# A股投资策略制定与回测方案 > 版本：V1.0 > 目标：建立一套可扩展的 A 股投资策略研究、策略制定、个股分析与回测体系。 > 核心案例：高股息 + 安全边际 + 估值均值回归策略 --- # 1. 项目目标 实现一套从： ```text 股票筛选 ↓ 个股特性分析 ↓ 因子研究 ↓ 交易策略制定 ↓ 历史回测 ↓ 样本外验证 ↓ 策略评价 ↓ 策略报告 ``` 的完整 A 股投资策略研究系统。 系统不以“预测明天涨跌”为主要目标，而是通过： * 基本面筛选 * 历史估值分析 * 安全边际分析 * 交易规则参数化 * 历史回测 * Walk-forward 验证 寻找长期具有可重复性的投资策略。 --- # 2. 核心投资思想 以高股息策略为例： > 寻找长期稳定分红、财务质量较好、规模较大、上市时间较长的公司，当其股息率进入历史相对高位时买入，当股息率下降到历史相对低位时卖出或减仓。 核心思想： ```text 公司质量 + 长期稳定分红 + 合理/低估价格 + 安全边际 + 估值均值回归 ↓ 形成交易策略 ``` --- # 3. 整体系统流程 ```text A股全市场 │ ↓ Point-in-Time 数据 │ ↓ 股票初步筛选 │ ┌───────────────┼───────────────┐ ↓ ↓ ↓ 基本面 估值 风险 │ │ │ └───────────────┼───────────────┘ ↓ 候选股票池 │ ↓ 个股特性分析 │ ┌───────────────┼───────────────┐ ↓ ↓ ↓ 股息率历史 财务质量 风险特征 估值分布 分红质量 波动特征 │ │ │ └───────────────┼───────────────┘ ↓ 因子研究 │ ↓ 策略参数制定 │ ↓ Walk-forward 回测 │ ┌───────────────┼───────────────┐ ↓ ↓ ↓ 收益分析 风险分析 交易分析 │ │ │ └───────────────┼───────────────┘ ↓ 样本外验证 │ ↓ 策略稳定性分析 │ ↓ AI策略分析 │ ↓ 策略报告 ``` --- # 4. 第一阶段：股票筛选 ## 4.1 基础筛选条件 以高股息策略为例： ```yaml universe: min_market_cap: 50000000000 min_listing_years: 10 exclude_st: true dividend: min_continuous_dividend_years: 5 min_dividend_yield: 0.03 ``` 基础条件： | 条件 | 默认值 | 说明 | | ------ | -----: | -------- | | 连续分红年限 | ≥5年 | 判断分红稳定性 | | 最低股息率 | ≥3% | 初步估值过滤 | | 市值 | ≥500亿元 | 降低小市值风险 | | 上市年限 | ≥10年 | 获得较长历史数据 | | ST | 排除 | 极端风险过滤 | 这些参数必须支持用户调整。 --- # 5. 2. 股票筛选条件分类 股票筛选不要全部写死在程序中，应拆成不同类型的 Filter。 ## 5.1 市场属性 ```text MarketFilter ``` 包括： * A股 * 沪市/深市/北交所 * 主板/创业板/科创板 * 上市时间 * 市值 * 流通市值 --- ## 5.2 风险过滤 ```text RiskFilter ``` 包括： * ST * *ST * 退市整理 * 已退市 * 连续亏损 * 大股东高比例质押 * 重大诉讼 * 商誉异常 * 经营异常 --- ## 5.3 分红过滤 ```text DividendFilter ``` 包括： * 连续分红年数 * 最近N年分红次数 * 最近N年现金分红 * DPS * 股息率 * 分红增长率 * 分红支付率 * FCF覆盖分红 --- ## 5.4 财务质量过滤 ```text FinancialQualityFilter ``` 包括： * ROE * ROIC * 毛利率 * 净利率 * 营业利润率 * 经营现金流 * 自由现金流 * 资产负债率 * 净现金 * 利息覆盖倍数 --- # 6. 3. Point-in-Time 数据原则 这是整个回测系统必须遵守的核心原则。 任何历史回测都只能使用： > **在当时已经公开、并且投资者当时能够获得的数据。** 例如： ```text 2018-06-01 ``` 只能使用在： ```text 2018-06-01 ``` 之前已经公布的数据。 不能使用： ```text 2019年年报 2020年年报 2021年财务数据 ``` 判断 2018 年股票是否符合条件。 --- ## 6.1 财务数据必须保存 至少保存： ```text report_period publication_date effective_date ``` 例如： ```text report_period: 2017-12-31 publication_date: 2018-03-30 effective_date: 2018-03-30 ``` 回测时按照： ```text effective_date <= strategy_date ``` 进行数据查询。 --- # 7. 4. 生存者偏差 股票池必须支持： ```text Point-in-Time Universe ``` 不能只使用今天仍然存在的股票。 例如： ```text 2016年A股股票池 ↓ 2017年新增股票 ↓ 2018年新增股票 ↓ 退市股票 ↓ ST股票 ``` 每个交易日的股票池应该反映当时真实市场状态。 必须保留： ```text 上市日期 退市日期 ST日期 暂停上市日期 恢复上市日期 ``` --- # 8. 第二阶段：个股特性分析 股票经过筛选后，不直接进入交易。 首先建立： > `StockProfile` 个股画像。 --- # 9. 1. 股息率分析 计算： ```text Dividend Yield ``` 并建立长期历史序列。 例如： ```text 2016 ───────────────────── 2026 2.5% 3.0% 3.5% 4.0% 4.5% 5.0% ``` 统计： ```text Min Max Mean Median P10 P25 P50 P75 P90 Std ``` --- # 10. 2. 股息率历史分布 核心指标： ```text DividendYieldPercentile ``` 例如： ```text 当前股息率 = 4.8% 历史分位： P75 = 4.2% P90 = 5.1% 当前 = 4.8% ``` 则当前股息率处于： ```text 75% ~ 90% ``` 的历史高位区间。 这可以作为买入信号的重要依据。 --- # 11. 3. 股息率波动分析 计算： ### 日波动 ```text Daily Std ``` ### 月度波动 ```text Monthly Std ``` ### 季度波动 ```text Quarterly Std ``` ### 年度波动 ```text Annual Std ``` 目的： 判断： > 该股票的股息率是否长期稳定，还是经常发生剧烈变化。 --- # 12. 4. 个股估值分布 除股息率外，建议同时建立： ```text PE PB PS EV/EBITDA Dividend Yield ``` 历史分布。 例如： ```text 指标 P10 P25 P50 P75 P90 Dividend Yield 2.3% 2.8% 3.5% 4.2% 5.1% PE 8 10 13 17 22 PB 0.8 1.0 1.3 1.7 2.2 ``` 形成： > 个股历史估值画像。 --- # 13. 5. 财务质量画像 每只候选股票计算： ```text ROE ROIC Revenue CAGR Profit CAGR FCF CAGR Debt Ratio Operating Cash Flow Free Cash Flow Dividend Payout Ratio ``` 并观察： ```text 5年 8年 10年 ``` 趋势。 --- # 14. 6. 分红质量 高股息策略不能只看股息率。 必须区分： ```text 高股息 ``` 和： ```text 高质量高股息 ``` 重点分析： ### 分红连续性 ```text 连续分红年数 ``` ### 分红稳定性 ```text DPS volatility ``` ### 分红增长 ```text DPS CAGR ``` ### 分红支付率 ```text Dividend / Net Profit ``` ### 自由现金流覆盖 ```text Dividend / FCF ``` --- # 15. 7. 安全边际模型 建立： ```text MarginOfSafety ``` 可以由多个因子组成： ```text MarginOfSafety = Dividend Yield Score + Valuation Score + Financial Quality Score + Balance Sheet Score + Dividend Quality Score ``` 第一版不建议直接复杂加权。 可以先分别展示： ```text 股息率安全边际 估值安全边际 财务安全边际 分红安全边际 ``` 之后再考虑综合评分。 --- # 16. 第三阶段：交易策略 策略不要写死在代码中。 应该设计为： ```text Strategy Definition ``` 例如： ```yaml strategy: name: high_dividend_mean_reversion version: 1.0 universe: min_market_cap: 50000000000 min_listing_years: 10 exclude_st: true dividend: min_yield: 0.03 min_continuous_years: 5 entry: yield_percentile: 75 exit: yield_percentile: 25 risk: max_position: 0.10 max_drawdown: 0.20 ``` --- # 17. 1. 