作者：刀疤臉 來源： 川總在寫量化訂閱号
摘要：股票池篩選是應用量化投資的基礎性研究，一方面能提供負向 α 來源，另一方面能盡量避免踩坑。本文圍繞“如何規避爛股票”這一主題，介紹了黑名單的三類來源：低流動性股票、“18 禁”股票和負向 α 股票。
1/引言
股票多因子組合的建構和交易一般包括以下幾個子產品：
1. 阿爾法模型：通過定義阿爾法因子及其權重，用來預測股票收益；
2. 風險模型：預測股票的方差協方差矩陣，一般通過多因子結構化風險模型來做；
3. 成本模型：對交易費用和沖擊成本進行模組化，在組合優化時作為扣減項；
4. 組合優化器：最大化投資目标，如最大化風險調整後收益；
5. 交易執行：利用算法交易等減少沖擊成本；
6. 業績評價和歸因：計算風險收益名額，對業績進行收益和風險歸因。
其中阿爾法模型主要負責因子選股，是整個多因子組合中最核心的部分，也是大多數研究員絞盡腦汁的地方。研究員通過挖掘具有顯著資訊增量的因子，試圖提升組合收益。
阿爾法子產品，一般包括以下步驟：
1. universe 的定義，包括原始股票池，黑名單的選擇；
2. 阿爾法因子的選擇和合成，常見的大類因子包括價值、品質、波動性、動量、市值和流動性；
3. 因子權重的配置設定，即因子擇時；
4. 将複合因子轉化為阿爾法預測。
在定義 universe 時，為了防止掉坑踩雷，會在初始的股票池中剔除掉黑名單，形成最終的投資範圍。大多數研究員都在努力尋找好股票，本報告反其道行之，探讨如何找到垃圾股，即如何更好地定義黑名單。
2/黑名單的來源
從黑名單的來源上，可以分成三類：
1. 低流動性股票：出于沖擊成本和産品容量考慮，流動性極低是需要被濾掉的；
2. “18 禁”股票：這類股票往往是合同投資範圍明确禁投的，如風險警示股票；
3. 負向 α 股票：和正向 α 相反，指那些長期跑輸基準的股票。
接下來詳細介紹這三類股票。
3/低流動性
在控制其他因素後，股票收益率會随着流動性的減少而增加。也就是說，如果願意承擔流動性風險的話，市場會給予流動性溢價。Amihud (2002)、Pástor and Stambaugh (2003) 對此都有表述。例如 Pástor and Stambaugh (2003) 按照流動性風險将股票分成 10 組，在控制其他因素後（市場、市值、價值和動量），組合平均收益率随着流動性風險上升。
在國内市場，流動性一個相當不錯的因子。參考 Amihud (2002) 計算 ILLIQ 名額，分子為日度收益率絕對值，分母為成交額，再取 21 日均值。ILLIQ 可以了解為機關成交額對應的漲跌，用來衡量股票的流動水準，其值越小流動性越好。下圖展示了 ILLIQ 月度 IC 序列和其滾動 12 月均值，整個樣本來看，IC 均值為 0.08，具有較高的資訊含量。
按照 ILLIQ 分為 10 組，每組市值權重，月度調倉，分組表現見下表（本文的實證中，在構造組合時，剔除 ST、一字漲停、新股和停牌股，均采用市值權重，月度調倉，不考慮任何交易成本）。可以看到流動性最差的第 10 組，年化收益高達 30.45%，遠遠高于市場組合和流動性最高的組合。由于其持續穩定和強勁的表現，完全可以将流動性視為一個阿爾法因子。尤其是資金量不大、交易頻率較低和資金規模穩定時，配置該因子是一個不錯的選擇。
然而，低流動性的風險也不容小觑。統計每個 ILLIQ 分組股票在調倉日的平均成交量（下圖）。可以看到，第 10 組股票成交非常稀薄。流動性低，沖擊成本較高，超額收益看得到拿不着，政策容量具有天花闆；如果資金不穩定，頻繁流入或流出，導緻交易頻率較高，産品靈活性不高。是以，很多投資機構将流動性視為一個風險因子，在構造組合時将流動性極低的股票剔除。
