了較 大變化。傳統 DDM 三要素框架的重要應用假設是對三要素預測的準確性，而 2023 年下半年至 2024 年 2 月初風險偏好的非線性的大幅波動下，傳統 DDM 三要素框架 的預判準確性大幅降低，雖市場表現出現后回顧時依然可用 DDM 三要素框架復盤， 但由于預判能力的大幅降低導致投資者無法對于未來市場進行判斷，DDM 三要素框 架的展望能力階段性失效。

近期 DDM 框架指引模糊的反思—— 傳統策略 DDM 框架三要素研判的基礎：在過去的 20 年間，A 股投資非常依賴 對于未來的預測。2003-2020 年期間，經濟增長的確定性、政策的確定性、外部環境 穩定性，帶來了對未來政策和經濟走向預測的方向性和準確性相對較高，因此傳統 基于 DDM 三要素下的大勢研判、行業比較的方法勝率高，綜合來看確實能夠獲得超 額收益。 但是現在我國進入了新的常態，中國面臨新的發展范式——（1）資產負債表的 調整（地產、地方債務）、（2）人口趨勢的變化、（3）經濟發展的目標轉變為高質量 發展、（4）外部環境的快速變化（中美 G2、全球民粹主義、俄烏沖突等）、（5）全 球的脫鉤（產業鏈脫鉤、金融脫鉤）等等。 在中國的新發展范式下，DDM 三要素研判預測的重要基礎——經濟增長的確定 性、政策的確定性、外部環境穩定性——遭到了破壞，各要素交織下的復雜化程度 提升，對于未來預測的準確性下降，傳統大勢研判、行業比較的勝率受到顯著的沖 擊。舉個例子，投資者在 2023 年最典型的感受是，基于對未來政策預測下的投資正 確率顯著降低：2023 年自上而下各類事件和要素帶來的資本市場沖擊很大，無論是 傳統的 DDM 自上而下框架還是單純的自下而上微觀框架，均很難帶來穩定的超額收 益。

有趣的是，如果套用在德州撲克上，過去傳統的 DDM 自上而下研判框架的主 要精力集中在研判“未來有可能會發什么牌”；但是隨著影響要素的增多和互相交織、 對未來預測的準確性下降，你越來越難預測未來會發出什么牌；而分析“手上有什么 牌”、“桌上有多少籌碼”的重要性上升。這個時候，你能提高投資收益的方式是進一 步構建基于現有信息的【概率論】框架——DDM 自上而下框架更類似于【因果論】， 其分析方法更傾向于“先故事，后數據”，先從邏輯判斷的角度出發預測方向，再通 過各類指標進行標的資產的選擇；而基于“概率論”的分析方法則更傾向于【先數 據，后故事】，先從概率論特征的角度篩選更高勝率的資產范圍，再根據主觀邏輯判 斷精篩標的資產。當【因果論】方法出現瑕疵，我們需要用【概率論】進行進一步 補充和完善投資框架。

1.3、 新發展范式下 DDM 大勢研判框架的調整

既然傳統 DDM 框架在過去 3 年當中出現了多次的失效，我們是否應該就此舍棄 “DDM 框架”？ 答案是否定的。 在本文中，我們將【概率論】與 DDM 框架有機結合，構建了以 DDM 框架為基 礎，【勝率-賠率】視角下的股債跨資產配置體系——開源策略【新基本面量化框架】， 回溯該框架自 2004 年至今的應用表現，效果非常突出：

（1）在寬基指數投資中運用開源策略【新基本面量化框架】，相較原策略均實 現了四大維度的改善：提升年化收益、降低組合波動、降低組合回撤、提高組合夏 普比率；

（2）進一步結合高收益權益選股策略，開源策略【新基本面量化框架】能夠實 現收益能力的進一步提升，甚至能實現 2010 年以來“每年均實現正收益”的效果。 尤其是與我們獨創的“3 大優化的高股息”、“8 大凈利潤斷層”策略結合后，在持倉 感受上有質的飛躍。

