三市场三周期量化与基本面融合多因子选股系统设计方案

副标题：A股、港股、美股：三周期量化 + 基本面选股系统设计

目的是建立一套 Quantamental（量化与基本面融合）多因子选股系统，分别服务于三个投资周期、三个股票市场。 不是简单地把几十个指标加权求和，而是搭建五层体系：

1. 股票池筛选：剔除不可交易、流动性不足及重大风险标的
2. 多因子评分：依据市场和持有周期，计算0—100分
3. 基本面验证：识别财务异常、催化剂真实性及预期差
4. 交易与风控：决定能否买入、仓位、退出条件
5. 回测与持续校准：检验扣除交易成本后是否存在稳定优势

这套系统应同时输出四个结果：股票综合评分、相对排名、预期风险收益比、交易建议状态。 所有初始权重和筛选阈值都是待验证的策略假设，而不是已经通过真实历史回测证明有效的参数。

一、九套模型的初始权重

把全部指标统一为七个一级因子，但针对三个市场、三个投资周期，采用九组不同权重。

模型A：周内短线（1—5个交易日）

一级因子	A股	港股	美股
资金与筹码结构	30%	30%	23%
消息与事件催化	25%	20%	27%
情绪与技术趋势	25%	18%	20%
盈利与预期修正	5%	9%	12%
宏观与政策	8%	12%	10%
估值水平	2%	5%	3%
行业景气与竞争优势	5%	6%	5%
合计	100%	100%	100%

设计理由： A股短线提高资金和情绪权重，重点识别题材扩散、成交量异常、板块联动和筹码拥挤。港股短线重视成交深度和流动性，避免模型给出高分却难以实际成交。美股短线适当提高事件与业绩预期权重，尤其关注财报、指引及重大公司公告。

模型B：中期趋势（1—6个月）

一级因子	A股	港股	美股
资金与筹码结构	13%	12%	10%
消息与事件催化	15%	11%	13%
情绪与技术趋势	15%	10%	13%
盈利与预期修正	22%	27%	30%
宏观与政策	15%	18%	12%
估值水平	7%	12%	12%
行业景气与竞争优势	13%	10%	10%
合计	100%	100%	100%

这个周期的核心应是盈利预期修正 + 趋势确认，而不是单纯追逐上涨幅度最大的股票。

模型C：中长期投资（6—24个月）

一级因子	A股	港股	美股
资金与筹码结构	5%	7%	4%
消息与事件催化	6%	5%	7%
情绪与技术趋势	5%	3%	4%
盈利与预期修正	30%	28%	32%
宏观与政策	13%	17%	13%
估值水平	18%	25%	20%
行业景气与竞争优势	23%	15%	20%
合计	100%	100%	100%

中长期投资应优先判断公司的盈利、现金流、资本回报率和竞争优势，再评估价格是否合理。

模型之间的重要区别： 周内模型预测短期资金供需，中期模型寻找预期上修与持续趋势，长期模型研究未来盈利增长与估值重估。因此，不能把三个模型的分数直接比较，也不应该把同一只股票在三个周期的排名简单求平均。

二、七大因子如何量化

这里是整套系统最重要的部分：把抽象的“资金”“情绪”“盈利能力”，转化为有明确计算方法的数据指标。

1. 周内短线模型：重点指标

因子	二级指标及组内权重
资金与筹码	5日成交额放大程度40%、换手率异常25%、交易成本与流动性20%、主动买卖失衡15%
事件催化	事件重要性40%、信息新颖性30%、事件时效性30%
情绪与趋势	5日相对强弱40%、波动率调整后的趋势30%、市场及板块广度30%
盈利预期	最新业绩超预期程度50%、管理层指引变化50%
宏观政策	政策或宏观意外变化50%、个股对应风险敏感度50%
估值	同业估值偏离70%、极端估值风险30%
行业景气	板块相对强弱60%、上涨股票占比40%