為了讓指數更具吸引力和交易性，中證指數在很多指數編制方案中都引入了流動性剔除規則，如下表所示的中證指數流動性剔除方案。
除了股票，其他資産也會有相應的流動性剔除方案。在交易商品期貨時，一般隻能交易流動性最好的三個合約，且不能進入交割月；在交易所買賣債券時，沒法剔除流動性，因為根本沒有流動性；在交易 ETF 時，盡量選擇同類産品中成交量最大的；在申購基金時，基金規模太小的就不要考慮了。
4/“18 禁” 股票
在确定股票池時，有一些公認的股票波動較大，在購買時要規避。這類股票在指數編制時需要剔除，基金合同中也明令禁投。鑒于其如此不受待見，将其命名為 “18 禁”股。常見的禁投股有三種：次新股、風險警示股和待退市股。
4.1 次新股
次新股即上市時間較短的股票，不同機構定義不一樣，一般不會超過一年。次新股由于具備高彈性、高波動、無套牢盤、無解禁壓力以及高送轉等預期，容易受到資金的追捧，風險較高。目前可以查到兩個次新股指數：wind 次新股指數（884189.WI）和深次新股指數（399678.SZ）。
深次新股指數和中證500指數的走勢如下。可以看到，雖然沒有大幅跑輸中證500，但次新股指數波動明顯更大，風險調整後收益更小。
4.2 風險警示股
1998 年 4 月 22 日，滬深交易所宣布對财務狀況（或其它狀況）出現異常的股票交易進行特别處理（special treatment），即被 ST。其中異常主要指兩種情況：一是上市公司經審計兩個會計年度的淨利潤均為負值；二是上市公司最近一個會計年度經審計的每股淨資産低于股票面值。
風險警示股往往會面臨較多風險，包括暫停上市或退市風險，停牌導緻流動性喪失，大漲大跌帶來劇烈波動等。
為了直覺認識 ST 股票的收益波動特征，可以簡單編制一個 ST 闆塊指數。具體方案為，根據每日在市的風險警示股票，計算其平均收益率，即為 ST 闆塊收益率。從該指數的長期走勢來看，能遠遠跑赢中證500指數；然而，其累計超額收益并不明顯，成本效益不高。ST 股票長期能有亮眼表現，一個很大的因素是因為其殼價值（見《量化殼價值》）；由于近幾年借殼和重大資産重組的規範，以及退市制度的完善，殼價值效應慢慢消失，ST 股票陰暗邪惡的一面也展現了出來。
在構造組合時候，除了剔除在市的風險警示股外，還要盡可能避免持有的股票被戴帽。一般來說 ，年報披露後，如果滿足戴帽條件，很快就會被 ST，給組合帶來風險。是以需要提前預測哪些股票可能會被列入風險警示股，也将其列入黑名單，避免踩雷。
具體來說，在交易日 T，取股票的上一年年報淨利潤（若年報未披露，則用年報業績快報填充；若無快報，用年報業績預告填充），以及上上年的淨利潤。若兩年均為負，則将該股票列入黑名單。
4.3 待退市股
上市公司如果沒有能力摘掉風險警示的帽子，就得暫停上市，直接面臨退市風險。決定退市的股票恢複交易後，往往會面臨一連串的跌停，是一顆大地雷。這類股票需要重點監控并回避。
5/負向 α 股票
長期大機率跑輸大盤的股票，即定義為具有負向阿爾法，可以在構造投資組合時事先剔除。根據經驗，有以下四類負向阿爾法股票，即：
1. 從量價交易特征上看，具有高短期動量、高換手率和高波動的個股，即投機股；
2. 從公司基本面上來看，估值又高盈利又差的個股，即低成本效益股；
3. 從會計準則來看，進行盈餘操縱或财務操縱的股票；
4. 從事件驅動角度看，發生持續負向風險事件，如股東減持。
下面分别介紹這幾類負向 α 股票。
5.1 投機股
投機股一般具有三個特征：高短期動量、高換手率和高波動率。
大量實證顯示股票價格具有短期反轉，中期動量和長期反轉的規律。在 A 股市場，以最近一個月為視窗計算收益率的反轉效應更加明顯，即前期跌幅較多的股票，接下來可能會絕地反擊；前期漲幅較多的股票，接下來會有回調壓力。