2、 新 DDM 三要素大勢研判：新基本面量化框架

我們的一個粗淺理解是，基于因果論的自上而下決策存在 2 個問題——其一是 結果的推斷高度依賴未來預測的準確性；其二是推理鏈條越長，容錯率越低。而前 面我們提到，不確定性的持續提升帶來了未來可預測性的下降，這進一步提升了 DDM 框架的研判難度，降低其可適用性。我們認為，對 DDM 框架引入【概率論】 的思路框架改進的一個有效方向，即將【勝率-賠率】視角引入 DDM 框架——以 DDM 框架邏輯為引，以【勝率-賠率】的基本面量化思路為方，構建全新股債擇時框架【新 基本面量化框架】。

2.1、 將【概率論】思路嵌入 DDM 框架

我們以 DDM 框架的邏輯為引，指引模型構建的思路，以【勝率-賠率】的基本 面量化思路為方，將【概率論】思路嵌入 DDM 框架。從邏輯的視角，DDM 框架是 比較全面的：分子端盈利考慮的是資產的內在本質，即資產當前與未來的收益能力； 分母端貼現率作為整體代表的是影響資產價格的外在因素，包括估值、流動性、風 險偏好等。我們基于 DDM 框架構建股債擇時框架，極簡核心思路是：在賠率“較 為便宜”，且勝率較高的階段，重倉權益資產；而在賠率“較貴”或勝率較低階段， 重倉債券資產。 從框架的實施上，我們分為三步走：第一步通過“賠率”框架決定一個適合當 下的基準持股比例；第二步則是基于這個基準持股比例，通過“勝率”研判在當前 賠率基礎上是應該進一步加倉還是進一步減倉：即測算出一個調整系數；第三步則 是將基礎持股比例與調整系數相乘，獲得最終建議的倉位比例——

步驟 1：由賠率決定基準持倉比例：由于估值決定了投資組合的未來收益空間， 所以我們主要基于 DDM 分母端的估值信息劃分賠率，并以此確定基準持倉比例，在 賠率“較為便宜”但又非“極端便宜”階段，高倉位持有權益資產，否則低倉位持 有權益資產。 步驟 2：由勝率決定權益調整系數：單一賠率框架的構建往往容易忽略市場環境 的變遷，結合 DDM 三要素信息，分子端的盈利狀況和分子端的流動性也是考量跨資 產配置的重要因素，由兩者共同得出的權益調整系數能夠有效辨別投資組合的勝率， 在勝率表現較好，即上漲概率更高時期，上調權益倉位，反之則下調權益倉位。步驟 3：計算當下建議的倉位比例： 當下持股比例=基準持股比例*權益調整系數； 當下持債比例=1-當下持股比例。

2.2、 步驟 1：賠率框架——基準持倉比例

我們的第一步是用賠率設置出一個基準的持股比例——最簡單的邏輯，自然是 當股票越便宜、賠率越高的時候，我們應該以更高的倉位比例持有股票。 具體指標上，我們綜合運用兩大指標反映 A 股整體賠率位置：Wind 全 A 的股 權風險溢價（ERP）和股息率分位數： （1）ERP=1/PE-10 年期股權風險溢價 （2）股息率=分紅比率/PE

無論是 ERP 還是股息率，均包含了 PE 估值，但又不僅僅包含 PE 估值：（1） ERP 可以看做“股市的潛在預期回報率”與“債市的回報率”之差，是股債性價比 的極佳指標；（2）股息率則是考量了現金分紅的幅度與估值的比例。 在具體的操作時，我們還挖掘到了一個與投資者直覺相反的點：在絕大多數時 候，股票越便宜時，確實應該持有更高的股票倉位；但是當股票處在極端便宜的區 間時，我們卻應該謹慎小心。通過歷史行情的復盤，我們發現：大多數 ERP 超過 90% 的時期仍為熊市末期，指數下探的概率較高，如果此時提升權益倉位對于總收益的 提升極為微弱但會顯著加大持倉的波動率、降低組合正收益概率。因此，在處理股 票“極端便宜”的賠率區間時的持倉時，我們認為最低的權益持倉比例是最優的選 擇。 為什么會有這樣與投資者直覺不相符的現象呢？我們的理解是——磨底的時間 往往很長，市場會在較便宜的位置上震蕩下探很久；但離開底部的反轉信號一旦出 現，股票向上的趨勢很快就會形成，然后以很快的斜率離開底部。這也是部分投資者在熊市中段容易出現的疑惑：明明市場已經處于比較便宜的位置了，為什么增大 倉位沖進去后持股感受卻很不好？究其原因，是當股票處于較高賠率區間時，熊市 底部的磨底時間占比往往顯著高于上漲的時間占比。

