2024年当DDM遇上概率论，新基本面量化框架

1、 21 世纪 20 年代后，传统 DDM 框架大势研判多次失效

自 2010 年以来，以 DDM 框架为基础、超预期理论为分析手段的策略框架逐渐 成为了市场上的主流大势研判框架。这个框架在过去的 20 年间确实给以公募基金和 保险资金为代表的机构投资者创造了超额收益。但是进入 21 世纪 20 年代后，我们 发现 DDM 三要素框架出现了 2 次典型的失效：（1）2021 年 2 月末及其后的市场；（2） 2023 年下半年至 2024 年 2 月初。为什么会出现这样的情况？市场发生了怎样的变化？ 作为投资者应该怎样应对？

1.1、 DDM 框架是传统策略在大势研判上的核心理论基础

化繁为简：DDM 三因素——（1）企业盈利；（2）无风险利率；（3）股权风险 溢价。策略本质是 DDM 贴现模型，核心思路是识别某一阶段的主导变量，并把握 对主导变量的“预期差”。虽然市场的驱动变量繁多，但根据 DDM 模型，可简化为 分子端的企业盈利、分母端的无风险利率和风险偏好。 DDM 框架从 2003-2020 年一直都在 A 股的大势研判分析之中行之有效。不同时 期，市场定价的核心矛盾是在分子端“企业盈利”，还是分母端“贴现率”？驱动要 素一直在转变： （1）2003-2012 年，“美林投资时钟”是主导 A 股策略的关键，DDM 三因素中 对股价的核心驱动因素是企业盈利。 （2）2013-2015 年，受益于流动性泛滥下的贴现率下行，A 股进入“水牛”阶 段，DDM 三因素中对股价的核心驱动因素转变为无风险利率。 （3）2016-2018 年，实体供给侧改革+棚改货币化对盈利强支撑，随后的贸易摩 擦则显著影响风险偏好，DDM 三因素中对股价的核心驱动因素为企业盈利与风险偏 好。 （4）2019 年以来，在金融供给侧改革深化和贸易摩擦淡化的影响下，DDM 三 因素中对股价的核心驱动因素再次回到估值端的无风险利率和风险偏好。

1.2、 但进入 21 世纪 20 年代后，DDM 三要素框架出现多次失效

但是进入 12 世纪 20 年代后短短三年多，DDM 三要素框架出现了多次典型的阶 段性失效—— （1）2021 年 2 月末，前期市场最为占优的核心资产风格出现快速回调，市场 出现了并无显著利空而股价剧烈调整的情形。彼时沿用传统 DDM 三要素框架无法 解释并展望市场——核心原因是“市场微观结构理论”主导了当时的市场。2021 年 市场的交易结构过分拥挤导致市场风格发生了极致的切换，“A 股前 5%成交额个股 的总成交额占全部 A 股成交额占比”突破 45%的阈值后 A 股从前期极致大盘风格切 换为极致小盘风格。 市场上没有出现利空时，股价为什么会剧烈调整呢？原因通常在于市场微观结 构出现了问题，更进一步看，则往往是源于理性投资者和噪音投资者在交易上的趋 同。在资产定价理论中，根据行为和心理层面因素，投资者被分为专业的理性投资 者和业余的非理性投资者（也称噪音投资者）。而根据有效市场理论，即使市场中存 在非理性的投资者，其非理性投资行为对市场价格的扰动也可以通过套利行为消除。 正是不同类型投资者的天然分歧使得股票市场交易较为分散，进而在不断的博弈过 程形成股票市场的“有效”价格。但当理性和非理性投资者之间的分歧减小，交易 行为逐渐趋同时，市场平衡被打破，交易环境出现非正常的“拥挤”，股票价格偏离 内在价值，市场微观结构恶化，进而导致市场出现显著的反转或风格切换。

