第237章：简单的逻辑不赚钱 (第1/2页)
　　
　　低市盈率（PE）因子，为何失效？
　　
　　2010年4月20日，星期二，上午十点整。
　　
　　车公庙，三十平米的办公室里，四颗脑袋凑在一台显示器前。
　　
　　屏幕上，是一条刚刚跑完的回测曲线。
　　
　　蓝色的线从2005年1月开始，缓慢向上爬升，到2007年10月达到顶峰——然后急剧坠落，2008年底触底，2009年震荡反弹。形状像一座陡峭的山峰，又像一条挣扎的蛇。
　　
　　陆方盯着那条线，脸上的表情有些复杂。
　　
　　周寻靠在椅背上，双手抱在胸前，一言不发。
　　
　　小林站在后面，踮着脚，努力想看清屏幕上的数字。
　　
　　陈默坐在最前面，右手握着鼠标，把那条线从头到尾又看了一遍。
　　
　　“这是……”他开口，声音有些涩。
　　
　　“低市盈率因子。”陆方说，“按您的意思，第一个测的。”
　　
　　陈默沉默。
　　
　　低市盈率因子。最简单的价值指标。买入全市场市盈率最低的30只股票，每月调仓一次，从2005年1月回测到今天。
　　
　　他们花了整整两周时间，才跑出这一条线。
　　
　　两周前，他们刚完成2005-2007年数据的初步清洗。陆方熬夜把回测框架的第一版写了出来。周寻设定了第一个测试目标：价值因子。陈默说，好，先试试最简单的。
　　
　　然后他们等了五天。
　　
　　服务器慢，代码糙，数据还在不断修正。第一次跑，三天后崩了——内存溢出。陆方重构了代码。第二次跑，两天后崩了——某个数据源的单位错误导致计算结果全偏。陈默翻出那本“数据问题清单”，核对了三个小时，找到那个错误。第三次跑，终于跑完了。
　　
　　整整两周，换来这条线。
　　
　　而这条线，看起来……
　　
　　“收益怎么样？”陈默问。
　　
　　陆方敲了几下键盘，调出一组数字：
　　
　　低市盈率因子 回测绩效（2005.1-2010.4）
　　
　　· 年化收益率：12.3%
　　
　　· 同期沪深300：14.7%
　　
　　· 最大回撤：58.2%
　　
　　· 同期沪深300最大回撤：71.8%
　　
　　· 夏普比率：0.31
　　
　　· 信息比率：-0.12
　　
　　陈默看着这些数字，久久没有说话。
　　
　　12.3%的年化收益，跑输指数2.4个百分点。58.2%的最大回撤，虽然比指数好一点，但依然是惨烈的。夏普比率0.31，勉强算正，但信息比率是负的——意味着相对于指数，这个策略不但没创造超额收益，还拖了后腿。
　　
　　“就这？”小林忍不住开口。
　　
　　陆方没有回答。
　　
　　周寻终于动了。
　　
　　他站起来，走到白板前，拿起笔，写下几个数字：
　　
　　2005-2007牛市：跑输指数 23%
　　
　　2008熊市：跑赢指数 18%
　　
　　2009反弹：跑输指数 15%
　　
　　他转过身，看着陈默：
　　
　　“这就是问题所在。”
　　
　　陈默盯着那几个数字。
　　
　　牛市跑输，熊市跑赢，反弹又跑输。综合下来，什么都没捞着。
　　
　　“为什么？”他问。
　　
　　周寻走到电脑前，调出另一张图——低市盈率因子的“分段表现”。
　　
　　“您看，”他指着图上的几个区域，“2005年到2007年，市场在涨什么？涨的是成长，是故事，是想象空间。银行、地产、有色、券商——这些当时的‘核心资产’，市盈率都不低。低市盈率的股票是什么？钢铁、化工、公用事业——那些‘没人要’的东西。”
　　
　　他顿了顿：
　　
　　“所以牛市里，它跑输。”
　　
　　“2008年呢？”陈默问。
　　
　　“2008年，市场暴跌。高市盈率的股票跌得最惨，因为它们的估值里包含了太多乐观预期。低市盈率的股票，本来就没多少预期可破，所以相对抗跌。”
　　
　　“2009年反弹呢？”
　　
　　“2009年反弹，市场又回去炒那些跌得最惨的——还是高市盈率的那些。低市盈率的股票，反弹无力。”
　　
　　周寻放下笔，看着陈默：
　　
　　“所以这个因子，本质上是‘抗跌’，不是‘能涨’。在熊市里它有用，在牛熊转换的完整周期里，它没创造任何超额收益。”
　　
　　陈默沉默。
　　
　　他想起自己过去那些年，多少次在路演时说“我们买的是低估值的好公司，安全边际高”。
　　
　　安全边际高，没错。
　　
　　但安全边际高，不等于能赚钱。
　　
　　“那……”小林又开口，“是不是我们选的因子不对？也许该用市净率？市销率？”
　　
　　周寻摇头：
　　
　　“不是哪个因子的问题。是‘单一因子’的问题。”
　　
　　他走到白板前，画了一个简单的图：
　　
　　```
　　
　　低PE股票池
　　
　　/ | \
　　
　　钢铁 化工 公用事业
　　
　　/ \ \
　　
　　周期股 原材料 稳定收租
　　
　　```
　　
　　他指着这些分支：
　　
　　“低PE只是一个筛选条件。但被它筛出来的股票，五花八门。有钢铁，有化工，有公用事业——它们的盈利模式、风险特征、对宏观的敏感度，完全不一样。把它们装在一个篮子里，指望它们表现一致，是不可能的。”
　　
　　他顿了顿：
　　
　　“更麻烦的是，这些不同类别的股票，在不同的市场环境下，表现可能完全相反。2007年，钢铁涨，公用事业不涨。2008年，公用事业抗跌，钢铁暴跌。2009年，钢铁反弹，公用事业不动。你用一个因子把它们捆在一起，结果就是互相抵消，什么都没有。”
　　
　　陈默听着，慢慢开始理解。
　　
　　“所以，我们需要的不只是一个因子……”他缓缓说。
　　
　　“是一组因子。”周寻接过话，“用多个维度去刻画一只股票——估值、成长、质量、动量、波动率、流动性……每个维度一个因子，然后把这些因子组合起来，形成对股票的全景画像。”
　　
　　他走回白板，画了一个新图：
　　
　　```
　　
　　股票综合评分
　　
　　/ | \
　　
　　估值因子 质量因子 动量因子
　　
　　/ | \
　　
　　低PE 高ROE 过去3月涨幅
　　
　　低PB 低负债 过去6月涨幅
　　
　　低PS 高毛利 过去12月涨幅
　　
　　```
　　
　　“这叫多因子模型。”周寻说，“每一个因子负责捕捉一个维度的信息。有的看便宜不便宜，有的看公司好不好，有的看趋势强不强。把它们合在一起，才能得到一个更完整的判断。”
　　
　　
　　
　　（本章未完，请点击下一页继续阅读）