最終，我們對于基準持股比例的設定方法如下： （1）ERP 分位數≤20%，權益資產處于相對高位，設定權益持倉 20%。 （2）20%＜ERP 分位數≤40%，權益資產處于中位偏高區域，設定權益持倉 40%。 （3）40%＜ERP 分位數≤60%，權益資產處于中位偏低區域，設定權益持倉 60%。 （4）60%＜ERP 分位數≤80%，權益資產處于相對低位，設定權益持倉 80%。 （5）80%＜ERP 分位數≤90%，權益資產估值處于底部，設定權益持倉 100%。 （6）ERP 分位數＞90%，權益資產通常趨勢向下，設定權益持倉 20%。 股息率分位數根據同樣的方法可計算得出一個權益持倉比例，取兩者中的小值 為初始權益持倉比例。

2.3、 步驟 2：勝率框架——權益調整系數

我們的第二步是通過勝率的研判，構建權益調整系數，進一步微調權益倉位的 權重。基于 DDM 框架，我們從分子端和分母端兩頭入手，分別基于勝率邏輯構建 調整系數，最終分子端調整系數和分母端調整系數相乘，得到最終權益調整系數。

（1）分子端調整系數：基于經濟周期框架

DDM 模型的分子端是盈利，是決定資產價格的“內生變量”。對于 A 股整體來 說，整體經濟周期基本可以映射 A 股盈利周期，因此經濟周期框架是分子端盈利的 勝率體現。

我們通過“生產、出口、消費”三大視角去觀察經濟周期，篩選出“5 大經濟 指標”作為觀測變量。我們從 30 余個中高頻的宏觀、中觀經濟指標中精篩能夠全面 反映經濟周期，且又能對股票市場價格有強指引的指標，篩選的標準是：①指標要 具有權威性、可靠性；②對相應經濟周期領域的景氣解釋有較強代表性；③無論是 結構上還是總量上，指標對股市有顯著影響力；④指標“宜精不宜繁”，盡量在不同 指標的篩選上不要有領域的重合。 在我們的篩選標準下，我們最終篩選出了“5 大經濟指標”，作為分子端盈利的 觀測變量：PMI、工業增加值同比、社零同比、出口同比、發電量同比。 更具體的，在 5 大經濟指標的判斷上，我們僅用二維判斷法：向好、不向好。 我們認為，經濟周期的改善不能僅僅只看單月，需要看到“趨勢”，而恰好宏觀經濟 指標往往具有一定的“趨勢動量”。因此，除 PMI 外的 4 個指標的向好判斷標準為： 過去 3 個月的移動平均值上行；而 PMI 的向好判斷條件除移動平均上行外，還要求 絕對值超過 50。同時，由于模型的更新時間為每個月月底，為避免研究當中出現“先 知假設”的情況，對除 PMI 外的其余指標均做延時一個月處理。

我們根據“5 大經濟指標”的向好數量，決定分子端的權益調整系數： ①若向好指標數量 X=0，表示盈利條件基本不滿足、盈利端很差，賦系數 0.3。 ②若向好指標數量 X=[1,5]，表示盈利條件趨于改善，賦系數“0.3*X”（eg：X=5， 表示 5 大經濟指標均向好，系數為 0.3*5=1.5）。

