选股策略成功率排行榜十强(选股策略)

股票选股，有注重基本面的，有参考技术指标的，或者两种方法相结合。哪种方法就更好呢？

新手买股票的步骤跟股票融资买入的步骤

有的投资者选择好行业好公司好价格，公司未来现金流增长稳定，有的投资者选择低估值低百分位，有的投资者认为国内股票市场还不够成熟，适合做短期交易，看市场成交量是否放量，是否站上均线支撑， MACD是否出现金叉站在零轴以上，或者短期是否出现跳空高开现象等等……

股票市场分析还有股票市场价值计算公式

19

24

5日均线是指当天价格和最近4天价格的平均，所体现的是最近5个交易日的平均价位，因此它的波动会比较大，比较敏感，适合短线投资这个使用。

一、机器学习与资产定价

波普尔的《猜想与反驳：科学知识的增长》是方法论方面的经典。科学开始于问题，即理论由证伪暴露出问题；从灵感出发，举一反三，提出各种大胆的猜测，形成科学理论，然后对各种理论进行检验，从观察和实验中达到逼真度较高的新理论。科学是可以证伪、不能证实的，而迷信不能被证伪。

Shihao Gu & Bryan Kelly & Dacheng Xiu, 2020. "Empirical Asset Pricing via Machine Learning," Review of Financial Studies, Society for Financial Studies, vol. 33(5), pages 2223-2273.

中国股市中的机器学习。与以机构投资者为主的发达市场不同，中国股市以散户投资者为主。中国金融体系的一个关键特征是中央控制、银行主导和独特的关系驱动。政策可能会通过各种方式对国有企业的业绩产生促进作用，但国有企业高度集中的国家所有权、财务不透明度和低信息量的股价，以及公司治理机制的缺乏，都可能会加剧这些公司的崩溃风险。中国市场的卖空历史有限，多空策略几乎不可行。大型股票的流动性水平较高，价格波动性较低，因此受中国10%限价水平的影响较小。通胀和股票发行活动水平是预测中国股市每月收益的两个最重要的宏观经济变量，尤其是对神经网络而言。与市场流动性相关的股票特征在预测中国股市时最为重要，即流动性波动率、零交易日和非流动性指标是最显著的预测因素。其次是基本面指标和估值比率，如行业调整后的资产周转率变化、行业调整后的雇员变化、总市值、近期盈利增长次数、行业调整后的利润率变化和行业调整后的市净率。第三组主要是风险指标，包括特异性回报波动率、总回报波动率和市场β。然后是异常周转率、趋势因子和前10名股东所有权。在月度预测水平上，几乎所有模型都能更好地预测中国市场小盘股(非国企)的月收益，而不是大盘股(国企)，机器学习方法对每股东平均市值具有更好的预测性能，对于国有企业来说，神经网络始终比其他所有模型都要好。文章使用了2000年1月至2020年6月的A股数据，并使用1年期国债利率作为无风险利率。一共使用了94个股票因子，11个宏观因子。94个股票因子中，其中最后4个因子是描述股票是否属于某一类的哑变量因子，比如是否是国有控股公司（是为1，否为0）。最终输入到模型的因子数量是1160个，其中包括90个股因子（连续变量），90个股因子与11个宏观因子的乘积（90*11=990个），以及80个哑变量因子（包括行业分类等）共计1160个因子。初始训练时间为2000-2008，验证集为2009-2011，测试集2012-2020。每次训练都用上一个月末的因子去预测股票下一个月的收益，验证集主要用于超参数优化。连续变量的因子在模型中以截面的Rank值作为输入。投资美股国首先看趋势因子，投资A股首先看流动性，不能照搬国外和历史经验，最好是自己用数据验证一下确定自己的模型因子。预测效果更好的股票表明其特征更能被捕捉。宏观因子对全A等权指数的影响与个股的影响更加接近。对万得全A指数的影响则需要重点考察对大市值股票影响大的因子。

Leippold M , Wang Q , Zhou W . Machine learning in the Chinese stock market[J]. Journal of Financial Economics, 2021(1).

李斌，邵新月, 和李玥阳 (2019). 机器学习驱动的基本面量化投资研究. 中国工业经济, 08, 61–79.

