花一周时间，做了一个银行量化系统

全文5900字，不想看系统构建过程的，直接拉到最后看结论朋友们。

花了一周的时间，用workbuddy做了一个银行量化系统，调用1017模型，最终只消耗了不到2000积分，少于我的预期。

目标是解决这样几个问题：

如果只能持有4家银行，那么过去10年哪种策略表现最好？

选用的是哪些因子？不同因子之间有什么关联？

如果我们使用回测出的最优策略，在现在的时点选出来的将是哪4家银行？

使用最优策略，与我做主观估值时使用的框架有什么差异？

需要说明的是，在研究这个量化系统之前，我是一个完全没有任何经验的量化小白，所以我做出来的这个东西，在专业量化团队看来是非常简陋、粗糙的。

但是没关系，万事都有第一步。

就像一个月以前我还从来没有自己写过一套程序，程序员这个职业离我非常遥远，但现在我已经在每天有模有样的Vibe Coding了，已经做出了好几个自己频繁使用的网页版程序了，大大简化了我的投研过程。

这些事情在以前是想都不敢想的！

我想说的是，AI的发展速度一定会远远超过普通人的想象。人这种碳基生物的能力，未来一定会借助硅基实现几何倍数的拓展，但是人与人之间的差异也会被拉得无限大。

现在能意识到这一点的人可能还不足0.001%，而最终能做到与硅基完美融合的人，估计也就不到5%。

越早意识到硅基的强大，越早扔掉碳基偏见，毫无保留的去拥抱硅基的人，才能享受到时代的巨大红利！

现在我将这套量化系统毫无保留的分享给大家，包括选用了哪些因子，因子的权重，因子如何影响了最后的回测业绩，我踩过哪些大坑，等等等等。

1、为什么是4家银行的组合？

对于普通散户来说管理仓位始终是个大问题。

我们的持仓一定是越精简、数量越少越好，在能实现不错回报的前提下。

这个时候我最初的设定是银行不能超过10家。

后面用数据反复测，3家、4家、5家、6家，直到10家都测过了。

最优策略其实是5家。

4家的结构不如5家，但比6家要好，而5家组合的年化只比4家组合高了0.3%，夏普比率稍高。

考虑实际交易的话，持有4家的情况下我们的调仓频率一定远远小于5家，这个时候佣金、印花税等摩擦成本，还一些持有时间过短导致的所得税问题可能还能避免一些，最终结果和5家就接近了。

所以我最后敲定了组合结构就是4家银行，等权，各25%。

2、样本银行和业绩回测时间

目前确定的总样本数是38家银行。

现在上市银行达到了42家，凭经验去掉了一些资产质量很差（风险过高），上市时间太短的超小型银行。我们的研究主要还是为以后服务的，要提前避险。

所以是在38家样本里，选到4家银行。

我最初想测试过去10年的业绩，但很多中小银行都是在2016年以后陆续上市的，在这之前银行数量偏少，样本量不足。

量化策略要算不同因子、指标的百分位，在样本量不足的情况下计算横截面百分位的意义就没那么大。

另外我自己加了一个规则，就是银行一定要上市满一年，才能开始加入我们的池子（剔除次新股早期极高估值的影响），所以到2017年9月29日的时候，池子正好累计到了20家。

后面测算出来的所有业绩、年化回报这些数据，区间都是在2017年9月29日到2026年9月30日之间的数据，每隔一个季度做一次调仓，不断在组合内部做轮换。

9年时间，总共是36个周期，也就是36个季度的数据。

我觉得9年也足够长了，能说明一些问题了。

3、确定因子

因为对银行行业的充分了解，我把认为有点用的，对银行业绩和估值可能产生影响的因子全部扔给系统测试。

因子总数大概是36个。

其中包括我们耳熟能详的，什么PB、PE、ROE、利润增速、营收增速、股息率、分红比率、拨备覆盖率、拨贷比、不良率、关注率、逾期贷款率、逾期90天以上贷款率等，这些是最重要的因子；