（2）分母端調整系數：基于貨幣-信用框架

DDM 模型的分母端貼現率，是影響資產價格的外生變量。我們在前面的賠率框 架中重點考慮了分母端估值以及風險偏好。在勝率框架中，我們重點考慮分母端的 流動性。對于流動性指標的選取，我們主要采用貨幣-信用框架。貨幣維度主要觀測 兩個指標：DR007 與 10 年期國債利率。DR007 代表了銀行間市場的質押回購價格， 能夠反映央行對三大貨幣政策工具的使用情況，國債利率則反映了市場資金面的供 求關系，兩者分別從狹義和廣義維度判斷出“價端”的流動性。信用維度主要觀測 兩個指標：社融存量同比增速和 M1 同比增速。社融代表了實體經濟從金融體系所 獲得的資金總量；M1 和 M2 則代表了貨幣的實際供應量，其中 M1 反映了實際購買 力，M2 則等于 M1+儲蓄存款，進一步反應了潛在購買力，但相較于 M2，M1 與股 價的相關性更強，因此我們選取社融存量同比增速和 M1 同比增速來判斷“量端” 的寬松和收緊。同樣，為了避免“先知假設”，對所有指標均做延時一個月處理。我 們根據貨幣維度的 2 個指標以及信用維度 2 個指標的組合情況給出四個市場組合研 判：貨幣-信用“雙寬”、“寬貨幣緊信用”、“寬信用緊貨幣”、貨幣-信用“雙緊”。

若市場處于貨幣+信用雙寬階段，說明整體流動性正在邊際擴張，宏觀經濟增速 與微觀企業盈利有待改善，股票投資的勝率更大，加大權益持倉系數；反之，若處 于雙緊階段，則降低權益持倉系數。 根據貨幣-信用框架得出的貨幣信用組合情況，我們得到 3 個維度的分母端權益 調整系數： ①貨幣-信用“雙寬”，表示流動性很寬松，政策利好權益投資，分母端權益調整 系數為 1.3。 ②貨幣-信用“單寬”，表示流動性略為寬松，分母端權益調整系數為 1。 ③貨幣-信用“雙緊”，表示流動性趨緊，固收投資更為穩定，分母端權益調整系 數為 0.7。 最終權益調整系數=分子端權益調整系數*分母端權益調整系數。

2.4、 步驟 3：確定股票和債券的持倉比例

基于步驟 1 獲得的基準權益持倉比例，與步驟 2 獲得的最終權益調整系數，我 們可以得到資產配置的方法： （1）權益持倉比例=基準權益持倉比例*最終權益調整系數 （2）債券持倉比例=1-權益持倉比例 注：1、其中權益資產配置 A 股寬基指數或各類股票策略，債券策略選取中債綜 合財富指數；2、若權益持倉比例計算結果大于 1，則取 1，即全部配置權益資產。 我們按照權益持倉比例，將對 A 股的觀點分為五檔： （1）若權益持倉比例位于[0-20%]區間，給予悲觀預期。 （2）比例位于[20%-40%]區間，認為較為悲觀。 （3）比例位于[40%-60%]區間，給予中性預期。 （4）比例位于[60%-80%]區間，認為較為樂觀。 （5）比例位于[80%-100%]區間，給予樂觀預期。

3、 【新基本面量化框架】的大勢研判效果尤為突出

在構建了基于 DDM 框架的股債擇時框架【新基本面量化框架】后，我們將其應 用到大勢研判當中。對于股債擇時的印證我們分為兩個部分—— 第一個部分，我們將新基本面量化框架應用在主流寬基指數和典型風格指數上， 檢驗本框架在基礎大勢研判、ETF 投資、寬基指數投資上是否有明顯的改進效果。 第二個部分，我們將新基本面量化框架應用在原本就較為成熟的高收益選股策 略當中，進一步檢驗框架的普適性。 在本章節中，我們重點闡述第一個部分的內容。我們發現，當新基本面量化框 架應用在主流寬基指數和典型風格指數的投資上后，均能夠大幅提高年度投資的正 收益率概率，同時大幅降低最大回撤，與此同時還能顯著提升年化收益率，最終夏 普比率成倍提升。

