迈克尔·喜伟收益型投资法

2018-01-25 13:53:00

引言

迈克尔·喜伟（Michael Sivy）是美国知名的投资分析师，畅销书 《Michael Sivy’s Rules of Investing: How to pick stocks like a pro》的作者。其对全球股市的预测绩效显著，曾在1987年预警美国股市的大崩盘，在1994年华尔街空头气氛弥漫时成功预测到了1995 年至1999 年美国股市的长牛市。迈克尔·喜伟也是美国著名财经杂志Money Magazine 的专栏作家，并被认为是该杂志的首席策略分析大师。同时，他也是TIME 杂志的专栏作家，并对不同类型的投资者的选股策略有着精辟的见解。本篇文章及是对其畅销书《Michael Sivy’s Rules of Investing: How to pick stocks like a pro》中投资理念的提炼。

策略思路

迈克尔·喜伟是价值投资的拥护者，他认为价值收益型的投资者在进行选股时的目标是找出具有以下四个特性的个股：

一、具有高于平均的收益率；
二、具有诱人而可预测的成长率；
三、财务健康；
四、相对低的股价。

从这五个角度出发，我们给出选股的五个指标：
1.股息率
2.每股收益增长率
3.产权比率
4.流动比率
5.市盈率

这五个指标共同构建了选股准则，构成了迈克尔·喜伟价值导向选股法则。这五条准则非常清晰明确，均为可直接量化实现的准则。每条准则具有明确的量化描述和判断条件，除个别部分需对中国市场调整外，我们的回测将严格按照这五条准则复制，不存在需主观判断而不能量化的准则。

策略细节

归纳理查马文价值投资策略初始版本，可以大致总结策略衡量的四个方面：
（1）高于平均的收益率：可用股利收益率来衡量股票派息的收益水平；
（2）诱人而可预测的成长率：可以每期的每股收益增长率衡量成长性；
（3）健康的财务：负债与股东权益之比（产权比率）相对较低而流动比率相对较高；
（4）便宜的股价：可用市盈率来衡量股价是否被低估。

其价值选股标准也主要围绕着这几个方面，具体为：

罗伯·瑞克超额现金流选股法则的通用版本：
a)股息率大于市场平均值；
b)每股收益增长率大于市场平均值；
c)负债与股东权益之比（产权比率）小于市场平均值；
d)流动比率大于市场平均值；
e)市盈率为正且小于市场平均值。

策略实现

为了比较长期价值投资的效果，我们进行了3次回测，回测时长分别为1年，5年，10年。

（1）迈克尔·喜伟收益型投资法
投资标的：A股
调仓周期：60天
回测时间：2016.01.01~2017.01.01
回测时长：1年

收益曲线

收益归因

业绩分析

从回测结果看，虽然该策略在近一年的回测期中取得了一定的超额收益，但绝对收益率还是很低，更值得注意的是策略的胜率很低，且相对于之前介绍的价值选股法，其超额收益也并不优秀。

（2）迈克尔·喜伟收益型投资法
投资标的：A股
调仓周期：60天
回测时间：2014.01.01~2017.01.01
回测时长：3年

收益曲线

收益归因

业绩分析

当回测时间延长到三年，策略的表现优异了很多。年化收益率到达44.6%，复合年化收益率33%，同时胜率达到了59.5%。

（3）迈克尔·喜伟收益型投资法
投资标的：A股
调仓周期：60天
回测时间：2007.01.01~2017.01.01
回测时长：10年

收益曲线

收益归因

业绩分析

在十年期回测中，我们发现策略的表现优秀。取得了85.5%的年华收益和25.8%的复合年化收益率，胜率依然保持在将近60%。

通过以上三次回测，我们可以发现该策略在中长期的投资期限内表现更为优良。这也符合我们对价值投资的一般认识。

小结

迈克尔·喜伟是美国知名的投资分析师，畅销书《Michael Sivy’s Rules ofInvesting: How to pick stocks like a pro》的作者。他对不同类型的投资者的选股策略进行了分析，认为价值收益型的投资者在进行选股时的目标是找出具有以下四个特性的个股：具有高于平均的收益率、具有诱人而可预测的成长率、财务健康和相对低的股价。量化后的迈克尔·喜伟收益型投资法从这四个方面，选取市盈率、产权比率、流动比率、每股收益增长率和股息率5 个指标进行选股，并以市场均值作为筛选阈值。

从我们的回测结果来看，迈克尔·喜伟收益型投资法表现出了很强的价值投资特性，在短期内表现一般，但是在中长期的投资表现十分亮眼，非常值得我们沿着这五条准则所体现的思路作进一步的优化和探索。