（2）2023 年下半年至 2024 年 2 月初，则是基于 DDM 三要素框架下的预判能 力失效。2023 年 7 月政治局会议后，有诸多声音认为“政策底”已至，A 股即将迎 来触底；期间 DDM 三要素中分子端盈利和分母端流动性的确定性较高——国内基本 面稳中向好、国内流动性持续较为宽松、海外流动性整体处于改善、全球无论是新 兴市场还是发达市场的权益均表现突出。站在彼时，根据传统 DDM 三要素框架分析， 市场至少不应该出现大幅的杀跌。 但此时 DDM 三要素框架下的分母端国内风险偏好出现了非线性的波动——政 策预期和经济预期出现较大的波动，同时市场微观结构（如做空机制等）发生了较 大变化。传统 DDM 三要素框架的重要应用假设是对三要素预测的准确性，而 2023 年下半年至 2024 年 2 月初风险偏好的非线性的大幅波动下，传统 DDM 三要素框架 的预判准确性大幅降低，虽市场表现出现后回顾时依然可用 DDM 三要素框架复盘， 但由于预判能力的大幅降低导致投资者无法对于未来市场进行判断，DDM 三要素框 架的展望能力阶段性失效。

近期 DDM 框架指引模糊的反思—— 传统策略 DDM 框架三要素研判的基础：在过去的 20 年间，A 股投资非常依赖 对于未来的预测。2003-2020 年期间，经济增长的确定性、政策的确定性、外部环境 稳定性，带来了对未来政策和经济走向预测的方向性和准确性相对较高，因此传统 基于 DDM 三要素下的大势研判、行业比较的方法胜率高，综合来看确实能够获得超 额收益。 但是现在我国进入了新的常态，中国面临新的发展范式——（1）资产负债表的 调整（地产、地方债务）、（2）人口趋势的变化、（3）经济发展的目标转变为高质量 发展、（4）外部环境的快速变化（中美 G2、全球民粹主义、俄乌冲突等）、（5）全 球的脱钩（产业链脱钩、金融脱钩）等等。 在中国的新发展范式下，DDM 三要素研判预测的重要基础——经济增长的确定 性、政策的确定性、外部环境稳定性——遭到了破坏，各要素交织下的复杂化程度 提升，对于未来预测的准确性下降，传统大势研判、行业比较的胜率受到显著的冲 击。举个例子，投资者在 2023 年最典型的感受是，基于对未来政策预测下的投资正 确率显著降低：2023 年自上而下各类事件和要素带来的资本市场冲击很大，无论是 传统的 DDM 自上而下框架还是单纯的自下而上微观框架，均很难带来稳定的超额收 益。

有趣的是，如果套用在德州扑克上，过去传统的 DDM 自上而下研判框架的主 要精力集中在研判“未来有可能会发什么牌”；但是随着影响要素的增多和互相交织、 对未来预测的准确性下降，你越来越难预测未来会发出什么牌；而分析“手上有什么 牌”、“桌上有多少筹码”的重要性上升。这个时候，你能提高投资收益的方式是进一 步构建基于现有信息的【概率论】框架——DDM 自上而下框架更类似于【因果论】， 其分析方法更倾向于“先故事，后数据”，先从逻辑判断的角度出发预测方向，再通 过各类指标进行标的资产的选择；而基于“概率论”的分析方法则更倾向于【先数 据，后故事】，先从概率论特征的角度筛选更高胜率的资产范围，再根据主观逻辑判 断精筛标的资产。当【因果论】方法出现瑕疵，我们需要用【概率论】进行进一步 补充和完善投资框架。

1.3、 新发展范式下 DDM 大势研判框架的调整

既然传统 DDM 框架在过去 3 年当中出现了多次的失效，我们是否应该就此舍弃 “DDM 框架”？ 答案是否定的。 在本文中，我们将【概率论】与 DDM 框架有机结合，构建了以 DDM 框架为基 础，【胜率-赔率】视角下的股债跨资产配置体系——开源策略【新基本面量化框架】， 回溯该框架自 2004 年至今的应用表现，效果非常突出：

（1）在宽基指数投资中运用开源策略【新基本面量化框架】，相较原策略均实 现了四大维度的改善：提升年化收益、降低组合波动、降低组合回撤、提高组合夏 普比率；

（2）进一步结合高收益权益选股策略，开源策略【新基本面量化框架】能够实 现收益能力的进一步提升，甚至能实现 2010 年以来“每年均实现正收益”的效果。 尤其是与我们独创的“3 大优化的高股息”、“8 大净利润断层”策略结合后，在持仓 感受上有质的飞跃。

