我們制定一個交易策略，其中我們將對公司的基本面數據進行定量分析，並創建一個基本面強公司的投資組合並分析投資組合的表現。
什麼是基本面分析？
在會計和金融領域，基本面分析被定義為對公司財務報表的分析，即資產負債表、損益表和現金流量表。
這種分析背後的動機是指出可能導致公司倒閉的債務和其他危險信號。這種分析有助於判斷公司在過去幾年/季度的整體業績和健康狀況。
該分析使用各種財務比率，例如：
市盈率（市盈率）
市盈率的計算方法是用股票價格除以每股收益。該比率用於瞭解公司相對於同行或市場的估值。
市賬率 (P/B Ratio)
市帳率的計算方法是用股票價格除以權益的賬面價值，或者換句話說，股票價格除以其賬面價值。這個比率特別有助於判斷公司的價值，無論是被低估還是被高估。
企業價值與銷售額比率（EV/銷售額比率）
企業價值魚銷售額比率是通過將企業價值除以公司的銷售額或收入來計算的。考慮到債務和股權，這個特定的比率有助於根據公司的銷售額對公司進行估值。
債務權益比率（D/E 比率）
債務權益比率或杠桿率是分析公司債務水平特別有用的比率。公司是否過度杠桿化。換句話說，公司有多少資金來自債權人和銀行。
凈債務與 EBITDA 的比率
凈債務與EBITDA比率也是杠桿率，用來計算公司的杠桿率。它描述瞭公司償還債務的能力，或者我們可以說公司必須管理其當前業務多長時間才能償還當前債務。通常要求較低的價值，因為它表明公司有能力產生現金和償還債務。
債務與資產比率（D/A 比率）
債務與資產比率是通過將債務除以公司的總資產來計算的，該比率用於瞭解公司的資產中有多少是由債權人提供資金的。較低的比率表明公司能夠為未來可能出現的新機會自籌資金。
基本面分析也用於計算公司的內在價值。這有助於投資者和交易者識別被低估或高估的公司。因此，他們可以做出相應的決定。
什麼是量化分析？
當使用各種統計技術和其他數學模型進行某些分析或過濾時，這種分析稱為量化分析。它可用於識別滿足某些條件的股票。這些條件可以是一些數學方程或過濾器。
最終目標是將可用信息量化為數值，以促進決策制定。在這種分析中，人們使用各種財務比率並將它們輸入模型，該模型具有預定義的步驟，利用統計技術或數學公式並給出所需的輸出。
為什麼要使用基本數據制定量化交易策略？
納斯達克追蹤各行業的 3300 多隻股票。但這裡的問題是：
根據 Fama 和法國教授在因子投資方面撰寫的一篇論文，我們知道，從長遠來看，與其他公司相比，價值公司的表現更加一致。但與此同時，公司的基本實力也出現瞭一個問題。
所以問題是，
這一戰略能夠為我們提供一組與前幾個季度相比表現更好的公司，並且與同行相比也相對被低估。
正如我們所知，在 Covid-19 大流行之後，一些公司在沒有任何進一步通知的情況下一夜之間停止運作。因此，我們需要選擇具有良好基本面支持（例如現金儲備）和強大利潤率的公司，以應對市場的這種起起落落。
如何制定量化策略？
配方分為兩部分：
- 評估一傢公司與同行的對比。
- 與自己評估公司過去的業績。
對一傢公司與同行的評估
- 納斯達克排名前 14 的科技股是按市值選擇的。
- 下面列出的比率用於評估該公司與其他公司的對比。
- 市盈率（市盈率）
- 市賬率（市賬率）
- 企業價值與銷售比率（EV/銷售比率）
- 債務權益比率（D/E 比率）
- 凈債務與 EBITDA 的比率。
- 債務與資產比率（D/A 比率）
為瞭從公司中得出價值因素，我們采用這些比率的倒數。
在取這些比率的倒數之後，我們將取這些比率的 Z 分數。Z-score 背後的基本原理是將比率標準化並消除任何偏差，然後評分算法將用於計算公司的最終得分。
得分越高，相對於同行而言，它的價值就越被低估。
