我们制定一个交易策略，其中我们将对公司的基本面数据进行定量分析，并创建一个基本面强公司的投资组合并分析投资组合的表现。

什么是基本面分析？

在会计和金融领域，基本面分析被定义为对公司财务报表的分析，即资产负债表、损益表和现金流量表。

这种分析背后的动机是指出可能导致公司倒闭的债务和其他危险信号。这种分析有助于判断公司在过去几年/季度的整体业绩和健康状况。

该分析使用各种财务比率，例如：

市盈率（市盈率）

市盈率的计算方法是用股票价格除以每股收益。该比率用于了解公司相对于同行或市场的估值。

市账率 (P/B Ratio)

市帐率的计算方法是用股票价格除以权益的账面价值，或者换句话说，股票价格除以其账面价值。这个比率特别有助于判断公司的价值，无论是被低估还是被高估。

企业价值与销售额比率（EV/销售额比率）

企业价值鱼销售额比率是通过将企业价值除以公司的销售额或收入来计算的。考虑到债务和股权，这个特定的比率有助于根据公司的销售额对公司进行估值。

债务权益比率（D/E 比率）

债务权益比率或杠杆率是分析公司债务水平特别有用的比率。公司是否过度杠杆化。换句话说，公司有多少资金来自债权人和银行。

净债务与 EBITDA 的比率

净债务与EBITDA比率也是杠杆率，用来计算公司的杠杆率。它描述了公司偿还债务的能力，或者我们可以说公司必须管理其当前业务多长时间才能偿还当前债务。通常要求较低的价值，因为它表明公司有能力产生现金和偿还债务。

债务与资产比率（D/A 比率）

债务与资产比率是通过将债务除以公司的总资产来计算的，该比率用于了解公司的资产中有多少是由债权人提供资金的。较低的比率表明公司能够为未来可能出现的新机会自筹资金。

基本面分析也用于计算公司的内在价值。这有助于投资者和交易者识别被低估或高估的公司。因此，他们可以做出相应的决定。

什么是量化分析？

当使用各种统计技术和其他数学模型进行某些分析或过滤时，这种分析称为量化分析。它可用于识别满足某些条件的股票。这些条件可以是一些数学方程或过滤器。

最终目标是将可用信息量化为数值，以促进决策制定。在这种分析中，人们使用各种财务比率并将它们输入模型，该模型具有预定义的步骤，利用统计技术或数学公式并给出所需的输出。

为什么要使用基本数据制定量化交易策略？

纳斯达克追踪各行业的 3300 多只股票。但这里的问题是：

根据 Fama 和法国教授在因子投资方面撰写的一篇论文，我们知道，从长远来看，与其他公司相比，价值公司的表现更加一致。但与此同时，公司的基本实力也出现了一个问题。

所以问题是，

这一战略能够为我们提供一组与前几个季度相比表现更好的公司，并且与同行相比也相对被低估。

正如我们所知，在 Covid-19 大流行之后，一些公司在没有任何进一步通知的情况下一夜之间停止运作。因此，我们需要选择具有良好基本面支持（例如现金储备）和强大利润率的公司，以应对市场的这种起起落落。

如何制定量化策略？

配方分为两部分：

• 评估一家公司与同行的对比。
• 与自己评估公司过去的业绩。

对一家公司与同行的评估

1. 纳斯达克排名前 14 的科技股是按市值选择的。
2. 下面列出的比率用于评估该公司与其他公司的对比。

• 市盈率（市盈率）
• 市账率（市账率）
• 企业价值与销售比率（EV/销售比率）
• 债务权益比率（D/E 比率）
• 净债务与 EBITDA 的比率。
• 债务与资产比率（D/A 比率）

