“质量·低波·可转债”选股策略

由bqu1vdra创建，最终由bqu1vdra更新于2026-03-26 08:50 被浏览 31 用户

一、策略总览

从当期持有存续可转债的 A 股正股中，筛选出盈利能力达标（ROE > 5%）的股票，再按20日均换手率从低到高排序，结合行业分散约束，最终等权持有换手率最低的10只股票，每 15 个交易日调仓一次。

策略逻辑图

全市场 A 股
    │
    ▼
动态可转债股票池过滤（仅保留当日有存续可转债的正股）
    │
    ▼
基础质量过滤（非ST / 非停牌 / 上市>1年 / 市值>10亿/ PE在(0,100) / PB>0 / ROE>5%）
    │
    ▼
计算20日均换手率（主排序因子）
    │
    ▼
行业分散约束（每个申万一级行业最多3只）
    │
    ▼
选出换手率最低的前10只
    │
    ▼
等权持仓，每15个交易日调仓

策略参数一览表

二、核心概念：什么是可转债

2.1 可转债的定义

可转换债券（Convertible Bond，简称"可转债"）是一种特殊的公司债券，持有人在约定的期限内，可以按照事先确定的转股价格，将债券转换为发行公司的普通股股票。

简单理解：

可转债 = 普通债券（有利息保底）+ 看涨期权（可转为股票）

它兼具债券的保本属性和股票的上涨弹性，被投资者称为"进可攻、退可守"的品种

可转债最大的魅力，在于它在不同市场环境下展现出的“双重性格”

• 债券属性（保底功能）：当公司股价下跌时，你可以选择不转股，继续当债券持有。只要公司不违约，你就能拿到到期后的本金和利息。这就像一张“安全垫”，为你的投资提供了下行保护。
• 股票属性（进攻功能）：当公司股价上涨时，你可以把手里的债券转换成股票，从而享受到股价上涨带来的收益。这意味着它的上涨空间和股票一样，潜力很大。

这种特性让可转债在历史上表现出一种“涨起来像股票，跌起来像债券”的风险收益特征，也因此常被称为“攻守兼备”的投资工具。

2.2 可转债的基本要素

2.3 可转债的价格构成

可转债的市场价格由两部分构成：

可转债价格 ≈ 债券价值（纯债底价）+ 转股期权价值
债券价值  = 按同级别债券折现率计算的票息现值（通常 85～95 元）
期权价值  = 正股价格与转股价之间的空间所产生的价值

举例说明：

• 某公司发行可转债，转股价 20 元，正股现价 25 元
• 每张 100 元面值的可转债可转 100÷20 = 5 股
• 转股价值 = 5 × 25 = 125 元
• 则可转债市价通常高于 125 元（含溢价）

2.4 可转债市场规模

截至 2025 年底，中国 A 股可转债市场：

• 存续可转债数量：约 500～600 只
• 对应正股（有存续可转债的 A 股公司）：约 500～700 家
• 覆盖多个行业：银行、制造业、化工、医药、科技等等

三、为什么选择可转债正股作为股票池

这是本策略最核心的设计逻辑之一，也是与普通低换手率策略最本质的区别。

3.1 发行可转债的公司具有“天然质量门槛”