2、 新 DDM 三要素大势研判：新基本面量化框架

我们的一个粗浅理解是，基于因果论的自上而下决策存在 2 个问题——其一是 结果的推断高度依赖未来预测的准确性；其二是推理链条越长，容错率越低。而前 面我们提到，不确定性的持续提升带来了未来可预测性的下降，这进一步提升了 DDM 框架的研判难度，降低其可适用性。我们认为，对 DDM 框架引入【概率论】 的思路框架改进的一个有效方向，即将【胜率-赔率】视角引入 DDM 框架——以 DDM 框架逻辑为引，以【胜率-赔率】的基本面量化思路为方，构建全新股债择时框架【新 基本面量化框架】。

2.1、 将【概率论】思路嵌入 DDM 框架

我们以 DDM 框架的逻辑为引，指引模型构建的思路，以【胜率-赔率】的基本 面量化思路为方，将【概率论】思路嵌入 DDM 框架。从逻辑的视角，DDM 框架是 比较全面的：分子端盈利考虑的是资产的内在本质，即资产当前与未来的收益能力； 分母端贴现率作为整体代表的是影响资产价格的外在因素，包括估值、流动性、风 险偏好等。我们基于 DDM 框架构建股债择时框架，极简核心思路是：在赔率“较 为便宜”，且胜率较高的阶段，重仓权益资产；而在赔率“较贵”或胜率较低阶段， 重仓债券资产。 从框架的实施上，我们分为三步走：第一步通过“赔率”框架决定一个适合当 下的基准持股比例；第二步则是基于这个基准持股比例，通过“胜率”研判在当前 赔率基础上是应该进一步加仓还是进一步减仓：即测算出一个调整系数；第三步则 是将基础持股比例与调整系数相乘，获得最终建议的仓位比例——

步骤 1：由赔率决定基准持仓比例：由于估值决定了投资组合的未来收益空间， 所以我们主要基于 DDM 分母端的估值信息划分赔率，并以此确定基准持仓比例，在 赔率“较为便宜”但又非“极端便宜”阶段，高仓位持有权益资产，否则低仓位持 有权益资产。 步骤 2：由胜率决定权益调整系数：单一赔率框架的构建往往容易忽略市场环境 的变迁，结合 DDM 三要素信息，分子端的盈利状况和分子端的流动性也是考量跨资 产配置的重要因素，由两者共同得出的权益调整系数能够有效辨别投资组合的胜率， 在胜率表现较好，即上涨概率更高时期，上调权益仓位，反之则下调权益仓位。步骤 3：计算当下建议的仓位比例： 当下持股比例=基准持股比例*权益调整系数； 当下持债比例=1-当下持股比例。

2.2、 步骤 1：赔率框架——基准持仓比例

我们的第一步是用赔率设置出一个基准的持股比例——最简单的逻辑，自然是 当股票越便宜、赔率越高的时候，我们应该以更高的仓位比例持有股票。 具体指标上，我们综合运用两大指标反映 A 股整体赔率位置：Wind 全 A 的股 权风险溢价（ERP）和股息率分位数： （1）ERP=1/PE-10 年期股权风险溢价 （2）股息率=分红比率/PE

无论是 ERP 还是股息率，均包含了 PE 估值，但又不仅仅包含 PE 估值：（1） ERP 可以看做“股市的潜在预期回报率”与“债市的回报率”之差，是股债性价比 的极佳指标；（2）股息率则是考量了现金分红的幅度与估值的比例。 在具体的操作时，我们还挖掘到了一个与投资者直觉相反的点：在绝大多数时 候，股票越便宜时，确实应该持有更高的股票仓位；但是当股票处在极端便宜的区 间时，我们却应该谨慎小心。通过历史行情的复盘，我们发现：大多数 ERP 超过 90% 的时期仍为熊市末期，指数下探的概率较高，如果此时提升权益仓位对于总收益的 提升极为微弱但会显著加大持仓的波动率、降低组合正收益概率。因此，在处理股 票“极端便宜”的赔率区间时的持仓时，我们认为最低的权益持仓比例是最优的选 择。 为什么会有这样与投资者直觉不相符的现象呢？我们的理解是——磨底的时间 往往很长，市场会在较便宜的位置上震荡下探很久；但离开底部的反转信号一旦出 现，股票向上的趋势很快就会形成，然后以很快的斜率离开底部。这也是部分投资者在熊市中段容易出现的疑惑：明明市场已经处于比较便宜的位置了，为什么增大 仓位冲进去后持股感受却很不好？究其原因，是当股票处于较高赔率区间时，熊市 底部的磨底时间占比往往显著高于上涨的时间占比。

