关于选股这个话题，相信每个投资者都有自己的一番心得。
技术派会提到均线、换手率等价格因子，而基本面派则更多会关注ROE、ROA等财务因子。
那么，在如此众多的因子中，什么因子真正有效呢？

本文试图构建一个通用的因子选股回测模型，来验证因子的有效性。

什么是有效因子

在构建因子选股回测模型之前，我们总结了一个有效因子的三个重要特征，它们是：

①超额收益：一个有效因子，应当能筛选出好的股票组合，创造出跑赢大盘的超额收益。

②持续性：一个有效因子，应当是在一个较长的时间段内持续有效，而不是仅仅在一个季度、一个年份有效。

③稳定性：一个有效因子，不仅是对一个市场有效，而是在所有市场都有效，能够跨市场通用的因子才是好因子。

针对以上三个特征，我们将回测周期设定在从2012-01-01至2019-01-31的时间段内，选取沪深300和中小板指代表两种不同风格的市场，通过因子选股的回测收益，来验证因子的有效性。

回测对象

1.股票池：通过聚宽数据出品的本地量化数据接口JQData，我们找到了获取任意指数成分股的方法：详见get_index_stocks()函数，在传入000300.XSHG和399005.XSHE两个指数代码后，我们获取了每一个交易日沪深300和中小板指数的股票池。

2.因子：紧接着，我们使用get_factor_values方法从聚宽因子库的数百个因子中选取了两个较常用的因子：operating_profit_ttm营业利润TTM(过去12个月营业利润之和）以及net_profit_growth_rate净利润增长率((今年净利润(TTM)/去年净利润(TTM))-1)。

因子分层回测模型

为了验证每一个因子的有效性，我们构建了一个通用的因子选股回测模型，整体思路如下：

①每个交易日取出股票池中股票的因子值，按从小到大进行排序，将排序后的股票池等分成N个股票组合。(本文采用5等分股票池）

②等额买入每个等份的股票组合，月底重复①②两步并重新调仓，最后计算平均收益。(本文默认按月调仓）

③在总的时间区间上，每个调仓周期结束后进行一个复利的计算，最后将每组股票的累计收益绘制出来进行对比。

模型构建完毕后，我们传入回测区间和股票池，通过各个股票组合之间的收益对比以及和沪深300基准收益进行对比，我们能够清楚的找到能够带来超额收益Alpha的有效因子。

- 01.按营业利润TTM在沪深300股票池下的投资结果 -

按照模型思路，我们对沪深300股票池中的300只股票按照营业利润TTM因子值由小到大排序，再将其按顺序分成5等份，买入持有，月末调仓，每个等份分别回测出2012-01-01至2019-01-31按月调仓的累计收益，并绘制成图。

可以看到，第0组~第4组之间总体分层较为明显，说明营业利润TTM在沪深300股票池中的表现是非常优秀的。它能够将沪深300中好的股票和差的股票在长达7年多的回测区间中大体区分开来。

进一步的，沪深300中营业利润最高的组合在2012-01-01~2019-01-31的时间段内，收益高达【88.74%】，而同期沪深300的收益仅有【36.49%】，说明营业利润TTM因子的选股能力很强。

- 02.按营业利润TTM在中小板指股票池下的投资结果 -

沪深300总体都是白马蓝筹股，那么营业利润是否有不错的稳定性呢？它在其他风格中的市场中表现如何呢？以下是营业利润TTM在中小板指股票池中的表现：

可以看到，它的表现并不是那么乐观，五组分层结果也不是那么明显。说明营业利润TTM因子更加适用于白马蓝筹，而在小市值股票中的表现却很一般。

观察具体收益值，预期表现应该最好的第4组甚至只优于第0组的表现，同时和基准收益【12.59%】也没能很好地区分开来。

- 03.按净利润增长率在沪深300股票池下的投资结果 -

同样的思路，我们按照净利润增长率因子值由小到大将沪深300股票池中的300只股票排序，再将其按顺序分成5等份，月末调仓，每个等份分别回测出2012-01-01~2019-01-31的按月调仓后的累计收益，并绘制成图。

由图中可以看出，净利润增长率在沪深300股票池中的大体表现差强人意，分层表现不算特别明显。

再看具体收益，只有第3组跑赢了基准，但没有大幅跑赢，而本应收益最高的第4组却跑输了基准，说明净利润增长率并不适用于沪深300这种基本面较好的股票池。那么，在我们的印象中，净利润增长率这种一直表现较好的因子它的发挥之处在哪呢？请看下面的测试部分。

- 04.按净利润增长率在中小板指股票池下的投资结果 -

由下面的分层回测图可以看出，用净利润增长率对中小板指进行筛选，表现非常亮眼。分层结果也相对清晰。

可以看出，在2015年牛市期间，这种高成长的小市值股票更是带来了巨大的超额收益Alpha。

从收益来看，净利润增长率将中小板股票池划分的较为明确，区分度也很高。尤其2015年的牛市期间，高成长的小市值股票明显带来了相当可观的收益。

小结

1.印象中好的因子，实际测试却未必有效，通过因子选股回测模型，我们能更加科学地验证因子的有效性。

2.需要注意的是，同样一个因子，在不同时间段、不同股票池却有着截然不同的表现。因子的有效性，是否存在这种天然的局限性，值得我们进一步深思。

感谢本文作者：CP；感谢夏鲁迅提出的宝贵建议。

- 福利时间 -

盼望着，盼望着，牛市来了，为了满足大家的因子选股需求，JQData现推出聚宽因子库免费试用和优惠活动，详情咨询JQData管理员，微信号：JQData01

- 关于JQData -

JQData本地量化数据接口由聚宽数据出品，提供一站式超好用本地量化金融数据。适用于从事量化投资的金融机构，学术团体和量化研究者，助您轻松完成本地化的量化研究与投资决策。点击 我也要用 立刻申请JQData一年使用权限。

- 延伸阅读 -

A股行业投资指南——好的投资，首先要选好行业

A股投资指南——基于估值波动周期的择时策略

JQData | 教程集合帖 - 由小伙伴们贡献，不断更新