按照一個月動量因子（最近一個月收益率）分成 10 組，每組累計收益如下。可以看到，各組單調性比較明顯，區分度較高；短期動量最高的第 10 組明顯跑得很差，遠遠差于市場。
再來看看換手率。還記得那個活到 18 歲就卒的申萬活躍股指數嗎？其每年收益和市場收益對比見下圖。根據其編制規則，每周選取換手率最高的 100 支股票，直到編不下去。專家們都喜歡讓投資者關注換手率高的個股，長期來看的下場就是虧得一分不剩。
類似的，按一個月平均換手率将 A 股分為 10 組，可以看到高換手率的股票，大幅跑輸 wind 全 A 指數。
接下來看看高波動股票。根據經典理論，高風險（高 beta，高波動率）獲得高收益。然而，已經有大量論文發現并非這樣，低波動的股票比高波動股票能帶來更高的風險調整後收益，即低風險異象（low risk anomaly；關于低風險異象的詳細剖析，請參考因子動物園的三篇文章：《“茴”字有三種寫法，低風險異象因子呢？》、《您一定想了解的低風險異象》、《低風險異象靠譜嗎？》）。
利用 Fame and French (1993) 三因子模型殘差計算個股的異質波動率，然後按照一個月特質波動率将股票分成 10 組，下圖展示了每組的累計收益。和短期動量和換手率一樣，高波動就像一攤絕望的死水，市場沒有給予一點風險補償（更多異質波動率的研究見《異質波動率能否提供增量定價資訊》）
從上面的分析可以看出，具有高短期動量、高換手率和高波動率的個股，大機率上不是好東西。這些股票符合學術上說的“lottery like”股票，受到市場的追捧，價格往往被高估，導緻較低的預期收益率。在篩選股票之前，可以将這些投機股扔掉，以獲得更優的池子。
5.2 低成本效益股
從基本面的角度，可以試圖定義“低成本效益”的股票。
首先，看看 AQR 在對巴菲特的業績進行的歸因分析。從 1997 年到 2016 年，巴菲特年化收益 17.6%，其中 6.8% 來自于市場 beta，3.4% 來自于公司品質，1.2% 來自于估值因子，2.6% 來自于低波動因子，剩餘的可以歸因于巴菲特個人的眼光和能力。
在解釋巴菲特的成功因素時，繞不開價值和品質。在巴菲特的投資哲學裡，基本面良好，估值又低的股票，成本效益最高。相反，可以定義低成本效益股票，即估值高，基本面又差，一點都不劃算。
衡量公司價值常用相對估值法，如名額 PB、PE、PS 和 PCF 等，其中 BM（PB）是最常見最深入人心的估值名額，自從 Fame and French (1993) 提出三因子模型之後，BM 就成為了價值度量的代言。公司品質從基本面的角度出發，如盈利能力、盈利品質、成長能力、财務安全和公司治理等，更多關于公司品質的讨論，可以參考 Hsu, Kalesnik, and Kose (2019)。
選擇 BM 作為估值因子并等分為 5 組，選擇 Piotroski (2000) 的 F-Score 作為公司品質因子分為 3 組，然後進行交叉，得到 15 個組合（關于 F-Score 的解讀和其在 A 股上的實證請參考《加強版反轉》）。下圖展示了低成本效益組合和市場組合每年收益率對比，以及 15 個組合的業績名額。可以看到，那些基本面差勁估值又高的股票，最後的歸宿都不怎樣，組合表現業績十分糟糕，遇到了一定要繞道而行。
5.3 盈餘和财務操縱
今年以來，業績暴雷事件一串接着一串，關于财務操縱和造假的研究也越來越多，例如：
曹春曉 (2019a). 财務造假啟示錄：财務品質因子研究. 申萬宏源.
劉晨明，李如娟，許向真 (2019). 财務造假的特征與識别 —— 一個評分模型的建立. 天風證券.
吳先興，張欣慰 (2019). 量化排雷指南 —— 從問詢函和财務異常說起. 天風證券.