評分算法：編碼懲罰算法，其參考取自“ S&P Value bse Factor indices Paper ”，如果 Z-score 大於 0。則將 1 添加到分數，如果為 0，則用 1 代替。小於 1 的地方，用公式 1/(1-z) 給予懲罰。
我們使用瞭基本分析包的“key_metrics”函數，因為它也返回瞭前一年的比率。列出的片段顯示瞭比率的檢索。
對照公司以往的業績評估一傢公司
我們在同行中比較瞭這些公司。現在，我們將這些公司與他們過去的季度業績進行比較。我們將參考“臺灣國立政治大學陳宏毅和美國羅格斯大學李誠福”的學術論文，計算F-score（Max, Min）和G-Score
(Max) 進行公司內部分析。使用相同的基本分析包，我們還提取瞭前一年的比率。
- F-score(max) 使用的比率必須隨著研發與收入的增加而逐季增加，以展示公司的創新能力。流動比率（流動資產與流動負債）必須增加，以便公司可以用現金、存貨和應收賬款清償其流動負債。
- F-score(min) 使用必須從一個季度到另一個季度減少的比率。
- G-score(max) 使用必須再次增加的比率，但這些比率更關註現金水平和凈收入。
可以對比率進行任何添加以使分析更加全面和強大，但必須註意比率的相關性以避免對模型進行不必要的添加。
現在，用於對公司進行排名和評分的條件是：
- 如果 F-score (max) 和 G-score (max) 的季度變化大於 0，那麼在那個地方已經給出瞭 +1。如果它小於 0，則 -1 作為懲罰。
- 對於變化小於 0 的 F 分數（min），則在該位置給出 +1。如果變化大於 0，則給予 -1 作為懲罰。使用此方法是因為 F-score(min) 需要逐季減少。
這個分數包含瞭公司相對於同行的表現以及它自己之前幾個季度的表現。得分高的公司是前 5 個季度表現較好的公司，與同業相比被相對低估。
因此，我們可以根據需要或多或少地選擇前5名的公司並對其進行投資。我們確信，與同行和過去幾年相比，前 5 傢公司的基本面是健全的。這種方法可以擴展到整個行業，以獲得各自行業中表現最好的公司。
回測結果
我們現在已經制定瞭選擇那些基本面良好並且在上一個財政年度表現良好的公司的策略。現在，我們對一組公司應用相同的策略，但逐年進行，然後在全年中擔任職位，然後在每年年初重新選擇這些公司。為方便起見，我們將采用稱重方法等權重。
列出的片段顯示瞭從包的存儲庫中檢索數據並根據 Z 分數逐年對其進行排名。下一步是計算 F 和 G 分數並對公司進行排名，然後在其中擔任職位。
以下片段顯示瞭公司每年的累積分數。
上面的代碼片段顯示瞭量化策略回報的計算以及公司根據得分進行的再平衡。前 6 傢公司已被選中做多，並計算瞭回報序列。選擇6個以避免任何一傢公司的過度集中，並保持分配最高為16.66%，但可以相應更改。
您可以根據他們的分數看到我們投資的公司的名單，而分數每年都在變化。所以據此，我們改變瞭公司。
對比納斯達克的策略表現
現在讓我們對照基準“納斯達克”來回顧該策略的表現。
上圖顯示瞭我們剛剛制定的量化策略的月收益，開始時間為 2017 年 1 月至 2020 年 12 月。使用瞭顏色編碼。
在圖表旁邊添加瞭一個顏色索引，用於為月份提供顏色。回報率低於 10% 的月份被賦予紅色，然後隨著回報率接近 15% 的數字，顏色的強度逐漸增加。
結論
正如我們所看到的，投資組合的表現優於基準，並且在累積財富方面也優於基準。所以，我們可以說這個量化策略運作良好。
可以對這個策略做更多的補充，比如使用技術分析，在選擇基本面好的公司來過濾那些也有動力的公司之後。
我們還可以使用 GMV 優化器或 MSR 優化器來權衡公司以獲得更好的性能，並使投資組合得到很好的優化。
來人工智能量化平臺-BigQuant實踐：