最终，我们对于基准持股比例的设定方法如下： （1）ERP 分位数≤20%，权益资产处于相对高位，设定权益持仓 20%。 （2）20%＜ERP 分位数≤40%，权益资产处于中位偏高区域，设定权益持仓 40%。 （3）40%＜ERP 分位数≤60%，权益资产处于中位偏低区域，设定权益持仓 60%。 （4）60%＜ERP 分位数≤80%，权益资产处于相对低位，设定权益持仓 80%。 （5）80%＜ERP 分位数≤90%，权益资产估值处于底部，设定权益持仓 100%。 （6）ERP 分位数＞90%，权益资产通常趋势向下，设定权益持仓 20%。 股息率分位数根据同样的方法可计算得出一个权益持仓比例，取两者中的小值 为初始权益持仓比例。

2.3、 步骤 2：胜率框架——权益调整系数

我们的第二步是通过胜率的研判，构建权益调整系数，进一步微调权益仓位的 权重。基于 DDM 框架，我们从分子端和分母端两头入手，分别基于胜率逻辑构建 调整系数，最终分子端调整系数和分母端调整系数相乘，得到最终权益调整系数。

（1）分子端调整系数：基于经济周期框架

DDM 模型的分子端是盈利，是决定资产价格的“内生变量”。对于 A 股整体来 说，整体经济周期基本可以映射 A 股盈利周期，因此经济周期框架是分子端盈利的 胜率体现。

我们通过“生产、出口、消费”三大视角去观察经济周期，筛选出“5 大经济 指标”作为观测变量。我们从 30 余个中高频的宏观、中观经济指标中精筛能够全面 反映经济周期，且又能对股票市场价格有强指引的指标，筛选的标准是：①指标要 具有权威性、可靠性；②对相应经济周期领域的景气解释有较强代表性；③无论是 结构上还是总量上，指标对股市有显著影响力；④指标“宜精不宜繁”，尽量在不同 指标的筛选上不要有领域的重合。 在我们的筛选标准下，我们最终筛选出了“5 大经济指标”，作为分子端盈利的 观测变量：PMI、工业增加值同比、社零同比、出口同比、发电量同比。 更具体的，在 5 大经济指标的判断上，我们仅用二维判断法：向好、不向好。 我们认为，经济周期的改善不能仅仅只看单月，需要看到“趋势”，而恰好宏观经济 指标往往具有一定的“趋势动量”。因此，除 PMI 外的 4 个指标的向好判断标准为： 过去 3 个月的移动平均值上行；而 PMI 的向好判断条件除移动平均上行外，还要求 绝对值超过 50。同时，由于模型的更新时间为每个月月底，为避免研究当中出现“先 知假设”的情况，对除 PMI 外的其余指标均做延时一个月处理。

我们根据“5 大经济指标”的向好数量，决定分子端的权益调整系数： ①若向好指标数量 X=0，表示盈利条件基本不满足、盈利端很差，赋系数 0.3。 ②若向好指标数量 X=[1,5]，表示盈利条件趋于改善，赋系数“0.3*X”（eg：X=5， 表示 5 大经济指标均向好，系数为 0.3*5=1.5）。

