仿照银行量化的案例，新建了一个券商量化系统，发现结果和我的主观券商评级系统非常接近。

量化系统是从总数37家券商中，选择两家券商均衡配置（各50%）的结构，测算过去10年业绩，确定一个最优量化策略。

这篇延续之前几期券商评级，把主观策略和量化策略进行融合。

1、为什么是两家券商？

首先单一券商的结构回测出的业绩其实也很不错，但是这里我们还是要遵循投资的基本原则：

要有不错的分散度，避免看错，避免个体的黑天鹅风险。

行业要分散，行业内部最好也做适当的分散。

持仓个数N=2时测算出的业绩，优于N=3、4、5个的组合，累计回报更好，最大回撤也小，夏普比率更高。

所以两只券商的组合，其实是在收益和风险中取到了一个平衡。

实践中，我通过不断的和系统磨合、测试，最后判断PB这个因子极其重要，当PB过高时，大幅降低在券商板块整体的配置比例一定是合适的，可以显著减小回撤。

后面我设置了一个“一票否决原则”，在两个持股（N=2）的框架下，一旦最终选到的券商PB大于1.2倍，就不入池。

也就是说，在板块整体高估的时候，组合中可能只有一只券商（50%仓位），甚至是空仓（只持有现金）！通过这样的策略，可以轻松躲过券商整体转熊的下跌过程。

实测“一票否决原则”效果非常好，严格执行这个策略，整个2017年都是空仓状态。

时间起点是2016年末，但系统实际建仓的时间是2018年二季度。

2、因子确定

备选因子一大堆，我们需要筛选出最有效的因子。

对于券商行业，我还是很熟悉的，2022年以前券商的同质化程度非常高，主要收入和利润来源都是经纪（信用）业务，或者类似于通道业务，行业内不同券商盈利能力差异不大。

之后行业开始加速转型，投行、资管、做市、自营等偏机构类业务的重要性上升得非常多，行业事实上进入大券商主导的时代，ROE开始分化。

如果用过去10年这么宽泛的口径去测，PB是唯一最强因子，PB越低越好，既能回避估值下杀的风险，又在估值修复的时候有更好的弹性，因为各家ROE差别不大。

但我们的量化模型要为以后服务，就不得不考虑行业的变化。

典型如2025年，优秀大券商（中信、建投、广发、国信、长江等）能把ROE做到10%以上，次优的（招商、银河、华泰等）在9%以上，而大量中小型券商盈利能力甚至不及5%（兴业、中泰、国海、西南等），ROE的标准差远大于5年前。

同时在券商行业内部出现了大鱼吃小鱼，大券商兼并整合小券商的潮流。

在10年跨度上，系统测算的最好因子是PB（唯一有效因子，决定了是否便宜），股息率和动量的重要性次之，盈利因子完全不重要，这个我们可以称为是3因子组合；

而根据我的经验，我认为未来至少应该加上一些盈利因子，比如过去3年平均ROE，或者是对应这个ROE口径的固定预期回报，参考银行量化的A6因子，构成5因子组合。

实践中固定预期回报包含了ROE的成分，另一个盈利因子使用EP（PE的倒数）代替。

我们把3因子组合的特征总结为，便宜，且跌得比较透；

5因子则是，又便宜，公司的质地又好。

我个人是倾向于后者，即使3因子在过去10年整体表现更好，但正如我上面说的，行业的基本面已经发生了根本性的变化，5因子的优势将逐渐体现出来。

2022年以后，券商的自营盘规模迅速扩大，自营投资收益对总收益的影响越来越多，券商同质化的特征发生了根本性的改变。

我针对3因子组合和5因子组合，用过去10年的数据进行了分段测试，正好对应了券商行业估值变化的4个周期，分别是：

在第一段和第二段，两个组合几乎没有差异；

第三段是券商杀估值的阶段，3因子占优；

第四段是券商估值修复的阶段，5因子占优。

说明924以后，市场开始给券商的盈利能力更多的溢价，5因子比3因子结构多出来的就是盈利能力的部分。

慎重考虑后，我认为5因子的结构更符合未来的行业特征，更能被市场接受，3因子组合被舍弃。

最终5个因子确定为：

PB、股息率、动量（12-1）、EP和过去3年平均ROE的预期回报。

3、如何择时

最初构建这个量化组合的时候，我在想，其实根据主观经验也很容易在行业层面，抓住一些券商板块的机会。

比如我们看券商指数（399975）的估值变化图：

很明显，在2018年年末、2020年5月、2024年8月、2025年5月这几个时间点，都是非常好的配置券商的机会（券商相对便宜，或调整到位的点位），之后几个月券商板块整体都出现了非常明显的涨幅。