这张表中的百分比是各一级因子内部的二级权重。

例如，A股短线的资金因子总权重为30%，其中“5日成交额放大程度”的实际总权重为：

30\%\times40\%=12\%

几个关键指标的计算方式：

① 成交额放大倍数

VA_5=\frac{近5日平均成交额}{此前20日平均成交额}

用于识别资金活跃度变化。需要注意，成交量异常放大并不一定利多，也可能意味着高位分歧或集中抛售，因此应与价格方向结合判断。

② 相对强弱

RS_5=R_{\text{股票},5日}-R_{\text{所属行业},5日}

③ 主动买卖失衡

OBI=\frac{主动买入量-主动卖出量}{主动买入量+主动卖出量}

该指标需要可靠的逐笔成交或订单流数据，不应该用普通行情软件标注的“主力资金净流入”直接替代。

④ 事件分数

可把事件重要性、来源可信度和新颖程度标准化，再使用时间衰减函数：

EventScore_t=E_0e^{-\Delta t/\tau}

其中 (\tau) 为衰减尺度，需要回测确定，不建议预先认定所有消息三天后都会失效。

2. 1—6个月模型：重点指标

因子	二级指标及组内权重
资金与筹码	20/60日成交活跃度变化40%、可验证的持仓变化30%、流通盘换手30%
事件催化	业绩指引变化40%、里程碑兑现30%、政策或重大合同进展30%
情绪与趋势	12-1动量50%、均线趋势30%、下行波动率20%
盈利预期	FY1 EPS修正45%、FY2 EPS修正25%、收入预测修正15%、利润率趋势15%
宏观政策	增长与信用环境50%、利率汇率敏感性50%
估值	同业远期PE分位40%、EV/EBITDA分位30%、自由现金流收益率30%
行业景气	订单与需求40%、价格与库存30%、供需变化30%

其中，我最看重两个指标。

① 盈利预测修正

EPSRev_{30}=\frac{EPS_{t}^{FY1}-EPS_{t-30}^{FY1}}{Price_t}

这里使用同一预测财年、同一会计口径的历史一致预期，并把EPS转换为与价格相同的货币单位。 之所以不直接使用EPS增长率，是因为企业可能处在亏损转盈利阶段，简单百分比会出现极端值。

② 12-1动量

MOM_{12-1}=\frac{P_{t-21}}{P_{t-252}}-1

即大约过去12个月、但排除最近1个月的累计收益。 这是经典动量研究采用的常见构造思路；它不是简单的“过去涨得越多，未来必然继续上涨”。

我的中期模型会特别重视： 盈利预测上修与价格动量同时发生的股票。 这种组合值得测试，但必须通过与单独使用盈利修正、单独使用动量的模型比较，才能证明融合是否真正增加了预测能力。

3. 6—24个月模型：重点指标

因子	二级指标及组内权重
资金与筹码	流动性稳定性50%、股本稀释与融资压力50%
事件催化	战略里程碑兑现50%、经营与治理重大变化50%
情绪与趋势	200日相对趋势60%、下行风险变化40%
盈利预期	未来两年EPS增长30%、ROIC 25%、现金流质量25%、财务稳定性20%
宏观政策	中长期增长与信用条件50%、利率汇率风险暴露50%
估值	自由现金流收益率40%、远期PE相对估值30%、适用行业的企业价值估值30%
行业景气	市场份额40%、相对定价能力30%、竞争壁垒与资本强度30%

建议重点监控四项财务指标。

① 投入资本回报率 ROIC

ROIC=\frac{税后经营利润(NOPAT)}{平均投入资本}

② 自由现金流 FCF

FCF=经营现金流-资本性支出

③ 自由现金流收益率

FCFYield=\frac{自由现金流}{权益市值}

④ 净负债/EBITDA

Leverage=\frac{有息债务-现金及等价物}{EBITDA}

对于银行、保险、REITs、尚未盈利的生物科技公司，这套通用财务模板不能直接照搬，应采用行业专属指标，例如银行的ROE、P/B、不良贷款率，REITs的FFO/AFFO等。

行业竞争优势也需要量化代理变量，例如市场份额变化、相对竞争对手的毛利率差额、客户留存率或研发成果转化率。无法从可靠来源取得的数据不能凭印象填高分。

三、统一评分公式：如何给一只股票打分

这是九套模型共用的核心引擎。

第一步：指标标准化

不同指标单位不一致，不能把ROIC的18%、每日成交额的20亿元、以及动量的35%直接相加。 我建议使用同市场、同一时点的截面百分位评分。 首先，对每个指标确定方向：例如ROIC越高越好、融资风险越低越好。然后对极端值进行缩尾处理，再计算分位数：

s_{i,j,t}=100\times PercentileRank(x_{i,j,t})

其中：

• (i)：股票
• (j)：指标
• (t)：评分日期
• (s)：0—100之间的得分 估值、盈利能力等指标建议同时计算行业内分位，避免银行的PE与软件公司的PE直接比较。对于动量，还应保留一定的全市场强弱信息，不能把所有行业趋势全部中性化掉。