學術界對于盈餘操縱最著名的研究之一要數 Beneish (1999) 提出的 M-Score；Beneish, Lee, and Nichols (2013) 後續對該模型進行了樣本外檢驗。M-Score 本質上是一個基于财報資料的統計學模型，它可以在美股上很好的甄别出進行了盈餘操縱的公司。
對于 A 股來說，初步的實證顯示，雖然 M-Score 中選擇的會計學名額有很強的業務含義，然而直接照搬 M-Score 的效果有限。作為一個 Probit Regression 統計模型，M-Score 中名額的參數是針對美股的資料學出來的，且其輸入參數對于 A 股盈餘操縱的有效性存在先驗是否合理的問題。此外，由于美國并沒有采用國際會計準則，而是采用了美國會計準則，是以也會造成模型适用性的問題。但無論如何，M-Score 的思路值得學習。
關于 M-Score 的更多介紹，請參考《盈餘操縱與股票回報》。
5.4 負向事件股
好事不出門，壞事傳千裡。那些遭到負面事件嚴重影響的股票，需要小心。
需要注意的是，負面事件比較多樣，并非所有的事件都會對股價帶來持續的壓力。有些事件是短期風險事件，市場反應較快，股價承壓有限，如企業違規事項；隻有那些長期持續的風險事件，才會納入考慮。
具體哪些是持續的負向事件，可以通過事件驅動的架構進行研究，下表整理了一些常見的負向事件。
以股東減持（非大宗減持）為例，根據劉富兵和李辰 (2016) 的研究（下圖），該事件公告日後 20 個交易日累計異常收益為 -0.51%，t 值為 -7.67，顯著小于 0，而且具有持續性。
6/結語
本篇報告圍繞“如何規避爛股票”這一主題，介紹了黑名單的三類來源。首先，流動性低的股票，雖然能獲得風險溢價，但是潛在的交易成本也不能忽略，對于換手頻繁和規模較大的資金，需要繞道而行。其次，無論是新股、風險警示股還是待退市股票，雖然存在潛在的巨大收益，但是承擔的波動也不小，放入投資組合并不劃算，碰到退市的股票就不妙了。最後，那些長期具有顯著負向阿爾法的股票，包括投機股、低成本效益股、财務操縱以及負面事件股，除非能低成本靈活地賣空，否則最好不要碰。
本文旨在對如何規避爛股票進行概要性的介紹。雖然行文中加入了不少實證，但也難言面面俱到，對某些方面的闡述不夠深刻。在後續的研究中，我們會在國内外已有研究的基礎上，進一步針對 A 股展開财務操縱和造假方面的實證研究。
參考文獻
Amihud, Y. (2002). Illiquidity and stock returns: cross-section and time-series effects. Journal of financial markets, Vol. 5(1), 31 – 56.
Beneish, M. D. (1999). The detection of earnings manipulation. Financial Analysts Journal, Vol. 55(5), 24 – 26.
Beneish, M. D., C. M. C. Lee, and D. C. Nichols (2013). Earnings manipulation and expected returns. Financial Analysts Journal, Vol. 69(2), 57 – 82.
Brooks, J., S. Tsuji, and D. Villalon (2019). Superstar investors. The Journal of Investing, forthcoming.
Hsu, J. C., V. Kalesnik, and E. Kose (2018). What is quality? Financial Analysts Journal, Vol. 75(2), 44 – 61.
Fama, E. F. and K. R. French (1993). Common Risk Factors in the Returns on Stocks and Bonds.Journal of Financial Economics, Vol. 33(1), 3 – 56.
Pástor, Ľ. and R. F. Stambaugh (2003). Liquidity risk and expected stock returns. Journal of Political economy, Vol. 111(3), 642 – 685.
Piotroski, J. D. (2000). Value investing: The use of historical financial statement information to separate winners from losers. Journal of Accounting Research, Vol. 38, 1 – 52.
免責聲明：文章内容不可視為投資意見。市場有風險，入市需謹慎。
推薦閱讀：
| 量化交易 | 期貨模拟交易 | python量化交易 | 股票資料 | 量化交易政策 | 機器學習算法 |
| 多因子選股 | 雙均線政策 | 網格交易法 | 海龜交易法 | 跨期套利 | 行業輪動 | 指數增強 |
| 跨品種套利 | 日内交易 | 機器學習算法 | 做市商交易 | 集合競價選股 | 量化實盤 |