【宽客研报】双重筹码集中的基本面选股策略

宽聚量化

研究思路
以往对筹码的研究主要集中在两方面，一方面是从筹码的价格出发，通过过去一段时间的价格和换手率来刻画当前筹码的价格分布；另一方面是从筹码的持有者出发，通过股东户数、人均持股数、机构持股等指标来描绘筹码的投资者分布。可以看出这其实是两个完全不同的角度，本文尝试将这个两个角度的筹码分布进行融合分析。
考虑到A股市场存在较多的市值管理，本文着重分析是由于基本面良好带来的筹码集中，引入Piotroski（2000）的F-Score与分析师评级来尽量保证基本面没有太大的问题。
 主要结论
考虑最新的财报信息的F-score与分析师信息的分析师评级，两方面综合选股基本面较为良好的股票作为股票池。股票池内出现大幅下跌的概率明显要小于其他组。
股价大幅下跌的股票出现股东户数明显减少可能是由于人均持有市值太低而导致人均持有市值难以下降。
考虑筹码价格集中与筹码投资者集中，最终我们构建的双重筹码集中的基本面选股策略，从2009年5月4日至2019年7月28日，实现了18%的年化收益，相对中证500基准超额收益13.5%，信息比0.99，最大回撤34.4%，年化双边换手率4.87。分年情况除14年以外，超额收益和信息比都比较稳定。

风险提示：
本文基于历史数据回测，不保证模型的未来有效性。

一、研究思路
二、通用基本面衡量代理变量
（一）F-Score简介
（二）分析师评级简介
三、双重筹码集中基本面选股策略
（一）筹码价格集中简介
（二）筹码投资者集中简介
（三）双重筹码集中的基本面选股策略
四、总结
五、风险提示


一、研究思路
以往对筹码的研究主要集中在两方面，一方面是从筹码的价格出发，通过过去一段时间的价格和换手率来刻画当前筹码的价格分布；另一方面是从筹码的持有者出发，通过股东户数、人均持股数、机构持股等指标来描绘筹码的投资者分布。可以看出这其实是两个完全不同的角度，本文尝试将这个两个角度的筹码分布进行融合分析。
考虑到A股市场存在较多的市值管理，本文着重分析是由于基本面良好带来的筹码集中，引入Piotroski（2000）的F-Score与分析师评级来尽量保证基本面没有太大的问题。
二、通用基本面衡量代理变量
衡量公司的基本面情况是非常复杂的，不同商业模式需要关注的点可能也不大相同，本文采用学术上使用较为广泛Piotroski（2000）的F-Score与分析师评级，综合财务报表信息与分析师观点来共同衡量股票基本面的状况。
（一）F-Score简介
Piotroski（2000）探讨了是否简单地使用财务报表信息来做基本面分析，可以明显地改善低估值策略，有效地规避低估值陷阱。其从盈利能力、偿债能力与资本结构、运营能力三个方面提出9个指标来衡量公司的基本面状况，我们结合A股情况做了细微地修改，主要是将年度改成了TTM，如下表所示。

可以看出这9个指标均为0-1变量，将这9个指标加起来即为F-Score。Piotroski（2000）依据得分将得分在0至3之间的股票设置为Low组，将得分在4至6之前的股票设置为Middle组，将得分在7至9之间的股票设置为High组，我们参考其做法，构建等权多头组合在A股市场做一个测试，从09年至今，每年在5月，9月，11月的第一个交易日进行调仓。


从分组收益上可以看出，F-Score确实具备一定的收益区分能力，高F-Score组明显的跑赢低F-Score组。此处对于我们来说，更看重的不是把F-Score当作一个收益预测因子，而更多的是风控手段。我们统计了一下各股票组出现极端下跌的比例，如下表所示。


可以看出High组出现极端下跌的概率明显更小，事前风控效果较为明显。最后我们再来看一下，各组每期选择的股票数量。可以看出High组股票数量大致在250至1000只左右，适合我们做进一步筛选的股票池。

（二）分析师评级简介
本文使用的分析师评级来自于朝阳永续库，其定义的一致预期评级做法如下所示：
1. 用卖方“Go-Goal评级”，买入、收集、中性、派发、卖出赋予分值分别为：1、0.75、0.5、0.25、0，形成“go-goal评级强度”值数列。
2. 以“Go-Goal评级强度”值为数列，每个机构只取最新一个有效的评级强度，用一致预期加权算法计算每天的个股“一致预期评级强度”值，推算逻辑为：
（1） 90天内3家以上加权计算（数据类型 1）注：一致预期净利润和EPS为5家以上;
（2） 90天内1~2家加权计算（数据类型为 2）
（3） 90天内无评级，记录为“n.a”（数据类型 3），只在计算起始日计算；
（4） 沿用计算（数据类型为 4），只覆盖（3）；注：沿用统计日前一天数据；
算法说明：机构影响力和发布时间影响力双重加权计算;
从上述说明可以看出，其对分析师不同的推荐程度分为了5档，并进行打分，推荐程度越高的分数越高，最高推荐程度的打1分，最低推荐程度（卖出建议）的打0分。然后在90天内每一个机构取其最新的推荐态度，依据算法说明，再对每一家机构赋上影响力权重以及时间权重，最后得到一个综合的评级结果。
此处对于分析师评级对于我们来说，仍然是一个偏风控的指标，出于谨慎性考虑我们仅使用数据类型标签为1的数据。并且可以看出无论怎么加权，只有部分分析师给出了中性或者以下评级的时候，才会出现小于0.75的分析师评级，而在A股股票市场，出现不推荐的报告是非常少的，大部分时候是公司出现了明显的风险点。故此处我们在F-score的基础上继续加上分析师评级大于等于0.75的要求。


可以看出单纯分析师评级大于等于0.75的收益并不高，但把分析师评级加入F-score高得分组内，在18年个股风险频出的时候，收益有明显的提升；对于我们来说，选用这两组基本面指标主要还是风控的作用，我们再看下各股票组出现极端下跌的比例，如下表所示。


可以看出，加入分析师评级之后，相比于单独的F-score高得分组，出现极端下跌的比例进一步下降。在跌幅大于40%，50%的情况，最终的高F-score、高分析师评级组出现下跌的比例还要小于单独的高F-score组与高分析师评级组。在跌幅大于60%，70%的情况，最终的高F-score、高分析师评级组出现下跌的比例相比于高F-score组，仍然进一步下降，但要略高于单独的高分析师评级组。最终出现极端下跌超过60%，70%的次数已经非常的低，高F-score、高分析师评级组出现下跌超过60%的股票仅5次，而出现下跌超过70%的股票仅1次。



最后高F-score、高分析师评级组的股票数量大致在100到400只股票左右，我们在这个股票池进行进一步的分析。
三、双重筹码集中基本面选股策略
（一）筹码价格集中简介
目前主流的金融服务终端基本都提供这样一个功能，查看股票的筹码分布，其主要思路均是选取过去一段时间的量价信息，从最开始的成交量、成交价，结合其中的换手率考虑衰减函数，得出当前时间点的一个筹码价格分布。下面我们简单的解释一个这个过程：
假定T-10日的股票VWAP为