买入规则 第一版： ```text 当： 股息率 >= 历史75%分位 AND 股票通过基本面筛选 AND 股票未进入风险状态 → 买入 ``` 进一步可以设计： ```text 股息率 >= P75 ↓ 观察 股息率 >= P80 ↓ 建立仓位 股息率 >= P90 ↓ 增加仓位 ``` --- # 18. 2. 卖出规则 例如： ```text 股息率 <= 历史25%分位 ``` 则： ```text 减仓/卖出 ``` 也可以设计： ```text P50 → 减仓 P25 → 大幅减仓 ``` --- # 19. 3. 加仓规则 建议支持分批建仓。 例如： ```text P75 → 25%仓位 P80 → 50%仓位 P85 → 75%仓位 P90 → 100%仓位 ``` 这样可以研究： > 一次性买入 vs 分批买入 的差异。 --- # 20. 4. 仓位控制 每只股票增加： ```text max_position ``` 例如： ```text 单只股票最大仓位 = 10% ``` 同时： ```text sector_max_position ``` 例如： ```text 单行业最大仓位 = 25% ``` 防止高股息策略最终集中到少数行业。 --- # 21. 5. 风险控制 第一版可以支持： ```text 最大单股仓位 最大行业仓位 最大组合回撤 最大单股回撤 流动性限制 ``` 不建议一开始加入大量复杂止损规则。 因为止损本身也是策略变量，很容易导致过拟合。 --- # 22. 第四阶段：回测 假设： ```text 历史数据：10年 ``` 不要只进行一次： ```text 8年训练 + 2年测试 ``` 而应该支持： > Walk-forward Backtest --- # 23. Walk-forward 回测 例如： ```text 2015 ───────── 2022 │ 2023 Training │ Test 2016 ───────── 2023 │ 2024 Training │ Test 2017 ───────── 2024 │ 2025 Training │ Test ``` 最终： ```text 多个样本外结果 ↓ 综合评价 ``` --- # 24. Training Period 训练阶段用于： * 确定股息率历史分布 * 确定买入阈值 * 确定卖出阈值 * 确定仓位规则 * 确定风险参数 例如： ```text P70 P75 P80 P85 P90 ``` 可以在训练数据中研究。 --- # 25. Test Period 测试阶段： > 禁止重新调整策略参数。 例如： ```text Training: 2015-2022 Strategy: Buy >= P80 Sell <= P30 Test: 2023 ``` 2023年的结果才是真正的： ```text Out-of-Sample Result ``` --- # 26. 参数过拟合控制 不能： ```text 不断调整参数 → 回测 → 找到收益最高参数 → 宣布策略有效 ``` 应该记录： ```text Strategy Version Parameter Version Training Period Test Period ``` 例如： ```text Strategy v1.0 Buy = P75 Sell = P25 Training: 2015-2022 Test: 2023 ``` --- # 27. 参数敏感性分析 例如： ```text 买入阈值： P70 P75 P80 P85 P90 ``` 比较： ```text CAGR Max Drawdown Sharpe Calmar ``` 如果： ```text P75 → CAGR 13% P80 → CAGR 13.5% P85 → CAGR 13.2% ``` 说明策略对参数不敏感。 如果： ```text P79 → CAGR 18% P80 → CAGR 20% P81 → CAGR 8% ``` 说明很可能存在过拟合。 --- # 28. 第五阶段：回测结果 回测结果至少分成四类。 --- ## 28.1 收益指标 ```text Initial Capital Final Capital Total Return CAGR Annual Return ``` --- ## 28.2 风险指标 ```text Maximum Drawdown Volatility Downside Volatility Sharpe Ratio Sortino Ratio Calmar Ratio ``` --- ## 28.3 交易指标 ```text Number of Trades Win Rate Average Holding Period Average Profit Average Loss Profit Factor Turnover ``` --- ## 28.4 基准比较 至少比较： ```text 策略 沪深300 中证红利 上证指数 ``` 根据策略类型选择合适 Benchmark。 --- # 29. 第六阶段：交易成本 必须加入： ```text Commission Stamp Duty Transfer Fee Slippage ``` 回测不能假设： ```text Buy Price = Market Price Sell Price = Market Price ``` 应该支持： ```yaml cost: commission: ... stamp_duty: ... slippage: ... ``` 并支持不同成本模型。 --- # 30. 第七阶段：分红处理 高股息策略必须正确处理： ```text 现金分红 除权除息 送股 转增 配股 ``` 数据层建议独立保存： ```text price dividend split bonus rights_issue ``` --- # 31. 分红再投资 至少支持两种模式： ### 模式A ```text 现金分红 → 不再投资 ``` ### 模式B ```text 现金分红 → 按规则重新投资 ``` 最终分别计算： ```text Total Return ``` --- # 32. 第八阶段：交易记录 每一笔交易都必须记录： ```text trade_id strategy_id stock_code signal_date execution_date side price quantity amount commission tax slippage reason ``` 其中： ```text reason ``` 非常重要。 例如： ```text BUY reason: Dividend Yield = 4.82% Historical Percentile = 86% ROE = 15.3% FCF positive = true Risk Filter = PASS ``` 这样后续 AI 才能分析： > 为什么买？ --- # 33. 第九阶段：K线与交易点 前端个股页面建议展示： ```text 股票K线 ┌────────────────────────────┐ │ │ │ K线 │ │ ▲ BUY │ │ ▼ SELL │ │ │ └────────────────────────────┘ 股息率 ──────────────────────────── PE ──────────────────────────── PB ──────────────────────────── 回撤 ──────────────────────────── ``` 买卖点直接标记在K线上。 --- # 34. 第十阶段：策略研究页面 前端建议分成： ```text 策略配置 ↓ 股票池 ↓ 个股画像 ↓ 参数研究 ↓ 回测 ↓ 交易记录 ↓ 绩效分析 ↓ Walk-forward ↓ 策略报告 ``` --- # 35. 个股画像页面 例如： ```text 贵州茅台 当前股息率：3.2% 历史股息率： P10 1.8% P25 2.1% P50 2.6% P75 3.4% P90 4.1% 当前： 3.2% 历史分位： ≈70% ``` 同时展示： ```text ROE ROIC PE PB FCF DPS Payout Ratio Debt Ratio ``` --- # 36. 第十一阶段：策略解释 策略回测完成后，系统自动生成： ```text Strategy Explanation ``` 包括： ### 策略逻辑 ```text 为什么买？ 为什么卖？ 为什么持有？ ``` ### 历史表现 ```text 收益 风险 回撤 交易次数 ``` ### 策略弱点 例如： ```text 1. 对周期行业敏感 2. 高股息可能来自盈利下降 3. 行业集中风险 4. 极端行情下估值可能长期不回归 ``` --- # 37. 第十二阶段：AI Agent AI Agent 不负责直接修改回测结果。 建议定位为： ```text Data Agent Factor Agent Strategy Agent Backtest Agent Analysis Agent Report Agent ``` --- ## 37.1 Data Agent 负责： ```text 检查数据完整性 检查缺失数据 检查日期问题 检查未来函数 ``` --- ## 37.2 Factor Agent 负责： ```text 分析因子 计算因子统计 寻找因子关系 生成因子报告 ``` --- ## 37.3 Strategy Agent 根据用户自然语言生成： ```yaml strategy: ... ``` 但必须经过： ```text Schema Validation ``` 之后才能运行。 --- ## 37.4 Backtest Agent 负责调用： ```text Backtest Engine ``` 不能自己计算回测结果。 --- ## 37.5 Analysis Agent 负责解释： ```text 为什么策略赚钱？ 为什么策略亏损？ 什么时候失效？ ``` --- # 38. 第十三阶段：策略生命周期 所有策略都应该版本化。 ```text Strategy v1.0 ↓ Backtest ↓ 发现问题 ↓ Strategy v1.1 ↓ 重新回测 ↓ Walk-forward ↓ Paper Trading ↓ Live ``` --- # 39. 策略状态 建议： ```text DRAFT RESEARCH BACKTEST VALIDATED PAPER LIVE ARCHIVED ``` --- # 40. 