还有一些与市场相关的，比如换手率，过去12个月的动量，过去6个月的动量等，动量就是特定银行相对于行业平均值的价格表现强弱；

另外是一些根据上面的基础因子衍生计算出来的。

比如不良率这个指标，我们知道不良率低的银行资产质量更好，未来可能有更好的市场表现。

在这个基础上我们还可以设定一个边际变化的概念，比如当期的不良率相对一个季度以前的变化，我们设为不良率（-3M），相对半年以前的变化我们设为不良率（-6M）。同样的，拨贷比、拨备覆盖率、关注率、逾期率这些也设定边际变化因子；

最后我还加了一些我自己认为非常重要，但是市场通常不关注的两个：固定ROE的预期回报和真实ROE。

经常看我内容的朋友应该对这两个指标非常熟悉了。

固定ROE的预期回报是使用极简估值模型计算出来的，假设未来PB不变、分红比率不变，ROE使用的是滚动ROE，也就是过去4个季度报表ROE的累加；

真实ROE就不用说了，全市场可能只有我一个人在反复比较，是对拨备进行还原后计算的银行真实业绩。比如最近一个季度青岛银行拨备暴增，真实ROE的水平超过其他银行很多，这个时候青岛的真实盈利能力是非常好的。

以前计算真实ROE很困难，现在有AI后，我只需要告诉它规则和计算公式，历史数据能轻松跑出。

实践下来的结果是，我看中的固定ROE的预期回报和真实ROE两个因子，对于价格的解释能力都非常的好，远好于市场看重的营收增速、净利润增速等。

需要说明的是，在因子的选择上，我是边学习边研究。

比如净息差这个指标，我自己深研银行后认为没那么重要，因为高息差意味着高风险，后面高营收可能通过更高的信用减值损失折损掉，落不到利润上。

但是市场显然非常看中净息差。其实这个指标和营收紧密相关，高息差，或者息差在快速提升的话，会直接体现在营收增速上，所以这种就是相对无效的因子。

有些因子看起来很不错，市场也很重视，实测下来效果一般，这种都要排除掉。

最后的结果是，我们拿到相对靠谱的因子是24个，剔除了无效的14个。

4、筛选因子

先给一张24个因子的总表，以及测试的部分结果：

24个因子分为4组，指向银行的4个不同维度，其中：

在估值维度，因子有6个，定义为A1到A6，分别是PB、PB的分位（某只银行在38家银行中PB的相对位置）、PE分位、股息率、股息率-10Y国债（股息率对于国债回报率的吸引力）、固定ROE的预期回报（我主动加入的核心因子）；

盈利能力维度的4个，定义为B1到B6，分别是滚动ROE、营收增速、净利润增速、真实ROE（我主动加入的另一个核心因子）；

资产质量维度的11个，分别是不良率、关注率、拨备覆盖率、拨贷比、逾期率等，包括这些比率的边际变化。实测是6个的变化更敏感，3个月的变化几乎没什么用；

市场维度的3个，换手率、相对动量（6-1）、相对动量（12-1），6就是6个月动量，12就是12个月动量，那么这里为什么要-1呢？

这是避免年末或者季末的“短期反转效应”，你可以理解为之前11个月涨的太好的，最后可能会获利回吐，会有人被动调仓。实测的时候6-1的效果不明显，而12-1的效果很好，最后我们留下的关键因子也是相对动量（12-1）。