第二步：计算一级因子得分

假设某一级因子包含三个二级指标：

F_i=0.4s_{i,1}+0.35s_{i,2}+0.25s_{i,3}

每个一级因子最终也会得到0—100分。

宏观因子需要特殊处理：利率、信用环境等变量对大多数股票是共同信息，因此不能简单给每只股票相同的宏观分数。应该使用宏观状态 × 个股历史敏感度，计算其不同风险暴露下的分数；市场整体风险状态另用于调整组合总仓位。

第三步：计算综合分数

\boxed{S_{i,m,h,t}=\sum_{k=1}^{7}w_{m,h,k}F_{i,k,t}}

其中 (m) 为市场，(h) 为投资周期。各因子权重之和为100%。

以一只假设的A股股票、1—6个月模型为例：

一级因子	权重	指标评分
资金与筹码	13%	70
事件催化	15%	80
情绪与趋势	15%	65
盈利预期	22%	85
宏观政策	15%	60
估值	7%	55
行业景气	13%	75

综合模型评分：72.15 / 100分

该结果只是示范计算，未对应任何真实股票。

这个72.15分只能说明该股票在模型指标下的相对吸引力，绝不能解释成72.15%的上涨概率。 若要预测上涨概率，应使用历史样本对评分进行独立校准：

p_H=P(R_{i,H}^{excess}>0\mid S_i,\text{市场状态})

并进一步计算扣除成本后的交易期望：

EV=p_H\times平均盈利-(1-p_H)\times平均亏损-交易成本

只有样本外校准表现可靠，才适合输出类似“未来20个交易日上涨概率”的数字。

第四步：加入基本面人工验证

我的建议是：基本面研究不要随意修改公式算出的分数，而应独立完成证据核查。

核查经营现金流真实性、财务重述、股权质押、商誉减值、核心产品竞争力、重大订单可兑现程度等。 存在重大且未经澄清的财务造假证据、严重流动性危机等情况时，可以直接设置风险否决。普通研究判断也必须记录证据、时间和结论，不能在看到后续股价走势后倒填分析记录。 对于缺失数据，要求保留覆盖率标记。如果缺失的指标累计权重超过20%，我建议暂停正式排名；否则可在合理范围内按剩余有效指标重新归一化，但不能把缺失的盈利预测当成0分。事件缺席则可以定义为中性分50。

四、三个市场的数据来源

这是整个系统最现实的实施问题。

免费的历史行情比较容易获得；可靠的历史盈利预测修正、真实交易时点的公告、机构持仓和订单簿数据则明显困难得多。

数据来源推荐

数据类别	A股	港股	美股
日线行情、成交额	Tushare Pro、AKShare、交易所	HKEX、授权行情商	Nasdaq Data Link、行情服务商
公司财务报表	巨潮资讯、沪深交易所、Wind	HKEXnews	SEC EDGAR、公司IR
历史盈利一致预期	Wind、Choice、FactSet	FactSet、LSEG	FactSet、LSEG、S&P
机构持仓	基金定期披露、上市公司公告	CCASS、权益披露	SEC 13F等披露
实时盘口与逐笔数据	授权Level-2行情	HKEX授权行情	Nasdaq或交易所授权数据
利率、汇率、宏观	央行、统计局等	HKMA、政府统计处	FRED、美联储等

几个重要来源已经核实：

• Tushare Pro 和 AKShare：可用于构建A股研究数据的初始方案，但需检查接口稳定性、权限、复权和历史数据质量。
• HKEXnews 披露易：可搜索港股上市公司公告、业绩和财务报告，包括已退市公司的相关文档。
• SEC EDGAR API：提供公开申报记录以及部分标准化XBRL财务数据，无须API密钥，但必须遵守访问规则。
• FactSet历史时点一致预期：提供历史时点的分析师预测快照，适合构建真正的盈利修正回测。

LSEG I/B/E/S与S&P Capital IQ也提供全球盈利预测、历史修正等数据，但授权和历史范围取决于订阅服务。

我会把数据方案分为两个档次： 低成本研究版：采用公开行情、官方财报和公告，以盈利历史趋势及管理层指引代替部分一致预期指标。可以建立研究原型，但不能声称完全实现了“分析师盈利预期修正模型”。 专业版：使用具备历史时点快照的数据，加入可验证的分析师预测、逐笔交易及机构仓位变化，用于正式回测与模拟交易。 每条财务或公告数据至少保存两个时间字段：信息实际公开时间和系统接收时间。回测只能使用交易决策时已经可获得的信息。