在此我们再次提出两个个简单的优化建议: 一是吸收迈克尔·喜伟收益型投资策略中的投资思维，在原有基础上扩展筛选股的考查纬度、或者调整具体的考核指标，进一步优化考察指标的参数；二是将迈克尔·喜伟收益型投资策略所选出的股票作为股票池，进一步利用其它方法筛选或择时判断。

关于回测平台、历史数据，可以在这里下载：http://www.链接失效或指向广告已经被屏蔽.com/# /introduce
这个平台的数据都是经过清洗的，而且策略不会外露，有保密系统，还是比较安全的。
想学习更多量化策略，也可以来这里看看：http://www.链接失效或指向广告已经被屏蔽.com/# /lzClass
想学习更多关于量化投资策略相关内容的，可以关注微信：量化投资与金融科技（微信号：QuantumFintech）
微信二维码：

Code

-- coding:utf-8 --

from CloudQuant import SDKCoreEngine # 导入量子金服SDK
from CloudQuant import AssetType
from CloudQuant import QuoteCycle
import numpy as np
import pandas as pd

np.seterr(invalid='ignore')

config = {
'username': username',
'password': 'password',
'rootpath': 'c:/cStrategy', # 客户端所在路径
'assetType': AssetType.Stock,
'initCapitalStock': 100000000,
'startDate': 20070101,
'endDate': 20170101,
'cycle': QuoteCycle.D,
'strategyName': 'sivy',
'feeRate': 0.001,
'feeLimit': 5,
'stampTaxRate': 0.001,
'dealByVolume': True
}

HOLDING_PERIOD=60

def initial(sdk):
sdk.setGlobal('c',0)

def initPerDay(sdk):
pass

def strategy(sdk):
count=sdk.getGlobal('c')
if count==0:
PE = sdk.getFactorData('LZ_CN_STKA_VAL_PE')[-1] # PE
PPD=sdk.getFactorData('LZ_CN_STKA_VAL_PPD')[-1] # 股价/每股派息
DR=1/PPD # 股息率
YOYEPS=sdk.getFactorData('LZ_CN_STKA_FIN_IND_YOYEPBASIC')[-1]# 每股收益增长率
D2E=sdk.getFactorData('LZ_CN_STKA_FIN_IND_DEBTTOEQUITY')[-1] # 产权比率
CURRENT=sdk.getFactorData('LZ_CN_STKA_FIN_IND_CURRENT')[-1] # 流动比率
ST = sdk.getFactorData('LZ_CN_STKA_SLCIND_ST_FLAG')[-1] # ST
STOP = sdk.getFactorData('LZ_CN_STKA_SLCIND_STOP_FLAG')[-1] # 停牌
stock_list = sdk.getStockList()
stock_list = np.array(stock_list)

condition_DR = DR >= np.nanmean(DR)
condition_EPS=YOYEPS>=np.nanmean(YOYEPS)
condition_D2E=D2E=np.nanmean(CURRENT)
condition_PE_1=PE>0
condition_PE_2=PE 0:
order = [stock, price, volume, 1]
buy_orders.append(order)
if buy_orders:
sdk.makeOrders(buy_orders)
sdk.sdklog(

-- coding:utf-8 --

from CloudQuant import SDKCoreEngine # 导入量子金服SDK
from CloudQuant import AssetType
from CloudQuant import QuoteCycle
import numpy as np
import pandas as pd

np.seterr(invalid='ignore')

config = {
'username': username',
'password': 'password',
'rootpath': 'c:/cStrategy', # 客户端所在路径
'assetType': AssetType.Stock,
'initCapitalStock': 100000000,
'startDate': 20070101,
'endDate': 20170101,
'cycle': QuoteCycle.D,
'strategyName': 'sivy',
'feeRate': 0.001,
'feeLimit': 5,
'stampTaxRate': 0.001,
'dealByVolume': True
}

HOLDING_PERIOD=60

def initial(sdk):
sdk.setGlobal('c',0)

def initPerDay(sdk):
pass

def strategy(sdk):
count=sdk.getGlobal('c')
if count==0:
PE = sdk.getFactorData('LZ_CN_STKA_VAL_PE')[-1] # PE
PPD=sdk.getFactorData('LZ_CN_STKA_VAL_PPD')[-1] # 股价/每股派息
DR=1/PPD # 股息率
YOYEPS=sdk.getFactorData('LZ_CN_STKA_FIN_IND_YOYEPBASIC')[-1]# 每股收益增长率
D2E=sdk.getFactorData('LZ_CN_STKA_FIN_IND_DEBTTOEQUITY')[-1] # 产权比率
CURRENT=sdk.getFactorData('LZ_CN_STKA_FIN_IND_CURRENT')[-1] # 流动比率
ST = sdk.getFactorData('LZ_CN_STKA_SLCIND_ST_FLAG')[-1] # ST
STOP = sdk.getFactorData('LZ_CN_STKA_SLCIND_STOP_FLAG')[-1] # 停牌
stock_list = sdk.getStockList()
stock_list = np.array(stock_list)