3.1、 在 5 大核心主流寬基指數上的應用

將新基本面量化框架應用在 5 大核心主流寬基指數的投資上后，我們發現最大 的收獲在于：不僅年度正收益概率大幅提升、最大回撤得到大幅度的改善，與此同 時年化收益率依然能夠得到提升，夏普比率至少提升 3.4 倍，從收益和波動上均得 到了明顯的改善。 我們將新基本面量化框架應用在 Wind 全 A、上證指數、滬深 300、上證 50、中 證 1000 共 5 個代表性較高的寬基指數上，產生了 4 大方面的效果（自 2004 年以來） —— （1）年度正收益概率大幅提升：5 大寬基指數原本的年度正收益概率在 42.9%-52.4%之間，正收益和負收益的年度大致可以算一半一半；而在應用新基本面 量化框架后，5 個股債跨資產倉位策略的年度正收益概率在 76.2%-90.5%之間，即僅 有少數的年份收益為負。僅僅從這一個方面的優化，已經使得持倉感受得到了非常 明顯的提升。 （2）最大回撤幅度大幅度改善：5 大寬基指數原本的最大回撤在 68.6%-71.3% 之間，接近“膝蓋斬”；而在應用新基本面量化框架后，5 個股債跨資產倉位策略的最 大回撤在 10.8%-15.8%之間，即優化后的策略最大回撤均不到原本的 1/4。 （3）年化收益率至少提高 3 個百分點：5 大寬基指數原本的年化收益率在 3.6%-8.7%之間，而在應用新基本面量化框架后 5 個指數的年化收益率至少提高 3 個 百分點。 （4）夏普比率至少提升 3.4 倍：由于年化收益和波動率的雙重優化，應用新基 本面量化框架后 5 大寬基指數的夏普比率從原本的 0.14-0.29 區間上升至 0.76-0.98， 至少提升了 3.4 倍。

4、 進一步拓展普適性——構建有望實現每年正收益的策略

在上一章節中，我們在寬基指數上應用新基本面量化框架，實現了非常顯著的 大勢研判效果。我們進一步研究新基本面量化框架的普適性，研究其與更細分的高 收益選股策略結合后，是否能夠繼續起到效用。 在本章中，我們將新基本面量化框架與我們開源策略重點高收益選股策略【3 大優化的高股息】和【8 大凈利潤斷層】進行結合，檢驗其在股債擇時能力上的普適 性。我們發現，對于高收益選股策略來說，運用新基本面量化框架最大的貢獻在于： （1）大幅降低最大回撤；（2）大幅提升年度正收益概率甚至達到每年收益均為正的 效果；（3）進一步大幅提升高收益選股策略的夏普比率。

但與寬基指數投資不同的是，新基本面量化框架運用在寬基指數投資當中時， 還能夠進一步提升年化收益率；但當股債擇時框架運用在高收益選股策略中時，年 化收益率有一定的回落，但最終的年化收益率相對 Wind 全 A 和偏股混合基金依然 具有顯著的優勢。我們認為這是合理的結果：高收益選股策略本身的高收益率來源 于對市場 Beta 的優化以及利用市場波動創造的超額 alpha，更簡單粗暴地說其高收益 的來源是市場的波動；而股債擇時框架的重要作用是幫助投資者盡量回避市場 beta 的下行波動，這會對沖高收益策略通過波動獲得的收益。但需要強調的是，股債擇 時框架應用在高收益選股策略上的最終效果依然非常突出，能夠實現非常高的投資 性價比。 綜合以上的實證研究，我們得出的結論是：新基本面量化框架無論在寬基指數 投資，還是與其他選股策略結合時，均能夠大幅改善持股感受，顯著提升投資性價 比。

4.1、 與【優化的高股息】結合：實現 100%年度正收益

我們對傳統高股息策略進行了“取精華、去糟粕”，構建了三大優化的高股息組 合：高股息 100、中特估高股息 20、高股息 20（組合表現見下圖）。三大優化的高 股息組合的核心特征是： （1）高股息 20：適合追求絕對股息率高的投資者進行配置。組合同時具備“高 股息、高收益、低波動、低回撤”特征。2009 年 9 月以來年化收益率 15%，相對 Wind 全 A 的年度勝率為 81.3%，最大回撤 28.9%。 （2）高股息 100：適合追求更高相對收益和更高勝率，同時對穩定性有要求的 投資者。組合的多樣性相對高股息 20 進一步提升，組合彈性顯著增強，同時還具備 一定的穩定性。2009 年 9 月以來年化收益率 20.1%，相對 Wind 全 A 的年度勝率高 達 93.3%，最大回撤 34.3%。 （3）中特估高股息 20：適合資金量較大，且對“中特估”持倉有需求的投資 者。組合的資金容納量大，持倉收益較高且最大回撤控制也較好，在未來“中特估” 有望中樞性提升國央企估值的背景下能夠獲取“中特估”的 beta 加持。2009 年 9 月 以來年化收益率 20.3%，相對 Wind 全 A 的年度勝率為 86.7%，最大回撤 32.8%。