推荐的数据结构 核心实体： ```text Stock TradingCalendar Price CorporateAction FinancialReport Dividend Factor StockProfile Universe Strategy StrategyParameter Backtest BacktestTrade BacktestPosition Performance Benchmark ``` --- # 41. 核心模块 代码层建议： ```text data/ ├── market/ ├── financial/ ├── dividend/ ├── corporate_action/ └── calendar/ universe/ ├── filters/ ├── selector.py └── universe_manager.py factor/ ├── valuation/ ├── dividend/ ├── financial/ ├── quality/ └── factor_engine.py profile/ ├── stock_profile.py ├── dividend_profile.py ├── valuation_profile.py └── risk_profile.py strategy/ ├── base.py ├── registry.py ├── high_dividend.py └── rules/ backtest/ ├── engine.py ├── portfolio.py ├── execution.py ├── cost.py ├── benchmark.py └── walk_forward.py analysis/ ├── performance.py ├── risk.py ├── trade_analysis.py ├── sensitivity.py └── attribution.py report/ ├── strategy_report.py └── backtest_report.py ai/ ├── data_agent.py ├── factor_agent.py ├── strategy_agent.py ├── backtest_agent.py └── analysis_agent.py ``` --- # 42. 第一版 MVP 不要一开始实现全部功能。 建议第一阶段只完成： ```text Tushare ↓ SQLite ↓ A股股票池 ↓ 高股息筛选 ↓ 个股股息率历史分析 ↓ P75/P25交易规则 ↓ Backtest ↓ K线 + 买卖点 ↓ 收益/回撤/交易报告 ``` --- # 43. MVP 第一版策略 严格保持简单： ### 股票筛选 ```text 上市 ≥ 10年 市值 ≥ 500亿元 连续现金分红 ≥ 5年 当前股息率 ≥ 3% 非ST ``` ### 买入 ```text 股息率 >= 历史P75 ``` ### 卖出 ```text 股息率 <= 历史P25 ``` ### 仓位 ```text 单只股票最大10% ``` ### 回测 ```text Walk-forward Training = 5~8年 Test = 1~2年 ``` ### 成本 ```text 佣金 印花税 滑点 ``` ### 输出 ```text CAGR Maximum Drawdown Sharpe Calmar Win Rate Trade Count Average Holding Period Benchmark Comparison ``` --- # 44. 第二版扩展 MVP稳定后增加： ```text PE/PB ROE ROIC FCF Debt Ratio Dividend Payout ``` 然后研究： ```text 多因子筛选 ``` 例如： ```text 高股息 + 高ROE + 低PE + 低负债 + FCF稳定 ``` --- # 45. 第三版扩展 增加： ```text 动态仓位 分批买入 分批卖出 行业限制 组合管理 风险预算 ``` --- # 46. 第四版扩展 增加： ```text AI Agent 自然语言策略生成 策略解释 自动因子研究 自动回测 自动生成研究报告 ``` 最终形成： ```text 用户： “帮我找长期稳定分红、 财务质量较好， 股息率处于历史高位的A股。” ↓ AI Strategy Agent ↓ 生成筛选条件 ↓ Factor Engine ↓ 候选股票 ↓ Stock Profile ↓ Strategy Engine ↓ Walk-forward Backtest ↓ Analysis Agent ↓ 策略研究报告 ``` --- # 47. 核心设计原则 整个系统开发过程中遵循以下原则： ## 原则1：数据和策略分离 ```text Data Layer ≠ Strategy Layer ``` --- ## 原则2：策略和回测引擎分离 ```text Strategy ↓ 产生信号 Backtest Engine ↓ 执行信号 ``` --- ## 原则3：所有策略参数化 不要： ```python if dividend_yield > 0.04: ``` 直接写死。 