（2）分母端调整系数：基于货币-信用框架

DDM 模型的分母端贴现率，是影响资产价格的外生变量。我们在前面的赔率框 架中重点考虑了分母端估值以及风险偏好。在胜率框架中，我们重点考虑分母端的 流动性。对于流动性指标的选取，我们主要采用货币-信用框架。货币维度主要观测 两个指标：DR007 与 10 年期国债利率。DR007 代表了银行间市场的质押回购价格， 能够反映央行对三大货币政策工具的使用情况，国债利率则反映了市场资金面的供 求关系，两者分别从狭义和广义维度判断出“价端”的流动性。信用维度主要观测 两个指标：社融存量同比增速和 M1 同比增速。社融代表了实体经济从金融体系所 获得的资金总量；M1 和 M2 则代表了货币的实际供应量，其中 M1 反映了实际购买 力，M2 则等于 M1+储蓄存款，进一步反应了潜在购买力，但相较于 M2，M1 与股 价的相关性更强，因此我们选取社融存量同比增速和 M1 同比增速来判断“量端” 的宽松和收紧。同样，为了避免“先知假设”，对所有指标均做延时一个月处理。我 们根据货币维度的 2 个指标以及信用维度 2 个指标的组合情况给出四个市场组合研 判：货币-信用“双宽”、“宽货币紧信用”、“宽信用紧货币”、货币-信用“双紧”。

若市场处于货币+信用双宽阶段，说明整体流动性正在边际扩张，宏观经济增速 与微观企业盈利有待改善，股票投资的胜率更大，加大权益持仓系数；反之，若处 于双紧阶段，则降低权益持仓系数。 根据货币-信用框架得出的货币信用组合情况，我们得到 3 个维度的分母端权益 调整系数： ①货币-信用“双宽”，表示流动性很宽松，政策利好权益投资，分母端权益调整 系数为 1.3。 ②货币-信用“单宽”，表示流动性略为宽松，分母端权益调整系数为 1。 ③货币-信用“双紧”，表示流动性趋紧，固收投资更为稳定，分母端权益调整系 数为 0.7。 最终权益调整系数=分子端权益调整系数*分母端权益调整系数。

2.4、 步骤 3：确定股票和债券的持仓比例

基于步骤 1 获得的基准权益持仓比例，与步骤 2 获得的最终权益调整系数，我 们可以得到资产配置的方法： （1）权益持仓比例=基准权益持仓比例*最终权益调整系数 （2）债券持仓比例=1-权益持仓比例 注：1、其中权益资产配置 A 股宽基指数或各类股票策略，债券策略选取中债综 合财富指数；2、若权益持仓比例计算结果大于 1，则取 1，即全部配置权益资产。 我们按照权益持仓比例，将对 A 股的观点分为五档： （1）若权益持仓比例位于[0-20%]区间，给予悲观预期。 （2）比例位于[20%-40%]区间，认为较为悲观。 （3）比例位于[40%-60%]区间，给予中性预期。 （4）比例位于[60%-80%]区间，认为较为乐观。 （5）比例位于[80%-100%]区间，给予乐观预期。

3、 【新基本面量化框架】的大势研判效果尤为突出

在构建了基于 DDM 框架的股债择时框架【新基本面量化框架】后，我们将其应 用到大势研判当中。对于股债择时的印证我们分为两个部分—— 第一个部分，我们将新基本面量化框架应用在主流宽基指数和典型风格指数上， 检验本框架在基础大势研判、ETF 投资、宽基指数投资上是否有明显的改进效果。 第二个部分，我们将新基本面量化框架应用在原本就较为成熟的高收益选股策 略当中，进一步检验框架的普适性。 在本章节中，我们重点阐述第一个部分的内容。我们发现，当新基本面量化框 架应用在主流宽基指数和典型风格指数的投资上后，均能够大幅提高年度投资的正 收益率概率，同时大幅降低最大回撤，与此同时还能显著提升年化收益率，最终夏 普比率成倍提升。