可转债并非所有公司都能发行，监管机构对发行人有严格的条件限制：

结论：能够发行可转债的公司，本身已经过了监管层面的初步质量筛选，财务状况相对健康，盈利能力有一定保证，这为我们的股票池提供了天然的安全垫。

3.2 可转债存续期间，公司有强烈的"护盘"动机

可转债发行后，上市公司管理层有强烈动机维护正股股价，原因如下：

① 触发强制赎回条款（强赎）的需要

当正股价格连续 15～20 个交易日高于转股价的 130% 时，发行方可以以 103 元（含利息）强制赎回所有可转债

这对公司是极为有利的融资结果——以低利率（远低于银行贷款）募集到的资金，通过转股方式偿还，无需还本。因此，公司有动力推动股价上涨，促成转股。

② 下修转股价以避免回售压力

当正股持续低迷时，可转债持有人可能行使回售权，要求公司以 103～106 元回购债券

为避免这一情况（公司需大量现金偿债），管理层往往会通过下修转股价（降低换算比例）来提振可转债投资者信心，间接支撑正股股价。

③ 再融资声誉考量

可转债本质上是一种低成本融资工具。发行成功后，若正股表现差劲，债券顺利转股变得困难，公司未来的再融资能力和市场声誉将受损。因此管理层有长期动力维护股价表现。

3.3 可转债股票池的行业特征

有可转债的公司往往集中在以下行业（2023 年以来统计）：

可以看出，可转债股票池天然覆盖了多个实体经济行业，避免了全面暴露于纯金融/纯防御板块

3.4 与普通全市场选股的对比

四、核心选股因子：换手率

4.1 换手率的定义

换手率（Turnover Rate）是衡量股票在一定时间内交易活跃程度的指标：

日换手率 = 当日成交量 ÷ 流通股本 × 100%

例如，某股票流通股 10 亿股，某日成交 500 万股，则日换手率 = 0.5%。

本策略使用的是 20 日均换手率（m_avg(turn, 20)），即最近 20 个交易日日换手率的算术平均值，相比单日换手率更稳定，能过滤短期异常波动。

4.2 低换手率背后的经济含义

低换手率意味着：

4.3 低换手率选股的理论依据

① 筹码集中效应

学术研究表明（如 Amihud & Mendelson, 1986），低流动性股票存在流动性溢价，长期回报往往超越高流动性股票，以补偿持有者承担的流动性风险。

② 聪明钱信号

当一只股票长期换手率极低，往往意味着大机构已经重仓持有且坚定持有。这类"长线资金认可"的股票，在没有外部冲击的情况下，价格表现往往更稳健。

③ 行为金融视角

高换手率常伴随着：散户频繁博弈、题材炒作、主力拉升出货等行为，这些行为会制造大量"噪声"。低换手率则天然过滤了这类噪声，留下价格信号更"干净"的股票。

④ A 股市场的特殊性

A 股市场散户占比高（散户贡献约 80% 的交易量），短线博弈盛行。低换手率股票相当于"脱离了散户游戏"，其价格运行规律与机构主导的成熟市场更接近。

4.4 为什么用 20 日均而非单日换手率

20 个交易日约对应 1 个自然月，是量化中常用的"中期动量/流动性"观测窗口，能平衡及时性与稳定性。

五、质量过滤因子：ROE

5.1 ROE 的定义

ROE（Return on Equity，净资产收益率）是衡量公司盈利能力最重要的综合指标之一：

ROE = 净利润 ÷ 平均净资产 × 100%

本策略使用的是 ROE(TTM)，即滚动 12 个月的净利润除以净资产，能够反映公司最近一年的真实盈利能力，消除季节性影响

5.2 为什么用 ROE 而不是 PE/营收增速

根据杜邦分析：

ROE = 净利润率 × 资产周转率 × 财务杠杆

ROE 是三种能力的综合体现，一个 ROE 持续高于 10% 的公司，意味着它同时具备良好的盈利能力、运营效率和合理的资本结构。

5.3 为什么设定 ROE > 5% 这一阈值

本策略对 ROE 的要求是 > 5%（即 0.05），这是一个相对宽松的底线，而非追求高 ROE。原因如下：

1. 策略核心因子是换手率，ROE 只是"过滤负面因素"的防线，不是选股主力
2. ROE > 5% 可以剔除大量亏损企业、严重衰退企业（ROE 接近 0 甚至为负的公司）
3. 某些低换手率行业（如公用事业、交通运输）的 ROE 天然偏低（通常 8%～15%），过高的 ROE 门槛会误伤这类质量尚可的防御性股票
4. 保留足够的股票池深度，确保行业分散约束能正常运作

对比：如果设 ROE > 10%，银行板块大部分可以保留，但公用事业、建筑等会被大量剔除，导致行业更集中。

5.4 ROE 过滤前后的效果

原策略（无 ROE 过滤）选出的股票可能包含：

• ROE 极低甚至为负（处于亏损边缘）的股票，只因换手率低就被选中
• 这类公司"换手率低"的原因可能是"没人想买"，而非"筹码集中"

加入 ROE > 5% 后：

• 剔除了"被市场遗弃的低质量低流动性"股票
• 保留的低换手率股票更可能是"机构长期持有的优质低波动股"

六、行业分散约束设计

6.1 为什么需要行业分散约束

不加约束的低换手率策略会高度集中于少数行业，主要是银行、公用事业、交通运输。原因如下：

• 银行股：国有大股东持股比例极高（如工农中建交，国有持股 > 60%），实际流通盘极小，日换手率通常仅 0.001%～0.01%，远低于其他行业
• 公用事业：电力、水务、燃气公司现金流稳定，机构长期持有，换手也极低
• 交通运输：铁路、港口等重资产垄断企业，股价波动小，散户参与度低