Patton, A. and Weller, B., 2020. What you see is not what you get: The costs of trading market anomalies. Journal of Financial Economics, 137(2), pp.515-549.

二、惯性、反转与择时策略

Wang, Neng, 2009. "Optimal consumption and asset allocation with unknown income growth," Journal of Monetary Economics, Elsevier, vol. 56(4), pages 524-534, May.

Smith, Simon & Timmermann, Allan, 2021. "Have Risk Premia Vanished?," CEPR Discussion Papers 16109, C.E.P.R. Discussion Papers.

Ehsani S , Linnainmaa J T . Factor Momentum and the Momentum Factor[J]. Journal of Finance, 2022, 77.

1、股权风险溢价与估值择时

Mehra和Prescott(1985)通过对美国过去一个多世纪的相关历史数据分析发现，股票的收益率为7.9%，而相对应的无风险证券的收益率仅为 1%，其中溢价为6.9%，股票收益率远远超过了国库券的收益率。如果用非常高的风险厌恶系数来解释股权风险溢价，则无法解释过低的无风险利率。

Beason, T., Schreindorfer, D., 2022. Dissecting the Equity Premium. Journal of Political Economy 130, 2203–2222.

2、宏观状态择时

Lettau M , Ludvigson S C , Wachter J A . The Declining Equity Premium: What Role Does Macroeconomic Risk Play?[J]. The review of financial studies, 2008, 21(4):p.1653-1687.

Atanasov, V., Møller, S. V., & Priestley, R. (2020). Consumption fluctuations and expected returns.The Journal of Finance,75(3), 1677-1713.

Golez, Benjamin & Koudijs, Peter, 2018. "Four centuries of return predictability," Journal of Financial Economics, Elsevier, vol. 127(2), pages 248-263.

Cooper, I. , Mitrache, A. , & Priestley, R. . (2020). A global macroeconomic risk model for value, momentum, and other asset classes. Journal of Financial and Quantitative Analysis, 1-69.

Rui Albuquerue & Neng Wang, 2008. "Agency Conflicts, Investment, and Asset Pricing," Journal of Finance, American Finance Association, vol. 63(1), pages 1-40, February.

3、投资者情绪择时

Hirshleifer, David, Danling Jiang, Yuting Meng DiGiovanni, 2020, Mood Beta and Seasonalities in Stock Returns, Journal of Financial Economics 137 (7), 272-295.

Edmans, Alex & Fernandez-Perez, Adrian & Garel, Alexandre & Indriawan, Ivan, 2022. "Music sentiment and stock returns around the world," Journal of Financial Economics, Elsevier, vol. 145(2), pages 234-254.