3.1、 在 5 大核心主流宽基指数上的应用

将新基本面量化框架应用在 5 大核心主流宽基指数的投资上后，我们发现最大 的收获在于：不仅年度正收益概率大幅提升、最大回撤得到大幅度的改善，与此同 时年化收益率依然能够得到提升，夏普比率至少提升 3.4 倍，从收益和波动上均得 到了明显的改善。 我们将新基本面量化框架应用在 Wind 全 A、上证指数、沪深 300、上证 50、中 证 1000 共 5 个代表性较高的宽基指数上，产生了 4 大方面的效果（自 2004 年以来） —— （1）年度正收益概率大幅提升：5 大宽基指数原本的年度正收益概率在 42.9%-52.4%之间，正收益和负收益的年度大致可以算一半一半；而在应用新基本面 量化框架后，5 个股债跨资产仓位策略的年度正收益概率在 76.2%-90.5%之间，即仅 有少数的年份收益为负。仅仅从这一个方面的优化，已经使得持仓感受得到了非常 明显的提升。 （2）最大回撤幅度大幅度改善：5 大宽基指数原本的最大回撤在 68.6%-71.3% 之间，接近“膝盖斩”；而在应用新基本面量化框架后，5 个股债跨资产仓位策略的最 大回撤在 10.8%-15.8%之间，即优化后的策略最大回撤均不到原本的 1/4。 （3）年化收益率至少提高 3 个百分点：5 大宽基指数原本的年化收益率在 3.6%-8.7%之间，而在应用新基本面量化框架后 5 个指数的年化收益率至少提高 3 个 百分点。 （4）夏普比率至少提升 3.4 倍：由于年化收益和波动率的双重优化，应用新基 本面量化框架后 5 大宽基指数的夏普比率从原本的 0.14-0.29 区间上升至 0.76-0.98， 至少提升了 3.4 倍。

4、 进一步拓展普适性——构建有望实现每年正收益的策略

在上一章节中，我们在宽基指数上应用新基本面量化框架，实现了非常显著的 大势研判效果。我们进一步研究新基本面量化框架的普适性，研究其与更细分的高 收益选股策略结合后，是否能够继续起到效用。 在本章中，我们将新基本面量化框架与我们开源策略重点高收益选股策略【3 大优化的高股息】和【8 大净利润断层】进行结合，检验其在股债择时能力上的普适 性。我们发现，对于高收益选股策略来说，运用新基本面量化框架最大的贡献在于： （1）大幅降低最大回撤；（2）大幅提升年度正收益概率甚至达到每年收益均为正的 效果；（3）进一步大幅提升高收益选股策略的夏普比率。

但与宽基指数投资不同的是，新基本面量化框架运用在宽基指数投资当中时， 还能够进一步提升年化收益率；但当股债择时框架运用在高收益选股策略中时，年 化收益率有一定的回落，但最终的年化收益率相对 Wind 全 A 和偏股混合基金依然 具有显著的优势。我们认为这是合理的结果：高收益选股策略本身的高收益率来源 于对市场 Beta 的优化以及利用市场波动创造的超额 alpha，更简单粗暴地说其高收益 的来源是市场的波动；而股债择时框架的重要作用是帮助投资者尽量回避市场 beta 的下行波动，这会对冲高收益策略通过波动获得的收益。但需要强调的是，股债择 时框架应用在高收益选股策略上的最终效果依然非常突出，能够实现非常高的投资 性价比。 综合以上的实证研究，我们得出的结论是：新基本面量化框架无论在宽基指数 投资，还是与其他选股策略结合时，均能够大幅改善持股感受，显著提升投资性价 比。

4.1、 与【优化的高股息】结合：实现 100%年度正收益

我们对传统高股息策略进行了“取精华、去糟粕”，构建了三大优化的高股息组 合：高股息 100、中特估高股息 20、高股息 20（组合表现见下图）。三大优化的高 股息组合的核心特征是： （1）高股息 20：适合追求绝对股息率高的投资者进行配置。组合同时具备“高 股息、高收益、低波动、低回撤”特征。2009 年 9 月以来年化收益率 15%，相对 Wind 全 A 的年度胜率为 81.3%，最大回撤 28.9%。 （2）高股息 100：适合追求更高相对收益和更高胜率，同时对稳定性有要求的 投资者。组合的多样性相对高股息 20 进一步提升，组合弹性显著增强，同时还具备 一定的稳定性。2009 年 9 月以来年化收益率 20.1%，相对 Wind 全 A 的年度胜率高 达 93.3%，最大回撤 34.3%。 （3）中特估高股息 20：适合资金量较大，且对“中特估”持仓有需求的投资 者。组合的资金容纳量大，持仓收益较高且最大回撤控制也较好，在未来“中特估” 有望中枢性提升国央企估值的背景下能够获取“中特估”的 beta 加持。2009 年 9 月 以来年化收益率 20.3%，相对 Wind 全 A 的年度胜率为 86.7%，最大回撤 32.8%。

