基本面量化投资策略研究综述

路文煜

摘要：基本面量化投资融合了基本面分析和量化投资的优点，是近几年备受关注的智能量化投资方式。目前，基本面量化投资的研究仍处于探索阶段。本文从内涵和应用两个方面，对当前关于基本面量化投资的研究成果进行了梳理和总结，在此基础上提出了当前研究存在的不足和未来的研究方向，希望为今后基本面量化投资的研究方向提供一定的指导意见。

关键词：基本面量化投资  机器学习  研究展望

ABSTRACT

Fundamental quantitative investment, which combines the advantages of fundamental analysis and quantitative investment, is an intelligent quantitative investment method that has attracted much attention in recent years. At present, the research of fundamental quantitative investment is still in the exploratory stage. This paper reviews and summarizes the current research results on quantitative fundamental investment from the aspects of connotation and application. On this basis, I put forward the shortcomings of the current research and the future research direction, hoping to provide certain guidance for the future research direction of quantitative fundamental investment.

KEY WORDS: fundamental quantitative investmentmachine learning research prospect

 

基本面量化投资策略研究综述

证券的基本面分析指对决定证券内在价值和影响证券价格的宏观经济形势、行业状况、公司经营状况等进行分析，是经典的证券分析方法之一。随着互联网技术的发展，计算机技术开始应用于证券投资之中，量化投资应运而生，即通过计算机来执行提前设置好的投资策略，由计算机做出买卖指令的投资方式。量化投资借助计算机使投资具备更高的执行效率，不仅可以迅速对各个标的进行统计分析并做出判断，还可以避免投资者的主观情绪影响。

当前，量化投资策略发展迅速，已获得越来越多的认可。其中，基本面量化投资成为该领域研究的热点。所谓基本面量化投资，指将基本面投资和量化投资深度融合的一种新型投资方法。目前基本面量化投资的研究仍处于探索阶段，学界取得了相应的研究成果。本文对有关基本面量化投资的国内外文献及相关研究进行了梳理与总结，系统阐述了基本面量化投资的内涵与应用，为今后基本面量化投资的研究方向提供了一定建议。

一、基本面量化投资的内涵

（一）基本面分析

基本面分析旨在尽可能利用所有与上市公司相关的经济和金融数据进行定量和定性分析，以衡量证券的内在价值。最早提出基本面分析方法的学者是Graham and Dodd（1934），他们认为证券投资应该通过证券的价值进行判断，而证券的价值则是由其基本面信息所决定的。基本面分析的核心是证券的内在价值，重点在于分析影响证券价格的各项因素。价格受多种因素如政治因素、经济因素、心理因素等的影响而变动，但价格总是围绕价值上下波动的，理性的投资者应根据证券价格与价值的关系进行决策。

自基本面分析这一投资思路提出之后，有许多学者利用此方法对证券的价值进行了评估：Gordon and Shapiro（1956）对股利增长的度量进行了研究，基于现金流量折现的思路，利用未来企业分红和当前股价推导出了股利增长模型，验证了基本面分析的合理性。Abarbanell and Bushee（1998）利用存货、应收账款、毛利率、销售费用、资本支出、有效税率、存货方法、审计资格和劳动力销售生产率同期变化等信息检验基本面分析是否能对股票收益产生显著影响，结果发现，基本面信号提供了与未来收益消息相关的未来回报信息。万寿义和王红军（2011）将基本面分析的思想应用于中国制造业上市公司分析上，发现当本期营业收入增加时，销售费用比率增加会对公司下期盈余变化产生负面影响，与基本分析的思路一致。

基本面分析的发展主要体现在评估方法的改进上。然而，随着资本资产定价模型理论、有效市场理论等学说的提出，基本面分析面临着严峻的考验。

Fama（1965）提出有效市场假说，认为如果市场是有效的，那任何时间点的股票价格都是内在价值或基本价值的良好估计，质疑了基本面分析的合理性。除此之外，基本面分析的精度和效率均比较低，限制了其应用的范围。基本面分析逐渐走出了人们的视野。

（二）量化投资

量化投资的核心是数量化统计分析，通过数量化方式和计算机程序化发出买卖指令，以获取稳定收益。量化投资的特点是纪律性、系统性、套利性和概率取胜，几乎覆盖了投资的全过程。如今随着信息技术特别是机器学习技术的成熟，量化投资得到了迅速的发展。

最早的量化投资思想可追溯到1952年Markowitz提出的资产组合理论，利用均值和方差分析确定最优投资组合。Sharpe et al.（1964）在资产组合理论的基础上研究了证券市场中资产的预期收益率与风险资产之间的关系以及均衡价格的形成，建立了资本资产定价模型。Fama et al.（1992）对资本资产定价模型理论进行了延伸，引入市场资产组合、市值因子和账面市值比三个因子进一步解释股票回报率。随后学者试图在三因子模型的基础上加入更多因子来提高模型的解释力，从而建立了多因子模型，因子主要包括宏观因子、基本面因子和统计因子。因子模型理论也是基本面量化投资的启蒙思想。

