投研策略的基本概念：从观点到可执行规则

普通投资者谈股票研究，最常见的困扰并不是“信息不够”，而是“信息无法转化为可重复的决策”。你可能读完一份研报，得到“公司长期看好”的观点，却仍不知道下一步该做什么：现在买还是等回调？买多少？跌了怎么办？什么时候卖？如果这些问题只能靠临场直觉回答，那么所谓“研究”很容易退化为情绪与叙事的竞赛。本章的目标，是把“观点”压缩为一组可执行、可检验、可复盘的规则框架，让研究成为行动的输入，而不是行动的装饰。

一、从“观点”到“规则”：可执行性为何是投研的第一门槛

在证券市场中，“正确的观点”与“赚钱的交易”之间存在明显的断裂。原因并不神秘：观点往往是对长期均值的判断，而交易结果取决于路径（价格如何波动）、约束（资金、期限、承受能力）与执行成本（交易费用、滑点、冲击）。因此，面向普通投资者的投研策略框架必须回答三类问题：

1. 决策函数：在什么信息条件下采取什么行动？行动强度是多少？ 2. 风险约束：在不利情形下，最大可承受损失是多少？如何触发降风险？ 3. 评估与迭代：策略是否真的有效？无效时是“假设错了”还是“执行错了”？

换言之，本书所说的“投研”不是写作能力的竞赛，而是把不确定世界中的信息，转化为一套可运行的决策程序。

二、核心概念界定：投研、策略与系统

为避免概念混用，本节给出三个关键词的工作定义，并强调它们的边界。

2.1 “投研”：提出可检验、可证伪的解释

“投研”（投资研究）可以被视为一种应用科学活动：针对资产价格形成机制提出假设，并用证据支持或反驳。其产出不是一句“看好/不看好”，而是可检验的命题，例如：

• “当某行业景气度指标上行时，该行业在未来 $3\sim6$ 个月相对收益为正的概率上升。”
• “高自由现金流收益率（FCF Yield）组合在控制行业与规模后，具有显著超额收益。”

这里的关键是可证伪性：如果未来数据持续与命题相反，我们必须承认假设失败，而不是用更复杂的叙事补丁修补。

> 侧边栏（概念提醒） > 研报常用“逻辑闭环”“确定性”等表达，但若缺少可检验的量化定义，就很难进入复盘流程。对普通投资者而言，“能复盘”通常比“听起来更有道理”更重要。

2.2 “策略”：把假设转为决策规则（从解释到操作）

“策略”是在给定信息集下生成交易决策的规则集合。用更形式化的表达：在时间 $t$，市场信息为 $I_t$，策略是一个映射 $$ f: I_t \rightarrow w_t, $$ 其中 $w_t$ 是组合权重向量（也可扩展为买卖指令、目标持仓、限价等）。策略至少应明确：

• **信号如何计算**（输入与处理）
• **仓位如何生成**（从信号到权重）
• **风险如何约束**（触发条件与动作）
• **何时再平衡与如何交易**（执行细节）

策略的本质是“把研究命题固化成规则”，从而降低临场情绪对决策的一致性破坏。

2.3 “系统”：让策略在现实中可重复运行（从规则到工程）

“系统”指承载策略运行的完整流程与基础设施，包括但不限于数据获取、指标计算、下单执行、风控监控、记录与审计。即使你不写代码，依然可以用表格与清单构建“手工系统”。系统解决的是两类现实问题：

• **一致性问题**：同样条件下能否做出同样决策？
• **可追溯问题**：每笔交易是否能解释“为何当时这样做”？

> 注释：本书将“策略”视为规则集合，将“系统”视为策略运行的生产线。二者常被混用，但在复盘时必须分开：亏损可能来自策略无效，也可能来自系统执行偏差（漏信号、滑点过大、未按纪律减仓等）。

三、研究对象 vs 决策对象：不要把“好公司”直接等同于“好交易”

普通投资者常把“研究对象”和“决策对象”混为一谈：研究一家好公司，然后直接买入并长期持有。问题在于，研究对象决定你看什么；决策对象决定你怎么做。二者之间需要明确的映射，否则研究无法落地。

3.1 研究对象的四类典型视角

1. 公司（微观）：商业模式、竞争壁垒、财务质量、治理结构、资本开支与现金流。 2. 行业（中观）：供需格局、景气周期、政策约束、价格传导与库存周期。 3. 因子（横截面）：价值、质量、动量、规模、低波、盈利预期变化等可跨公司比较的特征。 4. 宏观变量（顶层）：利率、通胀、汇率、信用周期、流动性与风险偏好。