condition_DR = DR >= np.nanmean(DR)
condition_EPS=YOYEPS>=np.nanmean(YOYEPS)
condition_D2E=D2E=np.nanmean(CURRENT)
condition_PE_1=PE>0
condition_PE_2=PE 0:
order = [stock, price, volume, 1]
buy_orders.append(order)
if buy_orders:
sdk.makeOrders(buy_orders)
sdk.sdklog("------------------------------------------")
sdk.sdklog(sdk.getNowDate(),"DATE")
sdk.sdklog(buy_orders,'BUY')

def run_all():
config['initial'] = initial
config['strategy'] = strategy
config['preparePerDay'] = initPerDay

启动SDK

SDKCoreEngine(**config).run()

if name == 'main':
run_all()

-- coding:utf-8 --

from CloudQuant import SDKCoreEngine # 导入量子金服SDK
from CloudQuant import AssetType
from CloudQuant import QuoteCycle
import numpy as np
import pandas as pd

np.seterr(invalid='ignore')

config = {
'username': username',
'password': 'password',
'rootpath': 'c:/cStrategy', # 客户端所在路径
'assetType': AssetType.Stock,
'initCapitalStock': 100000000,
'startDate': 20070101,
'endDate': 20170101,
'cycle': QuoteCycle.D,
'strategyName': 'sivy',
'feeRate': 0.001,
'feeLimit': 5,
'stampTaxRate': 0.001,
'dealByVolume': True
}

HOLDING_PERIOD=60

def initial(sdk):
sdk.setGlobal('c',0)

def initPerDay(sdk):
pass

def strategy(sdk):
count=sdk.getGlobal('c')
if count==0:
PE = sdk.getFactorData('LZ_CN_STKA_VAL_PE')[-1] # PE
PPD=sdk.getFactorData('LZ_CN_STKA_VAL_PPD')[-1] # 股价/每股派息
DR=1/PPD # 股息率
YOYEPS=sdk.getFactorData('LZ_CN_STKA_FIN_IND_YOYEPBASIC')[-1]# 每股收益增长率
D2E=sdk.getFactorData('LZ_CN_STKA_FIN_IND_DEBTTOEQUITY')[-1] # 产权比率
CURRENT=sdk.getFactorData('LZ_CN_STKA_FIN_IND_CURRENT')[-1] # 流动比率
ST = sdk.getFactorData('LZ_CN_STKA_SLCIND_ST_FLAG')[-1] # ST
STOP = sdk.getFactorData('LZ_CN_STKA_SLCIND_STOP_FLAG')[-1] # 停牌
stock_list = sdk.getStockList()
stock_list = np.array(stock_list)

condition_DR = DR >= np.nanmean(DR)
condition_EPS=YOYEPS>=np.nanmean(YOYEPS)
condition_D2E=D2E=np.nanmean(CURRENT)
condition_PE_1=PE>0
condition_PE_2=PE 0:
order = [stock, price, volume, 1]
buy_orders.append(order)
if buy_orders:
sdk.makeOrders(buy_orders)
sdk.sdklog(

关键字：算法交易, 理论基础, 交易策略, 程序化交易

原文发布于宽客论坛，点击阅读原文



                                                    风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！

相关文章

实证因子有效性：20 日相对强弱（RSI）

双均线策略示例

股指期货跨期套利策略示例

迈克尔·喜伟收益型投资法

【量化基础策略示例】收益 385%，附代码

三一投资管理公司选股法则实战（附代码）

PPP 融资模式纪要

均线系统

缺口理论

6 种著名交易系统

MACD 五日变值法

如何正确的处理亏损

利用简单指标，建立交易系统

国泰君安做市商有何功能

左手理性，右手投资

【金融数据 - 美股数据】London Breakout 交易策略

如何进行套息交易

简单实现一个自动化交易程序

优化和改进套利交易策略

Quant 职业在国内前景怎样

[交易策略] 经典量化交易策略之光行差 Aberration

量化交易策略之幽灵交易者策略 (完整代码)

A 股大单交易数据接口 - 免费

如何在15分钟周期取前1小时的收盘价?

MACD多周期共振系统

跨周期情况下的均线计算。

一个简单顺势交易系统的例子

立即
投稿

微信公众账号

微信扫一扫加关注

 返回
顶部