目前大量的研究成果已经充分验证了量化投资的合理性，由于该理论同时具有科学性和有效性，已成为证券投资领域的主流方法。

（三）基于基本面分析的量化投资

基于基本面分析的量化投资主要研究股票的基本面因素和超额收益之间的关系。目前基本面量化投资的主要方法是多因子模型，即模型强调基本面因子的作用（张然和汪荣飞，2017）：郑挺国和尚玉皇（2014）基于宏观基本面数据构建了多因子的广义自回归条件异方差-混频数据抽样模型，对我国股市日度波动率进行了估计和预测，并检验了模型在预测股市波动精度方面的稳健性。姜富伟等（2022）利用机器学习算法挖掘我国上市公司财务基本面数据并构建了多因子定价模型，明确了各定价因子对模型的贡献，为资产定价领域提供了新思路。

基本面量化投资结合了基本面分析和量化投资的优点，既通过数量化方法提高了投资决策的精度，又保留了基本面分析的全面性和多层次性，是近几年备受关注的智能量化投资方式（张然和汪荣飞，2017）。

二、关于基本面量化投资的实证研究

在应用层面上，国内外关于基本面量化投资的实证研究已经取得了丰富的研究成果，其研究内容可以大致总结为以下三个方面。

（一）对公司基本面估值

关于公司价值衡量的研究有很多，目前衡量标准尚未统一，众说纷纭：Piotroski（2000）研究了基于基本面分析构建的由高账面市值比公司组成的投资组合对投资者回报分布的影响，结果发现，高账面市值比投资者的年平均收益至少可以增加7.5%，资产回报率、营运现金流量、利润率和资金周转率越高的企业收益越高。David Hirshleifer et al.（2004）的研究发现，净经营资产与总资产的比例是长期股票收益的负预测因子，当累计净营业收入超过累计自由现金流时，收益增长会发生疲软。Novy-Marx（2013）认为，利用资产毛利率衡量盈利水平的能力与账面市值比预测平均回报率横截面的能力大致相同，毛利率可以及时大多数与盈利相关的异常现象以及盈利交易策略。姚辉和武婷婷（2014）基于沪深A股市场2000-2013的数据对上市公司基本面进行赋值打分，肯定了价值投资策略在中国A股市场的有效性。

然而，也有一些实证研究认为公司基本面信息的解释能力比较弱甚至没有显著的影响：Cutler et al.（1989）在模型中加入了宏观经济变量和行业基本面因子，但模型对股票收益波动率的解释力不到百分之五十；Richardson et al.（2012）试图利用基本面信息解释股票的收益能力，但结果并不理想。

（二）对阿尔法因子的研究

阿尔法因子指经风险调整后的资产组合的预期收益率与实际收益率的差额，即超额收益。如阿尔法因子为正，说明投资者获得的平均溢价高于市场预期可得水平。目前学界流行的阿尔法模型是基本面因子模型和宏观因子模型。Lee et al.（2015）认为基本面因素可以更好地衡量股票地预期收益。Albert and Lipton（2017）以可以通过预知使用基于未来基本面的因素选择股票，构建了前瞻因子模型以预测未来的基本面。李志冰等（2017）以1994-2015年我国A股上市公司为样本，根据Fama三因子模型的思想，检验了五因子模型对我国股市的适用性，证明了五因子模型比三因子模型和四因子模型更具解释力。朱忆（2014）基于A股市场构建了包括利率风险溢价、信贷增速、换手率、营收和净利润等在内的多因子对冲模型，在一定程度上解释了股票超额收益的来源。

（三）基本面量化投资的研究方法

随着多因子模型的发展，越来越多的基本面因子加入到模型中，基本面量化投资的研究重点从如何选用更多的因子提高模型的解释力，变为从众多因子中如何选取最有价值的影子以及各因子对模型的贡献。学者们也尝试着使用更科学和先进的方法完善基本面量化投资理论。王云凯和蓝金辉（

2018）利用梯度提升回归和随机森林两种机器学习方法构建了一套完整的量化投资策略，以挖掘基本面多因子与股票价格之间的相关性。结果证明此策略可以有效提高证券资产组合收益。王伦（2019）将深度森林算法引入选股策略中，利用沪深300成分股进行选股回测。李斌等（2019）采用Lasso回归、梯度提升树、集成神经网络、循环神经网络等12种机器学习算法，构建了股票收益预测模型和投资组合，并进一步研究了因子在模型中的重要性。姜富伟等（2022）利用惩罚线性回归和主成分分析的方法选取因子，并发现弹性网络方法可以有效地缩减定价因子个数。

三、总结

本文从内涵和应用两个方面，对近年来国内外关于基本面量化投资的研究成果进行了系统性地梳理和总结。自基本面量化投资这一思想被提出来之后，该方法已经获得大多数学者的认可，但目前还处于探索阶段，仍存在一些问题，需在现有基础上进行更加深入的研究。未来的研究可以重点关注以下几个方面。