上述对象并无高下，关键在于：你选择的对象决定你可获得的证据类型与适用的持有期限。宏观变量往往对行业与风格有效，但对单只股票的择时解释力有限；公司基本面更适合中长期，但也需要估值与预期的“入口条件”。

3.2 决策对象：持仓、权重与交易时点

把研究落到投资组合，至少要对三件事做出规定：

• **持什么**：标的集合（单只/行业/ETF/多资产）。
• **持多少**：权重或仓位（满仓、分层、动态加减）。
• **何时动**：买卖触发条件（定期再平衡/事件触发/止损止盈/风险触发）。

“看好公司”最多解决了“持什么”的一部分，并没有解决“持多少”和“何时动”。而后两者往往决定了回撤、资金占用与最终体验。

3.3 从研究到决策的映射：一个可操作的模板

建议用一句话把映射写清楚：

> 当（信号条件）满足时，以（仓位规则）持有（标的），并在（风险/退出条件）发生时调整或退出。

例如：“当ROE稳定且估值处于历史分位数低位时，以分三次建仓方式买入，单票上限 10%，若基本面恶化或组合回撤超过 12% 则降仓。”

这类表达天然可复盘：每个括号都对应数据与规则。

四、“假设—证据—结论—行动”闭环：把研究变成可迭代的过程

投研策略的核心不是一次性“找到圣杯”，而是建立可反复运行的学习回路。本书采用“假设—证据—结论—行动”的闭环结构。

```mermaid graph TD H[假设 Hypothesis<br/>机制+可检验命题] --> E[证据 Evidence<br/>数据/案例/统计检验] E --> C[结论 Conclusion<br/>有效范围与不确定性] C --> A[行动 Action<br/>信号/仓位/风控/执行] A --> R[结果 Result<br/>收益/回撤/成本/偏差] R --> U[更新 Update<br/>修正假设或参数] U --> H ```

4.1 假设：明确“机制”与“边界条件”

高质量假设至少包含两部分：

• **机制解释**：为什么会产生超额收益？是风险补偿、行为偏差、制度摩擦还是信息优势？
• **边界条件**：在什么市场环境、什么持有期、什么交易成本条件下才可能成立？

例如，“动量有效”常被解释为信息扩散与行为惯性，但在极端反转环境、流动性冲击或监管政策急变时可能失效。边界条件写清楚，才能避免把阶段性有效误判为结构性规律。

4.2 证据：区分叙事证据与统计证据

证据大致分两类：

• **叙事证据**：产业链调研、公司公告、管理层行为、订单与渠道反馈。优点是贴近机制；缺点是样本小、易受确认偏误影响。
• **统计证据**：回测、横截面回归、事件研究、因子IC/IR等。优点是可重复；缺点是容易被数据挖掘与过拟合污染。

对普通投资者而言，一个实用原则是：用叙事提出假设，用统计做初筛，用后验复盘做压力测试。当统计与叙事冲突时，优先检查定义与样本偏差，而不是立刻“二选一”。

[^1]: 常见数据挖掘陷阱包括：幸存者偏差、前视偏差、样本外失效、多重检验（p-hacking）、交易成本忽略等。本书后续章节将系统讨论回测偏差与防护方法。

4.3 结论：从“对/错”转为“概率与条件”

投资结论不应是二元判断，而应包含：

• **期望收益**与**不确定性**（波动、置信区间、胜率）
• **适用范围**（市场状态、行业特征、资金规模）
• **失效信号**（何时认为逻辑被破坏）

即便无法严格估计概率，也应给出“相对排序”和“风险上限”。例如：“本策略在低利率、风险偏好回升阶段更可能有效；若信用利差快速走阔，则降低仓位。”

4.4 行动：把结论写成“能执行的五元组”

行动不是“买入/卖出”四个字，而是一个五元组：

1. 信号（Signal） 2. 仓位（Position Sizing） 3. 风控（Risk Control） 4. 执行（Execution） 5. 评估（Evaluation）

本章第 5 节将逐一展开。

4.5 反馈与迭代：区分“策略误差”与“执行误差”

亏损出现后，先回答两个问题：

• **策略误差**：假设本身无效或边界条件不满足（例如行业景气反转）。
• **执行误差**：策略有效但执行偏离（例如未按规则减仓、交易成本超预期、数据更新延迟）。

建立交易日志（信号值、下单原因、偏离说明）是区分两者的最低成本方法。

五、可执行策略的五个必要要素（信号、仓位、风控、执行、评估）

5.1 信号：把信息压缩成可比较的数

信号是驱动交易的核心变量，通常满足三点：可计算、可比较、可更新。常见信号形式包括：

• **阈值型**：如“PE 分位数 < 30% 且 ROE > 15%”。
• **排序型**：如“每月买入质量因子排名前 20% 股票”。
• **打分型**：多指标加权得到综合评分。

信号设计的一个关键选择是“快变量”与“慢变量”：

• **慢变量**（基本面质量、估值分位等）更新频率低，适合低换手与中长期持有。
• **快变量**（价格动量、资金流、事件冲击）更新快，适合更频繁交易，但对执行与成本更敏感。

对普通投资者而言，优先从慢变量入手，往往更可控。

5.2 仓位：把“看好程度”转为“资金分配”

仓位规则决定策略的风险暴露方式。常见做法：

• **固定仓位**：如长期 80% 股票 + 20% 现金/债券（适合资产配置型）。
• **分层仓位**：信号越强，仓位越高（如 0/30%/60%/90% 四档）。
• **风险预算**：按波动或回撤目标分配权重（如等风险、波动目标）。

一个可操作的仓位函数例子： $$ w_i = \frac{\max(s_i,0)}{\sum_j \max(s_j,0)},\quad w_i \le w_{\max} $$ 其中 $s_i$ 为打分信号，$w_{\max}$ 为单标的上限，用于防止集中度失控。

> 侧边栏（直觉解释） > 信号回答“更想买谁”，仓位回答“愿意为这个判断承担多少波动”。两者不应混用：优秀的研究也可能因为仓位过大而在短期波动中被迫止损出局。

5.3 风控：提前写下“最坏情况如何处理”

风控不是事后安慰，而是事前承诺。建议把风控拆为三层：

1. 组合层：最大回撤阈值、波动目标、权益仓位上限。 2. 标的层：单票上限、止损/基本面退出条件、流动性约束。 3. 情景层：系统性风险（流动性收缩、黑天鹅）下的降杠杆或提高现金比例规则。

最大回撤定义为： $$ \mathrm{MDD} = \max_{t}\left(1-\frac{V_t}{\max_{u\le t} V_u}\right), $$ 其中 $V_t$ 为组合净值。普通投资者更容易用回撤管理体验，因为它直接对应“账户从高点最多跌了多少”。

5.4 执行：把理论收益转化为可实现收益

执行至少包含：

• **交易频率**：日/周/月再平衡，或事件触发。
• **交易方式**：市价/限价、分批成交、避免开盘收盘极端波动时段。
• **成本假设**：佣金、印花税（如适用）、滑点、冲击成本。
• **可交易性**：停牌、涨跌停、流动性不足的处理规则。

对高换手策略而言，执行往往决定成败；对低换手策略而言，执行主要决定“是否严格遵守纪律”。

下面给出一个“规则化执行”的伪代码示例（便于你用表格/脚本实现）：