24个因子的问题解释清楚了。

下面说一下量化系统是怎么判断哪些因子有效，哪些因子无效的？或者说哪些因子更重要？

这里要提到3个概念，分别是IC（信息系数）、胜率、IR（信息比率）。

简单的说，IC决定了因子的强弱，也就是赔率；

胜率和IR都是看因子的确定性的，可以一起理解为是胜率；

这里我对3个概念做一个简单的说明，标注为斜体字，想看的多研究研究，不想看的直接略过，不影响我们最后看结论：

A、IC（Information Coefficient，信息系数）

通过一个例子来理解：判断股息率对银行涨跌的影响。

先对股息率做排序：在每个季度末，所有银行的股息率按从高到低排列。

再做收益率排序：未来一年，所有银行的超额收益率从高到低排序。

IC信息系数就是测试股息率排序和超额收益率排序之间的相关性：

IC=+1，两个排序完全一致，买高股息必赚；

IC=0，两个排序完全没有关系，买高股息这个因子属于瞎猜；

IC=-1，相关性完全相反，买高股息必亏。

测试得到过去10年银行的股息率因子的IC均值是+0.28，约28%的一致性，

所以结论是：股息率因子是有效的，但并不完美。

在自建的量化系统里，IC的绝对值在0.03到0.05基本是噪音，0.05到0.10算弱有效，0.10到0.20基本可用，0.20以上已经很强了。

B、胜率（确定性）

胜率解决以下问题：这么多个季度里，有多少个季度胜率指对了方向？

比如：关注率这个指标，33个季度里有26个季度IC为负（即关注率高的跑输），胜率是79%，说明关注率这个指标用来排除银行很好用。

在上图中，换手率的胜率高，对每个季度的预测准确性更高；营收增速的准确率低，预测不是很可靠。

胜率必须结合IC一起看，即使胜率高，但IC低的，赚不到太多钱。

C、IR（Information Ratio，信息比率，稳定性指标）

IR的公式是：IC均值 ÷ IC标准差。

用来衡量IC的稳定性，同样的平均IC，波动越小，IR越高。

在上图这个例子里，股息率和固定ROE的预期回报两个参数的IC虽然差不多，但股息率的IC标准差非常大，有时候IC是负的，所以固定ROE的预期回报对于未来一年股票收益率的预测效果更好更稳定。

注意：胜率和IR两个指标，都是指向稳定性，二者都需要与IC结合起来一起看。

解释清楚IC、胜率和IR的含义后，我们对24个因子做测试，这里我测了两个口径，分别是未来一年的收益和未来两年的收益。

所以所有的因子都会有IC1、胜率1、IR1和IC2、胜率2、IR2这两套数据，再对数据进行分析，找到那些IC更高，胜率和IR指标也很靠谱的因子。

简单看一下重要因子是怎么被选出来的：

估值维度：

6个因子中，可以看出表现最好的是“股息率”。

按我们的理解，股息率越高，市场越喜欢，表明公司赚的是真钱，价格表现越好，实际情况也确实如此。股息率IC1达到0.229，IC2达到0.265，几乎是最高数值，意味着高股息真的带来了价格上的高收益。

但是这里我要打个小小的问号，高股息、红利这两个概念在2022年以后变得非常流行，几乎变成了一种题材。这个概念在未来的市场环境里面会不会熄火？还真的不好说。

不过从尊重市场的角度，本来就是要测算在真实市场环境下哪些因子更有效，所以我不会轻易对股息率降低权重。

而股息率下面跟着的那个“股息率-10Y国债”因子，是股息率相对于国债回报的吸引力，这个以后判断行业选择时，也就是说对比配置其他行业，配银行的表现如何时再用。在分析银行间差异的时候是没用的，所以筛选重点因子的时候，直接排除。

回测的结果表明，低PB、低PE、低PB分位这些，效果都一般，或者说这些因子单一使用的时候IC太低。

低PE更是负IC，什么意思呢？越是低PE的银行，未来一年到两年的收益越差，妥妥价值陷阱。

最后是我们的重磅指标“固定ROE的预期回报”，高相关性，高胜率，高稳定性。

发现了吗？

虽然低PB单一指标没什么大用，但如果低PB能结合高ROE和高分红比率（他们就和起来就是固定ROE的预期回报），就很有用。

我分享的极简估值模型继续用起来吧朋友们，翻看之前的内容。

盈利维度：

4个因子中表现最好的是另一个我加入的指标“真实ROE”。

IC1、IC2高达0.189和0.187，胜率1和胜率2高达80%、74%，非常靠谱，而且我一点也不意外。

因为较高的真实ROE ，是非常容易在未来几个季度提升银行的报表ROE以及存量拨备的，这个之前的内容反复提过了，而这些都可能提升市场估值。

相比之下，滚动ROE，其实就是报表ROE，效果还不错，但不如真实ROE和固定ROE的预期回报。

净利润增速对价格的预测能力也比较差。

营收就更不用说了，通过对过去10年数据的回测，我们发现营收这个指标直接不用看了朋友们。

资产质量维度：

好用的指标是不良率变化（-6M）和逾期率这两个。

我以前认为拨备更重要，比如拨备覆盖率绝对值、拨贷比绝对值、拨备覆盖率和拨贷比边际变化这些。

但实测下来证据不足，有点出我的意料。

原因可能是，高拨备意味着银行在藏利润，利润体现不在报表上，市场会给折价处理。

我对不良率变化因子存疑，因为知道好多银行的不良率好几个季度都是一模一样，不发生一点变化。但业绩回测的时候解释性很好，我怀疑是当部分银行的不良率下降时，这种主动调报表的行为被市场捕捉到了，市场会非常信任银行给出的，“资产质量在持续改善”的信号。