应该： ```python if dividend_yield > strategy.params.min_yield: ``` --- ## 原则4：所有策略版本化 ```text strategy_id version parameters created_at ``` --- ## 原则5：严格防止未来函数 任何数据都必须带： ```text available_date ``` --- ## 原则6：回测结果必须可复现 同样的： ```text 数据版本 + 策略版本 + 参数 + 回测时间 ``` 必须产生相同结果。 --- ## 原则7：收益不是唯一目标 必须同时关注： ```text 收益 风险 回撤 稳定性 交易频率 参数敏感性 样本外表现 ``` --- # 48. 最终目标 最终系统形成： ```text A股投资研究平台 ┌─────────────────────────────────┐ │ Data Layer │ │ Tushare / Sina / SQLite / MySQL │ └────────────────┬────────────────┘ ↓ ┌─────────────────────────────────┐ │ Factor Research │ │ Dividend / Value / Quality │ └────────────────┬────────────────┘ ↓ ┌─────────────────────────────────┐ │ Stock Screening │ │ Point-in-Time Universe │ └────────────────┬────────────────┘ ↓ ┌─────────────────────────────────┐ │ Stock Profile │ │ 历史估值 / 财务 / 风险 / 股息率 │ └────────────────┬────────────────┘ ↓ ┌─────────────────────────────────┐ │ Strategy Engine │ │ 参数化 / DSL / Versioning │ └────────────────┬────────────────┘ ↓ ┌─────────────────────────────────┐ │ Backtest Engine │ │ Cost / Dividend / Corporate │ │ Action / Walk-forward │ └────────────────┬────────────────┘ ↓ ┌─────────────────────────────────┐ │ Performance Analysis │ │ Return / Risk / Drawdown / Trade│ └────────────────┬────────────────┘ ↓ ┌─────────────────────────────────┐ │ AI Agent │ │ Research / Analysis / Report │ └─────────────────────────────────┘ ``` --- # 49. 开发优先级 建议按照下面顺序实施： ```text P0 数据模型 股票基本信息 交易日历 日线 分红 复权/公司行为 ↓ P1 Point-in-Time 财务数据 ↓ P2 股票筛选器 ↓ P3 股息率因子 ↓ P4 个股画像 ↓ P5 策略DSL ↓ P6 Backtest Engine ↓ P7 Walk-forward ↓ P8 Performance Analysis ↓ P9 K线 + 买卖点 ↓ P10 策略版本管理 ↓ P11 AI Agent ``` --- # 50. 第一阶段验收标准 第一版系统完成后，至少应该能够完成以下操作： ```text 输入： 高股息策略 最低市值：500亿 上市年限：10年 连续分红：5年 最低股息率：3% 买入：历史P75 卖出：历史P25 ``` 系统自动： ```text ① 找出符合条件的股票 ② 生成股票池 ③ 计算每只股票历史股息率分布 ④ 计算P10/P25/P50/P75/P90 ⑤ 生成买卖信号 ⑥ 执行历史回测 ⑦ 正确处理分红和除权 ⑧ 加入交易成本 ⑨ 输出K线和买卖点 ⑩ 输出收益、回撤、Sharpe等指标 ⑪ 与Benchmark比较 ⑫ 执行Walk-forward ⑬ 输出样本内/样本外结果 ⑭ 保存完整策略参数和版本 ``` 这样，第一版就已经具备一个真正的**可研究、可复现、可扩展的A股策略回测框架**。 --- # 51. 后续策略扩展 高股息只是第一种策略。 在相同框架下，可以继续实现： ```text 高股息策略 价值策略 低PE策略 低PB策略 高ROE策略 质量因子策略 红利+价值 红利+质量 价值+质量 多因子策略 均值回归 趋势策略 ``` 最终统一成： ```text Universe ↓ Factors ↓ Stock Profile ↓ Strategy ↓ Portfolio ↓ Backtest ↓ Analysis ``` 从而避免每增加一种投资策略，就重新开发一套系统。