若不加约束，10 只股票中可能有 5～6 只是银行股，导致：

• 策略实际上是"银行+公用事业"的混合组合，缺乏真正意义上的多元化
• 对利率、信用政策极度敏感，存在系统性集中风险

6.2 约束规则：每行业最多 3 只

本策略规定：每个申万一级行业最多持有 3 只股票。

以申万行业（2021版）为基准，共有 31 个一级行业，包括：银行、非银金融、医药生物、电力设备、机械设备、化工、食品饮料、房地产、交通运输、公用事业等。

实现逻辑：

def select_with_industry_limit(group):
    # 先在每个行业内按换手率取前3只
    industry_limited = group.groupby('sw2021_level1', sort=False).head(3)
    # 再从行业受限结果中按换手率取全局前10只
    return industry_limited.sort_values('turnover_20d').head(10)

效果：

• 银行行业最多贡献 3 只股票（占仓位 30%），而非 6～8 只
• 其他行业的低换手率优质股有机会入选（如交通运输、医药、制造业等）

6.3 行业代码字段说明

策略中使用 sw2021_level1 字段（申万一级行业代码，2021 年版），同时用 sw_level1_name 作为中文行业名称。

七、动态股票池的实现原理

7.1 静态 vs 动态股票池的区别

7.2 技术实现：CTE + INNER JOIN

动态股票池通过 SQL 的 公共表表达式（CTE）+ INNER JOIN 实现：

WITH prefactors AS (
    -- 第一个 CTE：在 cn_stock_prefactors 单表内
    -- 完成所有窗口函数计算（如 m_avg），此时 date 无歧义
    SELECT date, instrument, m_avg(turn, 20) AS turnover_20d, ...
    FROM cn_stock_prefactors
    WHERE ...
),
cb_stocks AS (
    -- 第二个 CTE：查询每日有存续可转债（volume > 0）的正股
    SELECT DISTINCT date, stock_code
    FROM cn_cbond_bar1d
    WHERE stock_code IS NOT NULL AND volume > 0
)
-- 主查询：两个 CTE 做 INNER JOIN
-- p.date = c.date AND p.instrument = c.stock_code
-- 确保：只有"当日正股行情"和"当日有交易的可转债"同时存在的记录才被保留
SELECT p.*
FROM prefactors p
INNER JOIN cb_stocks c
    ON p.date = c.date AND p.instrument = c.stock_code

7.3 为什么用 volume > 0 判断可转债存续

cn_cbond_bar1d 是可转债日线行情表，当一只可转债：

• 正常交易：每日有成交量，volume > 0✅

• 已到期/强赎/退市：不再出现在日线数据中，或 volume = 0 ✅

• 停牌：volume = 0，会被过滤，但对应正股仍可能正常交易（此逻辑可接受）

  因此，volume > 0 是判断可转债"当日存续且正常交易"的简洁有效标准。

7.4 JOIN 顺序的重要性（窗口函数歧义问题）

当使用 SQL 窗口函数（如 m_avg）时：

• 错误做法：在 JOIN 后的结果集上计算 m_avg(turn, 20)

  • 原因：JOIN 后两张表都有date列，引擎不知道用哪个date作为时序排序依据
  • 报错：Ambiguous reference to column name "date" in function "m_avg"

• 正确做法：先在单表 CTE 中计算完窗口函数，再做 JOIN（本策略的实现方式）

  此时prefactors CTE 内只有一个date，窗口函数无歧义 ✅

八、调仓频率的选择逻辑

8.1 为什么从 5 日改为 15 日

低换手率策略的天然适配频率是中低频：

1. 因子变化缓慢：20 日均换手率是一个惰性指标，排名不会在短期内剧烈变化。每 5 日调仓，大概率换来的是"持仓基本不变但产生了额外手续费"
2. 持股标的本身换手极低：我们选的就是不活跃的股票，这类股票的价格趋势也相对稳定，不需要频繁追踪
3. 15 日是折中：既保留了对因子变化的适度响应，又将年均调仓次数控制在可接受范围（16 次左右）

8.2 调仓频率与交易成本

每次调仓产生的成本估算（以单次调仓为例）：

假设：10 只股票全部换仓，每只持仓 5 万元

卖出成本：50万 × 0.13% = 650 元
买入成本：50万 × 0.03% = 150 元
合计单次：800 元

全年调仓成本：
  5日调仓（48次）：800 × 48 = 38,400 元（占本金 7.68%）
  15日调仓（16次）：800 × 16 = 12,800 元（占本金 2.56%）