第一，模型引入新的量化技术。量化投资分析的关键在于数量化分析，需要借助先进的人工智能技术实现。当前机器学习、深度学习等技术在飞速发展中，这都为量化投资研究提供了充分地支撑。基本面量化投资的研究应在已有基础上引入更加前沿的信息技术完善模型，进一步提高模型的准确性和有效性。

第二，加强对数据的深度挖掘。基本面量化分析是围绕数据的投资分析方法，然而现在有许多研究过于重视量化技术的创新而忽视了数据。未来的研究应更多针对数据本身的特性进行拓展，在大数据时代对信息进行开发和利用，为多因子模型补充全新的角度。

第三，增强本土化研究。由于与基本面量化投资的经典理论和模型大多来自国外研究，我国学者往往利用我国市场数据来验证经典模型的有效性，具有一定局限。我国学者可以围绕国内公司的特有属性和宏观经济特征进行研究，构建适合我国市场的基本面量化投资模型，增强基本面量化投资研究的本土化，使模型更具实践意义。

参考文献

[1]Albert J, Lipton Z C. Improving Factor-Based Quantitative Investing by Forecasting Company Fundamentals[J/OL].https//arxiv.org/pdf/1711.04837.pdf. 2017.

[2]Cutler David M. and Poterba James M. and Summers Lawrence H.. What moves stock prices?[J]. The Journal of Portfolio Management, 1989, 15(3) : 4-12.

[3]David Hirshleifer et al. Do investors overvalue firms with bloated balance sheets?[J]. Journal of Accounting and Economics, 2004, 38 : 297-331.

[4]Eugene F. Fama. The Behavior of Stock-Market Prices[J]. The Journal of Business, 1965, 38(1) : 34-105.

[5]Fama K F, The Cross-Section of Expected Stock Returns[J.] Journal of Finance, 1992, 42(2): 427-462.

[6]GRAHAM B, DODD D L. Security analysis[M]. New York: Whittlesey House, 1934.

[7]Harry Markowitz. The Utility of Wealth[J]. Journal of Political Economy, 1952, 60(2) : 151-158.

[8]Jeffery S. Abarbanell and Brian J. Bushee. Abnormal Returns to a Fundamental Analysis Strategy[J]. The Accounting Review, 1998, 73(1) : 19-45.

[9]Lee C M C, So E C. Alphanomics: The Informational Underpinnings of Market Efficiency[J]. Foundation and Trends in Accounting, 2015, 9(2-3): 59-258.

[10]Myron J. Gordon and Eli Shapiro. Capital Equipment Analysis: The Required Rate of Profit[J]. Management Science, 1956, 3(1) : 102-110.

[11]Piotroski J D. Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers[J]. Journal of Accounting Research, 2000, 38 : 1-41.

[12]Robert Novy-Marx. The other side of value: The gross profitability premium[J]. Journal of Financial Economics, 2013, 108(1) : 1-28.

[13]Scott Richardson and Richard Sloan and Haifeng You. What Makes Stock Prices Move? Fundamentals vs. Investor Recognition[J]. Financial Analysts Journal, 2012, 68(2) : 30-50.

[14]Sharpe W F. Capital Asset Prices:A Theory of Market Equilibrium Under Conditions of Risk[J]. Journal of Finance, 1964, 19(3): 425-442.

[15]扈香梅.浅谈基本面分析和技术分析在股票市场的应用[J].新西部(理论版),2014(05):62+64.

[16]姜富伟,薛浩,周明.大数据提升了多因子模型定价能力吗?——基于机器学习方法对我国A股市场的探究[J].系统工程理论与实践,2022,42(08):2037-2048.

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

[18]李志冰,杨光艺,冯永昌,景亮.Fama-French五因子模型在中国股票市场的实证检验[J].金融研究,2017(06):191-206.

[19]万寿义,王红军.基于成本性态的销售费用与管理费用基本面分析——来自中国制造业上市公司的经验证据[J].东北财经大学学报,2011(04):3-10.

[20]王伦.基于深度森林的选股策略[J].经济研究导刊,2019(27):78-79.

[21]王云凯,蓝金辉.ML-FFA:基于机器学习和基本面因子分析的量化投资策略[J].时代金融,2018(32):358-359+375.

[22]姚辉,武婷婷.兼顾基本面与估值指标的价值投资策略实证研究——来自2000-2013年中国沪深A股市场的经验数据[J].投资研究,2014,33(11):123-138.

[23]喻崇武.基本面量化投资的理论逻辑与研究展望[J].中国物价,2022(06):61-64.

[24]张然,汪荣飞.基本面量化投资: 运用财务分析和量化策略获取超额收益[M].北京大学出版社, 2017.

[25]郑挺国,尚玉皇.基于宏观基本面的股市波动度量与预测[J].世界经济,2014,37(12):118-139.

[26]朱忆. 多因子对冲模型的构建[D].复旦大学,2014.