为了从公司中得出价值因素，我们采用这些比率的倒数。

在取这些比率的倒数之后，我们将取这些比率的 Z 分数。Z-score 背后的基本原理是将比率标准化并消除任何偏差，然后评分算法将用于计算公司的最终得分。

得分越高，相对于同行而言，它的价值就越被低估。

评分算法：编码惩罚算法，其参考取自“ S&P Value bse Factor indices Paper ”，如果 Z-score 大于 0。则将 1 添加到分数，如果为 0，则用 1 代替。小于 1 的地方，用公式 1/(1-z) 给予惩罚。

我们使用了基本分析包的“key_metrics”函数，因为它也返回了前一年的比率。列出的片段显示了比率的检索。

对照公司以往的业绩评估一家公司

我们在同行中比较了这些公司。现在，我们将这些公司与他们过去的季度业绩进行比较。我们将参考“台湾国立政治大学陈宏毅和美国罗格斯大学李诚福”的学术论文，计算F-score（Max, Min）和G-Score

(Max) 进行公司内部分析。使用相同的基本分析包，我们还提取了前一年的比率。

• F-score(max) 使用的比率必须随着研发与收入的增加而逐季增加，以展示公司的创新能力。流动比率（流动资产与流动负债）必须增加，以便公司可以用现金、存货和应收账款清偿其流动负债。
• F-score(min) 使用必须从一个季度到另一个季度减少的比率。
• G-score(max) 使用必须再次增加的比率，但这些比率更关注现金水平和净收入。

可以对比率进行任何添加以使分析更加全面和强大，但必须注意比率的相关性以避免对模型进行不必要的添加。

现在，用于对公司进行排名和评分的条件是：

• 如果 F-score (max) 和 G-score (max) 的季度变化大于 0，那么在那个地方已经给出了 +1。如果它小于 0，则 -1 作为惩罚。
• 对于变化小于 0 的 F 分数（min），则在该位置给出 +1。如果变化大于 0，则给予 -1 作为惩罚。使用此方法是因为 F-score(min) 需要逐季减少。

这个分数包含了公司相对于同行的表现以及它自己之前几个季度的表现。得分高的公司是前 5 个季度表现较好的公司，与同业相比被相对低估。

因此，我们可以根据需要或多或少地选择前5名的公司并对其进行投资。我们确信，与同行和过去几年相比，前 5 家公司的基本面是健全的。这种方法可以扩展到整个行业，以获得各自行业中表现最好的公司。

回测结果

我们现在已经制定了选择那些基本面良好并且在上一个财政年度表现良好的公司的策略。现在，我们对一组公司应用相同的策略，但逐年进行，然后在全年中担任职位，然后在每年年初重新选择这些公司。为方便起见，我们将采用称重方法等权重。

列出的片段显示了从包的存储库中检索数据并根据 Z 分数逐年对其进行排名。下一步是计算 F 和 G 分数并对公司进行排名，然后在其中担任职位。

以下片段显示了公司每年的累积分数。

上面的代码片段显示了量化策略回报的计算以及公司根据得分进行的再平衡。前 6 家公司已被选中做多，并计算了回报序列。选择6个以避免任何一家公司的过度集中，并保持分配最高为16.66%，但可以相应更改。

您可以根据他们的分数看到我们投资的公司的名单，而分数每年都在变化。所以据此，我们改变了公司。

对比纳斯达克的策略表现

现在让我们对照基准“纳斯达克”来回顾该策略的表现。

上图显示了我们刚刚制定的量化策略的月收益，开始时间为 2017 年 1 月至 2020 年 12 月。使用了颜色编码。

在图表旁边添加了一个颜色索引，用于为月份提供颜色。回报率低于 10% 的月份被赋予红色，然后随着回报率接近 15% 的数字，颜色的强度逐渐增加。

结论

正如我们所看到的，投资组合的表现优于基准，并且在累积财富方面也优于基准。所以，我们可以说这个量化策略运作良好。

可以对这个策略做更多的补充，比如使用技术分析，在选择基本面好的公司来过滤那些也有动力的公司之后。

我们还可以使用 GMV 优化器或 MSR 优化器来权衡公司以获得更好的性能，并使投资组合得到很好的优化。

来人工智能量化平台-BigQuant实践：