但我们要构建的是量化系统，是必须设定一些指标、因子、信号，让系统自动抓取和识别，之后自动化执行的。

而以上4个时点，2018和2024的两个对应的是市场的极寒状态，2020和2025又对应了市场的过热状态，前两个与后两个对比，因子和信号特征完全相反。

我们想象中的，只要在市场极寒状态大量配置券商，等待市场过热后离场的策略，确定性还不错，但是会牺牲很多机会（比如2020和2025年的两次）。

这种主观策略，比N=2结构的策略效果更差，长期回报率表现更差，唯一的好处是真的可以躲过大跌，回撤小，夏普比率略高。

所以如果我们只是在行业内部做择时，市场热度因子就必须舍弃掉。

4、因子权重

现在我们确定了，组合内持有的最大数量是两个，且PB不能大于1.2，仓位可以是0%、50%、100%（各50%），使用5因子结构。

开始测试和调整因子的权重。

先看一下我经过了多轮测试，不断调整后得到的最优因子权重，5个因子的比例是1.5:1.5:1.5:1:1。

也就是下表的状态：

这里先解释一下5个因子的经济含义：

PB：越低越好。这个很好理解，券商板块内部，PB越低的更抗跌，未来估值修复的时候收益可能更好。PB因子极其重要，权重也达到23%。

股息率：越高越好。不过我对股息率有个疑问，股息率占优的策略是最近两三年刚流行起来的，我在做银行量化的时候也表达过同样的担忧，就是未来几年市场对股息可能就没那么看重了。比如我设想一种情况，经济复苏甚至走向景气，市场利率上升，大家开始重新追逐成长，而不是持股收息（确定性）。这里先尊重系统的测算，权重给到23%，以后可能择机调整。

EP：这是PE市盈率的倒数，我们直觉上肯定认为PE越低越好，但如果一家公司是亏损的，那么他的PE是负值，在数值上反而比那些低PE的公司更低了，显得“更便宜”。为了避免这个问题，我们直接使用EP，也就是1/PE，设定EP越高的公司越好。对PE进行求倒数处理后，既符合经济原理，又便于排序。

动量：和银行量化相反，银行是强者恒强，过去涨得好的未来也会涨得好。券商正相反，是过去12个月跌得越多越好，或涨得越少越好。对于券商来说，便宜极其重要，那么跌得越多就越便宜。

A6：与我们在银行量化里的设定类似，A6就是固定ROE的预期回报，是假设公司过去3年的平均ROE可以延续，此时在当前PB下可以取得的分红复投的预期回报率，回报越高越好。

5、业绩回测

上面给出的这套策略，在过去10年中跑出了累计266.3%的回报，年化回报率达到14.24%，还是挺不错的。

其中因为规则的约束，每个时间点拿到的券商都不高于1.2倍PB，我认为是一个非常保守的组合。

极低PB的情况下，再怎么杀估值风险都不会太大。

最终最大回撤落在-23.5%这个数字上，夏普比率是0.507；

其中在我设定的4个周期中，取得的区间年化收益分别是下面的分布，注意，都是区间内的年化收益，方便互相比较：

年化-9.04%（2018年12月以前），也就意味着最初8个季度累计-17.5%。这个时期市场开始从2017年的小牛中深度调整，是4个周期中唯一的负收益，也可以接受。

年化34.4%（2019年年初到2020年年末）；

年化13.7%（2021年年初到2024年924）；

年化23.07%（924以后）；

后面的三个周期都是正向收益，回报率还可以。

注意，年化14.24%的回报，没有算上摩擦成本，也就是交易时的手续费和印花税，按实际扣减后会降低到14.01%。

但是这个换股的频率，属实是有点高了，平均每个季度要换掉仓位的80%。

组合每个季度的实际持仓如下：

正如前面所说，组合在2017年全部空仓，到2018年Q2开始才第一次纳入光大和东北。之前的券商小牛周期中，没有符合PB低于1.2这个标准，所以2018Q2之前只持有现金。

后期很多时候持有中山公用，是我认为中山公用就是广发的绝佳替代，所以我自己设计了一套算法，找到了二者的替代关系，在部分指标领先时用中山公用替代广发。

实际持仓过程中山公用出现了29次，而广发本体只出现了2次，可以认为广发本体的属性过分优秀（低PB、高ROE），使广发成为了入选组合次数最多的券商。

根据这套策略，到2026年11月10日的今天，评价最佳组合为：

国信+中山公用。

~持续分享干货中~