對三大優化的高股息策略應用新基本面量化框架，產生了顯著的效果（2010 年 以來）： 大幅提升年度正收益概率，甚至達到每年收益全部為正：應用新基本面量化框 架后，中特估高股息 20、高股息 20 組合竟然實現了每年收益均為正的投資效果，高 股息 100 組合正收益概率由 66.7%增長至 93.3%。 最大回撤大幅改善：應用新基本面量化框架后，三大優化的高股息策略的最大 回撤均有明顯的下降，其中高股息 20-跨組合更是降至 8.4%。 夏普比率進一步提升：原本 3 大優化的高股息策略的夏普比率已經較為突出， 顯著高于同期偏股混合基金的夏普比率（0.23）和 Wind 全 A 的夏普比率（0.10）； 但在應用新基本面量化框架后，夏普比率仍能進一步提升，均提升至 1 以上。 但年化收益率有所回落：3 大優化的高股息策略在應用新基本面量化框架后，顯 著降低的最大回撤和大幅回落的波動率的代價，是年化收益的回落；但由于波動率 回落的幅度更大，因此夏普比率確實有明顯的改進；但最終的年化收益率相對 Wind 全 A 和偏股混合基金依然具有顯著的優勢。我們認為這是合理的結果：高收益選股 策略本身的高收益率來源于市場的波動；而股債擇時框架的重要作用是幫助投資者 盡量回避市場 beta 的下行波動，這會對沖高收益策略的部分收益。 年度正收益概率 100%的策略，對絕對收益投資者具有較高的應用價值。考慮 到應用了新基本面量化框架的中特估高股息 20 以及高股息 20 組合，均實現了年化 收益率顯著高于同期偏股混合基金以及 Wind 全 A 的同時，還能夠實現年度正收益 概率 100%，我們認為這兩個策略是絕對收益投資者應重點關注的策略。

4.2、 與【凈利潤斷層】結合：進一步提升收益和更強的超額穩定性

凈利潤斷層策略是基于“超預期”邏輯下構建的選股策略。我們構建的 8 大凈利 潤斷層策略分別是：業績反轉、前三行業、前五行業、漲停、連續 3 次跳空、低估 值、3 年持續績優、2 年持續績優。 對 8 大凈利潤斷層策略應用新基本面量化框架，同樣也產生了顯著的效果（2010 年以來）： 年度正收益概率顯著提高：應用新基本面量化框架后，8 大凈利潤斷層策略的年 度正收益率概率均提高到 80%及以上，即便是收益排名最末的 2 年持續績優策略正 收益概率也由 62.5%提高到 87.5%。

最大回撤顯著改善：應用新基本面量化框架后，8 大凈利潤斷層策略中的最大回 撤均下降到 14%以下（除連續 3 次跳空為 18.8%，但依然遠低于偏股混合基金同期 的 36.1%），得到了明顯優化。 夏普比率大幅優化：在應用新基本面量化框架后，8 大凈利潤斷層策略的夏普比 率均有約 0.37-0.52 的提高，提高后的夏普比率均超過 1.0。 但年化收益率有所回落：與三大優化的高股息策略類似，應用股債擇時策略會 帶來年化收益率的回落。但考慮到波動率回落幅度更大，夏普比率仍有明顯的提升。 因此，從風險收益比的角度來看，我們可以認為股債擇時框架對 8 大凈利潤斷層策 略實現了有效的改進。 相對優化的高股息策略，凈利潤斷層策略與新基本面量化框架結合后最大的不 同在于：雖然年度正收益概率略微下降，但是年化收益率進一步提升，且相對 Wind 全 A 的超額收益穩定性顯著更強。 建議重點關注三大策略：考慮到業績反轉組合、前五行業組合和低估值組合在 應用股債擇時組合之后獲得了更低的風險（最大回撤不超過 13%）和更高的風險回 報率（夏普比率超過 1.3），且年度正收益概率均超過了 85%，同時在如此低波動的 持倉感受下實現了年化收益率接近 15%甚至更高，我們建議投資者重點關注這三個 策略。

編輯：火腿腸