投资者情绪异象。美国市场投资者情绪与截面股票未来收益短期正相关、长期负相关。A股市场投资者情绪与截面股票未来收益短期及长期均负相关。Ａ股市场以个人投资者为主体，过度自信行为更强，表现出较为极端的乐观或悲观情绪，面对新消息更容易过度反应，形成过高或过低的非理性预期。同时个人投资者难以形成持之以恒的认识逻辑，当随后的公开消息与判断不一致时，过度自信难以持续，甚至会逆转预期、矫枉过正，股价短期内容易出现反转。即使市场中只有部分投资者预期过高，但由于套利受限，乐观的个人投资者会过度反应，而相对悲观的投资者无法将预期反映到市场中，导致股票价格远高于价值且难以及时得到修正，降低未来预期收益。当现实不及预期时，乐观的个人投资者又会逆转其预期，卖出股票，在杠杆作用下，导致竞相抛售和相互踩踏。因此，投资者情绪与股票未来收益率负相关这一股价异象在套利受限的股票中更为明显。换手率指标反映的并不仅仅只是投资者情绪，还包括流动性等其他因素。为了更好反映个人投资者特别是散户的情绪特征，本文提出非主力资金买卖不平衡指标(BSI)，通过捕捉散户的资金流向这一新视角来刻画个股的投资者情绪。采用Kumar and Lee (2006)构建个人投资者情绪指标的做法，将非主力资金在时期t对股票i的净流入程度设定为：BSIit=(Bit-Sit)/(Bit+Sit)其中，Bit表示非主力资金的流入额，Sit表示非主力资金的流出额。考虑到市场上常说的主力资金通常是根据股票交易中挂单额大于20万元订单的交易额来测算，因此本文的非主力资金则定义为挂单额小于20万元的订单的交易额。当非主力资金的流入额Bit大于流出额Sit时(BSIit>0)，表示散户资金在时期t股票i上是净流入；反之表示散户资金是净流出。非主力资金BSIit指标的正负给出了散户资金在时期t股票i上的方向。当流入额远大于流出额时，该指标趋近于1，表明散户资金在时期t大幅流入股票i；反之该指标趋近于0，散户资金大幅流出。当该指标越大的股票组合的未来平均收益率越高，意味着散户资金净买入越多的股票，价格涨得越多，市场呈现动量特征；反之，当散户资金净买入越多股票的价格跌得越多，市场存在反转效应。Baker and Stein (2004)认为，无论是个股还是市场层面，换手率都是投资者情绪较好的度量指标。以换手率衡量的投资者情绪是非对称的，投资者情绪特别乐观的投资组合未来收益率非常低，而投资者情绪悲观的几个投资组合的未来收益率相差不大。对冲组合(最低组与最高组)收益率主要来源于换手率最高的做空组合，其他组合则没有显著为正或负的超额收益。对冲组合在规模因子上的暴露显著为负；在价值因子上的暴露显著为正。可见换手率指标中包含更多的是公司成长性信息，价值因子暴露与换手率存在明显的单调递减关系，表明换手率越高组合的股票成长性越高。而换手率与公司规模间则没有明显的单调关系。非主力资金流出越多组合的收益率越高，流入越多的收益率越低。非主力资金BSI越高组合的股票规模越小，成长性也越高。采用机构投资者持股比例来衡量股票的套利难易。结果表明套利受限最严重的股票中，换手率异象非常明显。市场极端情绪和极度乐观情绪下的投资者情绪股价异象更为明显。中国股票市场2015年及其前后出现股价的大涨大跌，投资者情绪处于极端状态。融资融券标的大幅扩容后融资业务大幅发展时期，大量个人投资者参与股市配资炒股，投资者情绪异常高涨。而在随后的大跌期间，投资者又出现明显的恐慌情绪。这段期间市场投资者情绪表现得非常极端，因此投资者情绪异象也将更为明显。

何诚颖,陈锐,薛冰,何牧原.投资者情绪、有限套利与股价异象[J].经济研究,2021,56(01):58-73.

4、均线与动量择时

Moskowitz T J , Grinblatt M . Do Industries Explain Momentum?[J]. The Journal of Finance, 1999.

Chordia T , Shivakumar L . Momentum, Business Cycle, and Time-varying Expected Returns[J]. Journal of Finance, 2002, 57(2):985-1019.

Daniel, Kent & Moskowitz, Tobias J., 2016. "Momentum crashes," Journal of Financial Economics, Elsevier, vol. 122(2), pages 221-247.

Atilgan, Yigit, Turan Bali, Ozgur Demirtas and Doruk Gunaydin, 2020，Left-tail Momentum: Underreaction to Bad News, Costly Arbitrage and Equity Returns. Journal of Financial Economics 135(3): 725-753.

A股市场的经济关联与股票回报。一家公司过去的股票回报可以预测与它有关联或有相似性的公司未来的股票回报。美国市场上同行业公司、同地理区域公司、供应链关联公司、科技关联公司（具有相近专利布局的 两公司之间存在科技关联，假定两家公司只在三个类别上拥有专利，两家公司的专利布局向量分别为(84,12,1)、(8,3,0)，则科技关联度=（向量乘积/两向量距离）之间的股票回报均存在“领先—滞后”的关系。本文发现,中国股票市场中经济关联因子呈现出与美国股票市场不同的规律,在月度层面行业动量显著,而科技关联因子只在周度上具有显著的预测能力。进一步分析科技关联动量发现,中国股票市场中科技关联因子能预测目标公司未来1-3周的股票收益和未来基本面的变化。机制检验发现,科技关联因子预测期短的原因是由于中国股票市场中存在较多具有博彩倾向的散户投资者;科技关联动量在换手率更低、上期股票表现更差、科技关联公司数量较多、专利数量较多、科技关联回报率反映坏消息的公司中更强，证明了科技关联动量 源自投资者的错误定价。科技关联动量在国有企业和创新政策颁布后更加显著。譬如chatgtp、常温超导等创新概念，在产业链逐步扩散，而不是同步涨幅接近。

段丙蕾, 汪荣飞, 张然. 南橘北枳:A股市场的经济关联与股票回报[J]. 金融研究, 2022, 500(2): 171-188.