逾期率的话，比较好理解，逾期率因子的效果确实好于关注率，因为逾期率是硬指标，贷款逾期后直接计入，无法粉饰，对资产质量边际变化的预测能力强很多，关注率有人为调整的因素。

总的来看，资产质量维度下的因子总数更多，但筛选出来的两个和我的直觉差别较大，先尊重历史数据吧。

市场维度因子：

换手率越低，也就是越冷门，越不受待见的银行，未来一年到两年表现可能更好，但是相关性没那么强。

过去6个月的动量比换手率更好，而过去12个月的动量真的而是黄金指标。

相对动量（12-1）对未来一年涨跌的预测IC达到0.239，胜率达到85%，IR有1.04。对未来两年涨跌预测的胜率也达到80%，几乎就是全场最高，仅次于“固定ROE预期回报”因子。

简单的说，过去12个月涨的好的，未来一年也依然会大涨，市场的惯性很强。

5、确定因子权重

最后总结一下：

IC、胜率、IR优秀的因子，优中选优后，只剩最后6个，分别是：

股息率：越高越好；

固定ROE的预期回报：越高越好，赶快拿我分享的表格和网页算起来吧；

真实ROE：越高越好，去看我的排行，里面包含了很多关于真实ROE的说明，主观排行也融合了真实ROE的成分；

不良率变化（-6M）：不良率下降的速度越快越好；

逾期率：逾期率越低，资产质量越好，价格更可能上涨；

相对动量（12-1）：过去12个月涨的好的，未来还会继续涨；

然后是确定权重。

在此之前我们对因子的设定，都是等权的，比如6个重点因子，各自的权重为1/6。

我让系统对24个样本因子和6个重点因子的权重进行不断调整，调整的范围是从0到2，设基础权重为1的话。

最后得到的最优结果是下面这个权重表：

只有固定ROE的预期回报权重占比达到23.1%，其他5个因子都是15.4%，这种权重比例是最优的。

6、业绩回测

那么现在规则已经很清楚了，从2017年9月算起的9年时间（逐季换仓），使用4家银行等权的组合（各25%），6个重点因子的策略，最后的业绩回测结果如下：

9年时间累计收益达到289.4%，年化是16.3%。

这个年化应该说是非常好了，尤其是在银行这种低风险低波动的行业。

期初的10万，能变为9年后的38.94万，翻了接近4倍！

夏普比率也冲到了0.75，最大回撤只有-16.4%。

如果和中证银行指数做对比（采用全收益指数，加回了分红复投影响），量化策略的累计收益领先指数209%，年化回报率领先9.6%。

同期中证银行指数（全收益）年化只有6.7%，注意，2017年末的银行正处在景气周期，估值在那几年的最高点，有一定的特殊性。

我们把策略和中证银行的实际走势图画在下面：

可以看出，策略无论在哪个时段的领先优势都很明显，只在2024年阶段性的跑输过。

当年指数回报32.7%，策略回报27.2%，跑输-5.4%。

另外8年全部跑赢！

7、预测

我把这套量化策略预测出的4家银行建了个组合（成青江杭），分享在雪球，与我自己的评级组合做个对比，刚才看还在审核中。

从策略使用的因子，还有权重来看，我对这个策略还是挺有信心的，因为和我的主观估值过程接近，比较符合估值规律和经济规律。

不过测算出来的毕竟都是历史数据，还是要在未来真正的跑一下，一两年以后再看结果。

如果量化策略的表现明显比我的主观策略更好，以后也可能会切过去。

@今日话题 $成都银行(SH601838)$ $青岛银行(SZ002948)$ $江苏银行(SH600919)$ #银行股行情还会继续吗#

雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>