实际情况中持仓不会 100% 换仓（大约 30%～50% 变化），但15日调仓明显更节省成本！

九、策略筛选条件详解

本策略 SQL WHERE 子句中的每个条件都有明确的意义：

WHERE
    st_status = 0              -- ① 非ST/非*ST
    AND suspended = 0          -- ② 非停牌
    AND list_days > 365        -- ③ 上市超过1年
    AND float_market_cap > 1000000000  -- ④ 流通市值 > 10亿元
    AND volume > 0             -- ⑤ 当日有成交（非零成交）
    AND pe_ttm > 0             -- ⑥ 市盈率为正（公司盈利）
    AND pe_ttm < 100           -- ⑦ 市盈率不超过100倍
    AND pb > 0                 -- ⑧ 市净率为正（净资产为正）
    AND roe_avg_ttm > 0.05     -- ⑨ ROE(TTM) > 5%

条件逐一说明

十、完整代码逐行解析

10.1 策略初始化框架

def initialize(context: bigtrader.IContext):

BigTrader 框架的核心生命周期函数，在回测开始时执行一次，负责：

• 设置交易参数（手续费等）

• 数据查询和预处理

• 将处理好的选股数据存入

  context.data
  

回测期间每个交易日的实际交易由 handle_data 函数完成（本策略使用预置的 handle_data_weight_based）。

10.2 手续费设置

context.set_commission(bigtrader.PerOrder(
    buy_cost=0.0003,    # 0.03% 买入佣金
    sell_cost=0.0013,   # 0.13% 卖出佣金（含0.1%印花税）
    min_cost=5          # 每笔最低5元
))

A 股交易成本构成：

• 印花税：卖出时收取 0.1%（单边），由国家征收
• 券商佣金：买卖双向，通常万分之二至万分之三（已压至较低水平）
• 规费（过户费等）：极小，本策略忽略

10.3 SQL 数据查询结构

df = dai.query(
    sql,
    filters={"date": [
        context.add_trading_days(context.start_date, -30),  # 向前多取30天
        context.end_date
    ]},
    params={"stock_num": stock_num}
).df()

为什么要向前多取 30 天（时间缓冲）？

m_avg(turn, 20) 是 20 日移动平均，计算第一个有效值需要至少 20 个历史数据点。若从 start_date 开始查，则回测期开始的前 20 天没有换手率均值数据，导致数据不足。

向前扩展 30 个交易日（略多于 20，留有余量），确保即使在回测起始日也能计算出完整的 20 日均值。

$stock_num 参数化是什么？

1.0 / $stock_num AS weight

等权重计算：10 只股票，每只权重 = 1/10 = 10%。通过 params={"stock_num": stock_num} 传入，便于后续修改持股数量时只需改 Python 变量，无需修改 SQL。

10.4 行业分散约束函数

def select_with_industry_limit(group):
    industry_limited = group.groupby('sw2021_level1', sort=False).head(max_per_industry)
    industry_limited = industry_limited.sort_values('turnover_20d')
    return industry_limited.head(stock_num)

df = df.groupby('date', group_keys=False).apply(select_with_industry_limit)

执行流程：

每日数据（按换手率升序排列）
    │
    ▼ groupby('sw2021_level1').head(3)
每行业取前3只换手率最低的股票
    │
    ▼ sort_values('turnover_20d')
重新按换手率排序
    │
    ▼ head(10)
取全局前10只

注意：sort=False 参数让 groupby 保留原始顺序（即换手率升序），确保每行业取的是该行业换手率最低的 3 只，而非随机 3 只。

10.5 调仓计划设置

df = bigtrader.TradingDaysRebalance(
    rebalance_days,       # 15
    context=context
).select_rebalance_data(df)

TradingDaysRebalance 的作用：

• 从全部数据中，每隔 15 个交易日筛选出一组调仓日期
• 只保留调仓日的数据，非调仓日直接持仓不动
• 这样context.data中只有调仓日的选股结果，handle_data_weight_base会在调仓日按权重重新平衡仓位

10.6 权重型持仓执行

handle_data=bigtrader.HandleDataLib.handle_data_weight_based

预置函数 handle_data_weight_based 的内部逻辑：

1. 每个交易日检查context.data中是否有当日数据
2. 如果有（调仓日）：按weight列的权重买入/卖出，调整至目标持仓
3. 如果没有（非调仓日）：持仓不变，继续持有\n