Han, Yufeng & Zhou, Guofu & Zhu, Yingzi, 2016. "A trend factor: Any economic gains from using information over investment horizons?," Journal of Financial Economics, Elsevier, vol. 122(2), pages 352-375.

均线择时策略。将所有股票按照波动率的大小分为10个股票组合，将移动平均择时策略（Moving Average Timing Strategy）和买入并持有策略（Buy and Holding Strategy）所取得的收益率的差额作为衡量移动平均择时策略的超收益率，结果表明，对于所有股票组合，移动平均择时策略都显著好于买入并持有策略，10日均线移动平均择时策略的可以取得9.31％到21.76％不等的CAPM超额收益率（或9.80％到23.54％不等的Fama-French 超额收益率），而且股票组合的波动率越高，移动平均择时策略所取得的超额收益率越高。20日、50日、100日、200日均线的超额收益率有所下降。无论经济繁荣还是衰退，均线择时策略都优于动量策略，尤其是衰退期（熊市），由于均线择时选择不能及时捕捉到均值回复，牛市均线择时策略系数为负，但超额收益依然为正且显著。进一步研究发现，利用其它反映信息不确定性的指标（如市场情绪、违约利差、流动性等）将股票进行分类，移动平均择时策略可以得到相似的结果。具有相似特征的组合均线择时策略优于买入持有策略，但如果组合中的个股没有相似特征，均线择时策略可能失效。均线择时策略本质上是捕捉到了这一共同特征的运行规律。

Han, Yufeng & Yang, Ke & Zhou, Guofu, 2013. "A New Anomaly: The Cross-Sectional Profitability of Technical Analysis," Journal of Financial and Quantitative Analysis, Cambridge University Press, vol. 48(5), pages 1433-1461, October.

5、波动率择时

Fama E F , French K R . Dissecting Anomalies with a Five-Factor Model[J]. Review of Financial Studies, 2016(1):69-103.

Beveratos A , Bouchaud J P , Ciliberti S , et al. Deconstructing the Low-Vol Anomaly[J]. The Journal of Portfolio Management, 2017, 44(1):91-103.

Moreira, Alan,Muir, Tyler.Volatility-Managed Portfolios[J].Journal of Finance.2017,72(4).1611-1643.

Neo P L , Tee C W . Volatility Timing under Low-Volatility Strategy[J]. Journal of portfolio management, 2021(1):48.

Moreira, Alan & Muir, Tyler, 2019. "Should Long-Term Investors Time Volatility?," Journal of Financial Economics, Elsevier, vol. 131(3), pages 507-527.

Liu F , Tang X , Zhou G . Volatility-Managed Portfolio: Does It Really Work?[J]. The Journal of Portfolio Management, 2019, 46(1):jpm.2019.1.107.

Cederburg, Scott & O’Doherty, Michael S. & Wang, Feifei & Yan, Xuemin (Sterling), 2020. "On the performance of volatility-managed portfolios," Journal of Financial Economics, Elsevier, vol. 138(1), pages 95-117.

投资者偏爱具有类似彩票收益率的资产。过去一个月的最大日收益率或者最高的N个日收益率的平均值与预期股票收益之间存在着显著的负相关关系。中国A股市场存在显著的MAX异象,个股当月MAX越小下月收益率就越高,构造多空组合可实现年化15.72%的收益。在投资者博彩性投机心理作用下,短期内MAX有惯性传递特征,投机性特征越强、内在价值越低的股票异象越显著。进一步实证分析发现:套利限制对MAX异象具有正向强化作用,套利限制越强异象越显著,多空策略组合获得的收益越高。本文的研究不仅有助于更好地理解中国股市中MAX异象,也对提升市场有效性、减小异象的影响有实践意义。

朱红兵, 张兵. 价值性投资还是博彩性投机？——中国A股市场的MAX异象研究[J]. 金融研究, 2020, 476(2): 167-187.