五、交易规则必须分别建模

A股、港股和美股不能共用同一个订单执行模拟器。

市场	必须考虑的交易约束
A股	股票通常不能当日买入当日卖出；交易板块的涨跌幅制度、停牌和无法成交的涨跌停订单
港股	T+2交收、每手买卖单位、买卖价差、部分证券的VCM冷静期
美股	T+1交收、盘前盘后流动性、LULD波动限制及个股暂停交易

截至2026年10月，特别需要落实以下规则： A股上交所现行交易规则明确规定普通股票交收前不得卖出；2026年7月6日起，沪深主板风险警示股票涨跌幅限制已由5%调整为10%。这意味着回测2025年与2026年下半年的ST股票，不能套用同样的涨跌停参数。 港股现金市场仍实行T+2交收，T+1是港交所提出的后续改革方向。港股的VCM冷静期也不是A股式的每日固定涨跌停板。 美股自2024年5月28日起，对大多数证券交易实行T+1标准交收；它与A股买入后不能立即卖出的交易限制是两个不同概念。

交易成本

在回测中，交易成本应拆成：

C=佣金+税费+买卖价差+滑点+市场冲击+融资及换汇成本

其中港股特别需要注意，通常应税股票买卖双方各收0.1%印花税，普通来回交易仅这一项就约占成交金额0.2%，此外还有交易费、征费和券商佣金。

A股证券交易印花税自2023年8月28日起减半，建模时也必须按历史生效日期使用当时的税费。

对短线策略，我建议同时观察毛收益与净收益。如果策略在扣除成本后没有明显优势，即使预测胜率看起来不错，也没有足够的实战价值。

六、风控系统设计

在我看来，风控不能被当作第八个普通评分因子，而应该是独立于选股评分之外的强制模块。

三周期建议风控参数

下面是保守研究原型的起始参数，不是对所有资金规模都适用的固定建议。

风控项	周内短线	1—6个月	6—24个月
单只股票仓位上限	3%	5%	7%
单次交易初始风险预算	净值0.3%	净值0.5%	净值0.75%
单行业总仓位上限	20%	25%	25%
主要退出机制	ATR、事件失效、时间止损	盈利修正逆转、趋势破坏	投资逻辑失效、估值明显透支
组合检查频率	每日	每周	每月及重要事件时

单笔仓位可以按照风险预算计算：

仓位比例 \leq
\frac{单笔风险预算}{计划止损幅度}

例如，账户净值风险预算为0.3%，预设合理退出距离为6%，风险预算对应的仓位上限就是5%；但由于短线模型另设3%的单票上限，最终最多只能配置3%。 同时还需要受到成交能力限制：

单次订单金额\leq ADV_{20}\times参与率上限

这里可以先使用日均成交额1%的订单参与率作为压力测试假设，实际再根据账户规模、交易时段和盘口深度重新校准。 必须注意：止损单并不能保证按止损价成交，A股连续跌停、港股跳空和美股暂停交易都可能令真实损失超出预设预算。 我还建议建立三类额外约束：

• 相关性风险：限制同行业、同主题、同一实际控制人或A/H两地上市公司带来的重复风险暴露。
• 市场与汇率风险：分别计算RMB、HKD、USD计价的净值、汇兑收益和风险敏感度。
• 模型失效风险：若近期信号有效性、实际滑点或回撤明显偏离验证期范围，降低新开仓规模并重新评估，而不是立刻优化历史参数来“修复”回测曲线。

七、历史回测如何验证这九套模型

我建议采取先验证选股信号，再验证组合交易，最后验证整体风控的顺序。

1. 信号回测

三个周期分别使用不同预测窗口。

模型	主要观察收益窗口	信号更新
周内短线	1、3、5个交易日	每日
1—6个月	21、63、126个交易日	每周
6—24个月	126、252、504个交易日附近	每月、业绩更新时

以交易日计算只是近似，真正的6个月、24个月收益窗口还需结合各市场日历。 首先测试各因子与未来收益的关系。核心指标是Rank IC：

IC_t=Spearman(S_{i,t},R_{i,t\to t+H})

其中未来收益建议使用扣除市场和必要风险暴露后的相对收益，防止模型实际上只是在买高Beta股票。 观察平均IC、IC的稳定程度、不同评分分组的未来收益是否有序，以及信号有效性是否随持有时间衰减。

2. 时间序列与样本外验证

不能把全样本随机拆成训练集和测试集，因为相邻的持仓收益窗口可能重叠。 正确方式是按照真实时间顺序进行Walk-forward测试，并使用Purging与Embargo处理重叠标签。 示意流程如下：

对于24个月持有模型，尤其不能把尚未经过完整24个月的信号当成已经有完整收益结果的样本。 回测股票池也必须包含历史退市、停牌、上市时间较短及最终表现不佳的股票。仅使用今天仍然上市的公司，会引入幸存者偏差。