十一、策略的适用环境与风格择时

11.1 策略的收益来源回顾

根据前文分析，本策略的收益主要来源于：

• 低换手率因子：流动性溢价、筹码集中效应
• 可转债正股池：发行公司的质量门槛和护盘动机
• ROE质量过滤：剔除基本面恶化的公司

这三个因子共同决定了策略具有明显的价值风格暴露和低波特征。

11.2 策略表现与市场风格的关系

回测数据显示，本策略在不同市场风格下表现差异显著：

11.3 风格判断指标（择时参考）

使用本策略前，可以通过以下指标判断当前市场风格：

指标一：国证价值/国证成长比值

价值成长比 = 国证价值指数 ÷ 国证成长指数

• 比值 > 1.05：价值风格占优（适合启用策略）
• 比值 < 0.95：成长风格占优（建议降低仓位或暂停）
• 比值在0.95-1.05之间：风格均衡（可正常使用）

指标二：10年期国债收益率趋势

• 收益率下行或低位：利好高股息/低波策略
• 收益率快速上行：需警惕策略回撤风险

指标三：市场风险偏好指标

• 高换手率股票整体表现强势 → 成长/题材风格
• 低换手率股票整体抗跌 → 价值/防御风格

十二、策略组合使用建议：不单独持有

12.1 为什么建议组合使用

本策略存在两个固有特点：

1. 风格暴露集中：高度依赖价值风格，在成长牛市中会跑输
2. 收益结构稳健但弹性不足：低波特性意味着上涨时弹性弱于成长股

因此，将本策略作为单一策略满仓持有存在周期性跑输的风险。更优的方式是将其作为多策略组合的一部分。

12.2 组合配置方案建议

方案一：双策略均衡配置

效果：两种风格互补，平滑组合收益曲线，降低单一风格暴露风险。

方案二：核心-卫星配置

适用：追求稳健，愿意牺牲部分上行弹性换取更低回撤的投资者。

方案三：三策略分散配置

效果：三类策略相关性较低，组合波动更平滑，适应更多市场环境。

12.3 组合配置的实操建议

定期再平衡

• 建议每季度或每半年对组合内各策略的仓位进行再平衡
• 当某一策略短期涨幅过大导致仓位偏离目标超过10%时，可触发再平衡

策略替换机制

• 如果本策略连续6个月跑输沪深300超过5%，建议暂停并评估市场风格
• 待市场风格回归价值后，可重新启用

资金分配方式

• 对于小资金（<100万）：可直接按比例分配到不同策略的回测框架中
• 对于大资金（>100万）：建议分账户独立运行各策略，便于跟踪评估

十三、总结

本策略的核心价值在于：

• 逻辑清晰：可转债质量门槛 + 低换手率选股 + 行业分散
• 回撤可控：低波特性在震荡市中表现稳健
• 可解释性强：每个设计决策都有理论支撑

但任何策略都有其适用边界。理解本策略的价值风格暴露，在合适的市场环境中使用，并与其他策略组合配置，才能发挥其最大价值，实现长期稳健的资产增值

回测结果

• 累计收益率（80.89%） vs 基准收益率（19.09%）： 策略大幅跑赢了基准，超额收益（阿尔法）达到了61.8个百分点

• 贝塔（0.72）： 策略的系统性风险低于市场

• 最大回撤（14.34%）： 在获得年化22.81%高收益的同时，最大回撤仅控制在14.34%，这在权益类投资中是比较出色的风控水平。

• 收益波动率（16.08%）： 波动率控制得比较适中。结合22.81%的年化收益来看，收益是波动率的1.4倍左右，性价比不错。

• 夏普比率（1.17）： 这是衡量“每承担一单位风险，能换来多少超额回报”的核心指标。通常夏普比率>1，即被认为策略表现良好；>2则非常优秀。1.17表明你的策略在承担风险的同时，获得了比较可观的超额补偿，效率较高。

• 胜率（72.77%）： 这个胜率在投资策略中相当高。意味着你每交易10次，有7-8次是赚钱的。这种高胜率会带来较好的心理正反馈，有助于策略的长期执行。

• 盈亏比（1.39）： 1.39的盈亏比意味着：赚一次的钱，能覆盖亏损一次后还剩余0.39倍的收益。

  结合分析： 策略属于高胜率、中盈亏比类型。也就是说通过很高的胜率来积累利润，而不是依赖少数几次“暴富”的交易来覆盖大部分亏损。

  \

这个策略可以概括为一个稳健进取型策略。它在保持较低回撤（14.34%）和较低波动（16.08%）的前提下，实现了较高的年化收益（22.81%）。风格上相对稳健（Beta 0.72），且具备显著的超额收益能力（阿尔法为正）

注：AI策略广场链接：https://bigquant.com/square/ai/19c6558e-1adf-818b-4355-66c90b621bef

\