```python def rebalance(signal, portfolio, date): targets = select_universe(signal, date) # 选股/选行业 weights = position_sizing(signal, targets, date) # 生成目标权重 weights = apply_risk_limits(weights, portfolio) # 单票/行业/组合约束 orders = generate_orders(portfolio, weights) # 目标持仓 -> 买卖指令 orders = apply_execution_rules(orders) # 分批、限价、流动性过滤 return orders ```

5.5 评估：用指标回答“是否值得继续”

评估要避免“只看收益率”。至少包含四类指标：

• **收益类**：年化收益、超额收益、收益稳定性。
• **风险类**：波动率、最大回撤、尾部损失（如极端日收益）。
• **效率类**：夏普比率

$$ \mathrm{Sharpe}=\frac{E[R_p-R_f]}{\sigma(R_p-R_f)} $$ 以及信息比率（相对基准的超额/跟踪误差）。

• **实施类**：换手率、交易成本占比、容量（资金规模放大后是否还能做）。

此外应进行样本外检验（用未参与参数选择的数据段验证）与压力测试（加入更高成本、延迟执行、极端行情等假设）。

六、三个案例：把研究写成策略（从“会讲”到“能做”）

本节用三个风格不同的案例展示如何将“研究对象”映射为“决策对象”，并落到五要素上。案例不追求某一特定市场的永久有效性，而强调表达的规范性与可复盘性。

案例一：质量 × 估值的“慢变量”策略（公司/因子视角）

研究命题（假设）：在长期中，高质量公司（盈利能力强、现金流健康、杠杆适度）若处于相对合理或偏低估值区间，未来获得超额收益的概率更高；其机制可解释为“优质资产稀缺性 + 预期修复”。