6、套利组合收益率择时

高维预测回归的传统普通最小二乘 (OLS)估计容易将数据中的噪声误解为预测信号，极易造成过拟合。弹性网络的机器学习技术用惩罚回归直接缩小参数估计，以避免数据过拟合。使用机器学习技术选择进入组合的预测因子，采用三种降维技术将所有预测因子组合成单个变量，作为单变量预测回归中的解释变量。一是采用单个预测因子的横截面均值，二是提取预测因子的第一主成分，三是采用偏最小二乘法提取第一目标相关因子。通过收集文献中具有代表性的100项资本估值套利组合，采用多种机器学习模型解决高维预测模型中的过度拟合问题，并从样本组合中提取有用信息，进行了更为严格的样本外预测检验。研究结果显示，套利组合的回报率可在样本外实现对市场走势的预测，该预测力基于非对称有限套利的非对称股价修正过程。定价修正持续性的非对称来源于套利的非对称限制，而非对称限制产生于市场摩擦。当错误定价修正持续性非对称时（估值过高股票的股价修正持续性高于估值过低股票的股价修正持续性），套利组合收益对市场超额收益有预测能力。相比于直接使用看多或看空组合的投资收益率去预测未来市场的收益率，利用套利组合的投资收益率预测未来市场的收益率可以达到减少噪音的效果，从而为预测市场收益提供更清晰的信号。可以使用套利组合的收益率择时。

DONG, X., LI, Y., RAPACH, D.E. and ZHOU, G. (2022), Anomalies and the Expected Market Return. The Journal of Finance, 77: 639-681.

Rapach, David E. & Ringgenberg, Matthew C. & Zhou, Guofu, 2016. "Short interest and aggregate stock returns," Journal of Financial Economics, Elsevier, vol. 121(1), pages 46-65.

7、日历效应择时

Johnson T L , Jinhwan K , So E C . Expectations Management and Stock Returns[J]. The Review of Financial Studies, 2019(10):10.

年末（四季度或12月）宏观增长、剩余消费比率对风险资产的预期收益影响巨大，一年中的其他时候影响较小。年末对第二年的经济增长产生新的预期，带来估值切换行情。

Moller S V , Rangvid J . End-of-the-year economic growth and time-varying expected returns[J]. Journal of Financial Economics, 2015, 115(1):136-154.

Heston, Steven L. & Sadka, Ronnie, 2008. "Seasonality in the cross-section of stock returns," Journal of Financial Economics, Elsevier, vol. 87(2), pages 418-445, February.

罕见的再平衡可以产生收益的自相关性，当更多的交易者进行再平衡时，期望收益率的横截面方差会变得更大，产生了股票收益率的季节性。机构统一调仓会导致风险加大，形成股票收益率的季节性。A股机构重仓披露时间一般是季度初第一个月的18-22日左右，在这之前为了保护重仓商业机密会做调仓换股，即公募基金一般年度调仓换股有三大周期3月底4月初、6月底7月初、11月中下旬，导致市场调整，并在之后迎来上涨。

Bogousslavsky V . Infrequent Rebalancing, Return Autocorrelation, and Seasonality[J]. Journal of Finance, 2016, 71(6):2967-3006.

Keloharju, Matti & Linnainmaa, Juhani T. & Nyberg, Peter, 2021. "Are return seasonalities due to risk or mispricing?," Journal of Financial Economics, Elsevier, vol. 139(1), pages 138-161.

陆磊, 刘思峰. 中国股票市场具有"节日效应"吗?[J]. 金融研究, 2008(2):13.

蒋先玲, 吕东锴, 张婷. 春节文化、一月价值溢价效应与投资者非理性投资[J]. 财贸经济, 2012(7):7.

8、日内择时

Lou D, Polk C, Skouras S. 2019. A tug of war: Overnight versus intraday expected returns[J]. Journal of Financial Economics, 134(1): 192-213.

今日股票为什么会大跌以及今日股票行情

尹海员, 吴兴颖. 2019. 投资者高频情绪对股票日内收益率的预测作用[J]. 中国工业经济，(8): 80-98.

白颢睿, 吴辉航, 柯岩. 2020. 中国股票市场月频动量效应消失之谜——基于T+1制度下隔夜折价现象的研究[J]. 财经研究, 46(4): 140-154.