3. 策略绩效指标

我会把下列指标设为正式验收字段：

指标	验证目标
年化收益率 CAGR	扣成本后的绝对表现
年化超额收益	是否跑赢对应市场基准
Sharpe Ratio	单位波动的风险调整收益
Information Ratio	超额收益是否稳定
最大回撤 MDD	最坏历史损失幅度
Rank IC及ICIR	选股因子预测稳定性
换手率	交易频率与成本敏感性
盈亏比、胜率	收益分布与交易质量
尾部损失、CVaR	极端行情的承受能力

基准应根据股票池选择，而不是机械地让所有策略都和沪深300或标普500比较。例如，中小盘股票池应使用规模更接近的基准，并尽量采用包含分红的总回报口径。

4. 必须通过的压力测试

我认为正式部署前至少完成以下实验：

1. 成本翻倍测试：佣金、价差和滑点假设明显恶化后，是否仍有正的净超额收益？
2. 因子消融测试：分别删除资金、消息、盈利、估值等因子，验证新增因子是否真正改善表现。
3. 权重扰动测试：各主要权重在合理范围内变化时，策略是否仍有相近表现？
4. 市场状态测试：分别在牛市、熊市、横盘、高波动和低波动期间验证。
5. 流动性测试：减少可成交量、增加冲击成本，检查回测表现是否严重衰减。
6. 极端风险测试：加入停牌、跳空、涨跌停无法成交、退市损失和换汇冲击。 多次尝试参数还会形成数据挖掘偏差，因此正式测试集不应反复用于调参；如果进行了大量策略尝试，应考虑多重检验或Deflated Sharpe Ratio等方法。

八、怎样从0开始实施

我建议分三个版本推进，而不是一开始就训练复杂的深度学习股票预测器。

V1：规则型多因子系统

建立三个市场的历史股票池、可交易性过滤、数据标准化、七大因子评分、回测引擎与风险报告。先使用本文的固定权重。

V2：统计学习权重优化

使用正则化线性模型、LightGBM等学习非线性关系，并与固定权重系统比较。对权重变化、特征贡献和跨市场稳定性施加约束。

V3：基本面事件引擎与模拟交易

增加公告结构化、财报文本分析、盈利预期变化、风险否决记录、市场状态识别，并通过模拟盘核对实际成交与模型假设。

如果以后要加入大语言模型，我会优先让AI负责阅读公告、提取经营数据、识别风险和生成可核查的研究解释，而不是直接让语言模型猜测明天的股票价格。

九、我建议采用的最终系统架构

技术实现上，我倾向使用Python作为核心语言，采用Parquet或数据库保存历史数据，使用独立的因子计算、回测、组合优化和报告模块。框架可以参考 QuantConnect LEAN 的事件驱动回测设计，但需要额外验证A股和港股市场规则、行情授权及数据覆盖范围。

最终建议

我认为这套系统最值得优先验证的，不是全部七大因子，而是各周期真正承担预测任务的核心组合：

周期	首先验证的核心组合
周内短线	事件超预期程度 × 异常成交 × 相对强弱
1—6个月	盈利预测修正 × 价格动量 × 行业景气
6—24个月	可持续盈利增长 × ROIC/现金流 × 合理估值

这些组合先分别与单因子策略、等权模型及对应市场基准比较。如果它们在三个市场的样本外净收益表现稳定，再逐步加入更复杂的因子和机器学习。 真正应该追求的，不是让模型指标越来越多，而是让每增加一个指标，都能证明它带来了独立、稳定、扣除成本后仍然存在的预测价值。

项目规划

项目名称： quantamental-tricycle

模块	开发内容
数据中心	A股、港股、美股行情、财报、公告与宏观数据
选股模型	三个投资周期、七大因子、九套评分权重
基本面分析	盈利质量、估值、行业竞争力与财务风险
回测引擎	历史数据回测、收益分析、策略验证
风控系统	仓位管理、止损、交易成本、市场风险
策略优化	参数校准、Walk-forward、机器学习扩展

开发顺序

1. V1：可运行原型 — 建立Python项目、评分引擎、样例数据、基础回测和自动化测试。
2. V2：数据与策略扩展 — 接入三市场真实数据源，完善财务因子、市场交易规则与风险控制。
3. V3：智能分析平台 — 加入AI公告分析、交互式界面、模拟交易与模型优化。 开发任务已包含原方案中的全部九套初始权重、关键公式、数据来源和回测要求。