证据思路：用历史财务数据构造质量指标（如ROE、毛利率稳定性、经营现金流/利润），用估值分位（如PE/PB相对自身或行业历史分位）构造估值约束；回测对比市场基准并加入行业中性/规模控制。

可执行规则（示例）：

1. 信号

• 质量分数：$Q = 0.5\cdot \mathrm{ROE} + 0.3\cdot \mathrm{OCF/NI} + 0.2\cdot (1-\mathrm{DebtRatio})$（标准化后加权）
• 估值分位：$V=\mathrm{Percentile}(\mathrm{PE},\ 5\text{年})$
• 入选条件：$Q$ 位于全市场前 30%，且 $V<40\%$。

2. 仓位

• 等权持有入选股票，单票上限 10%，行业上限 30%。

3. 风控

• 组合回撤超过 12%：权益仓位从 100% 降至 70%；超过 18%：降至 50%，并暂停新增标的一个再平衡周期。
• 单票出现基本面恶化（如连续两期经营现金流显著转弱）：移出。

4. 执行

• 月度再平衡；分两天完成调仓以降低冲击。
• 成本假设：双边交易成本 0.2%（可按自身实际调整）。

5. 评估

• 对比基准（如宽基指数）超额收益与信息比率；
• 统计换手率与成本占比，确认收益不是被频繁交易“吃掉”。

普通投资者的要点：这类策略的优势在于“更新慢、规则清晰、交易频率低”，更适合有限精力与较小资金规模；其主要风险在于风格轮动（质量溢价阶段性失效）与估值陷阱（低估值来自结构性恶化）。

案例二：行业景气轮动（行业/宏观视角）

研究命题（假设）：行业相对收益与景气度变化存在领先—滞后关系；当景气指标改善且流动性环境不恶化时，行业配置能提升风险调整后收益。

证据思路：用可获得的景气代理变量（PMI分项、价格指数、库存周期、行业营收增速、盈利预期修正等）构建“景气变化率”，并与行业指数未来收益相关性/回归检验。

可执行规则（示例）：

1. 信号

• 对每个行业计算景气动量：$S=\Delta(\text{盈利预期}) + \Delta(\text{产销/价格指标})$（标准化后相加）。
• 宏观过滤：若信用利差显著走阔或无风险利率快速上行，则降低轮动幅度（避免在风险偏好下行期过度冒险）。

2. 仓位

• 持有信号排名前 3 的行业ETF（或行业指数基金），等权或按信号强度加权；单行业上限 40%。

3. 风控

• 若行业相对收益连续两次再平衡周期为负且信号转弱，则退出；
• 设置组合波动目标（例如年化 15%），通过调整权益总仓位实现。

4. 执行

• 双周或月度再平衡；采用ETF以降低个股非系统风险与信息处理负担。

5. 评估

• 评估换手与成本对收益的侵蚀；
• 重点观察“极端行情下是否更抗跌”，避免只在顺风期表现好。

普通投资者的要点：行业轮动的难点不在“讲逻辑”，而在“信号可获得且可更新”。如果你无法稳定获取景气数据，策略会退化为追涨杀跌的叙事轮动。因此建议优先使用公开、可追溯、更新频率明确的数据源，并把“宏观过滤”写成规则而非感觉。

案例三：公司事件驱动（公司/制度摩擦视角）

研究命题（假设）：某些公司事件（回购、股权激励、高管增持、重大合同等）在信息披露后仍可能存在价格漂移（post-event drift），原因包括信息消化不充分、投资者注意力有限与交易约束。

证据思路：做事件研究（Event Study）：以公告日为 $t=0$，观察 $[0,20]$ 或 $[0,60]$ 交易日窗口内的超额收益分布，并控制市场/行业因子。

可执行规则（示例）：

1. 信号

• 事件触发：披露“回购预案/实施进展”且规模满足阈值（如回购金额占市值比例超过 1%）；
• 过滤：剔除流动性过差、公告频繁但执行率低的公司。

2. 仓位

• 事件发生后次日开盘后买入（避免公告后集合竞价极端波动），单票 3%—5%，多事件分散持有。

3. 风控

• 固定持有期（如 20 个交易日）或信号失效退出（回购终止、执行不及预期）；
• 单票止损（如 -8%）与组合回撤阈值联动。

4. 执行

• 采用限价/分批，避免追高；
• 明确“不可交易”处理（涨停买不到则放弃，不追单）。