对三大优化的高股息策略应用新基本面量化框架，产生了显著的效果（2010 年 以来）： 大幅提升年度正收益概率，甚至达到每年收益全部为正：应用新基本面量化框 架后，中特估高股息 20、高股息 20 组合竟然实现了每年收益均为正的投资效果，高 股息 100 组合正收益概率由 66.7%增长至 93.3%。 最大回撤大幅改善：应用新基本面量化框架后，三大优化的高股息策略的最大 回撤均有明显的下降，其中高股息 20-跨组合更是降至 8.4%。 夏普比率进一步提升：原本 3 大优化的高股息策略的夏普比率已经较为突出， 显著高于同期偏股混合基金的夏普比率（0.23）和 Wind 全 A 的夏普比率（0.10）； 但在应用新基本面量化框架后，夏普比率仍能进一步提升，均提升至 1 以上。 但年化收益率有所回落：3 大优化的高股息策略在应用新基本面量化框架后，显 著降低的最大回撤和大幅回落的波动率的代价，是年化收益的回落；但由于波动率 回落的幅度更大，因此夏普比率确实有明显的改进；但最终的年化收益率相对 Wind 全 A 和偏股混合基金依然具有显著的优势。我们认为这是合理的结果：高收益选股 策略本身的高收益率来源于市场的波动；而股债择时框架的重要作用是帮助投资者 尽量回避市场 beta 的下行波动，这会对冲高收益策略的部分收益。 年度正收益概率 100%的策略，对绝对收益投资者具有较高的应用价值。考虑 到应用了新基本面量化框架的中特估高股息 20 以及高股息 20 组合，均实现了年化 收益率显著高于同期偏股混合基金以及 Wind 全 A 的同时，还能够实现年度正收益 概率 100%，我们认为这两个策略是绝对收益投资者应重点关注的策略。

4.2、 与【净利润断层】结合：进一步提升收益和更强的超额稳定性

净利润断层策略是基于“超预期”逻辑下构建的选股策略。我们构建的 8 大净利 润断层策略分别是：业绩反转、前三行业、前五行业、涨停、连续 3 次跳空、低估 值、3 年持续绩优、2 年持续绩优。 对 8 大净利润断层策略应用新基本面量化框架，同样也产生了显著的效果（2010 年以来）： 年度正收益概率显著提高：应用新基本面量化框架后，8 大净利润断层策略的年 度正收益率概率均提高到 80%及以上，即便是收益排名最末的 2 年持续绩优策略正 收益概率也由 62.5%提高到 87.5%。

最大回撤显著改善：应用新基本面量化框架后，8 大净利润断层策略中的最大回 撤均下降到 14%以下（除连续 3 次跳空为 18.8%，但依然远低于偏股混合基金同期 的 36.1%），得到了明显优化。 夏普比率大幅优化：在应用新基本面量化框架后，8 大净利润断层策略的夏普比 率均有约 0.37-0.52 的提高，提高后的夏普比率均超过 1.0。 但年化收益率有所回落：与三大优化的高股息策略类似，应用股债择时策略会 带来年化收益率的回落。但考虑到波动率回落幅度更大，夏普比率仍有明显的提升。 因此，从风险收益比的角度来看，我们可以认为股债择时框架对 8 大净利润断层策 略实现了有效的改进。 相对优化的高股息策略，净利润断层策略与新基本面量化框架结合后最大的不 同在于：虽然年度正收益概率略微下降，但是年化收益率进一步提升，且相对 Wind 全 A 的超额收益稳定性显著更强。 建议重点关注三大策略：考虑到业绩反转组合、前五行业组合和低估值组合在 应用股债择时组合之后获得了更低的风险（最大回撤不超过 13%）和更高的风险回 报率（夏普比率超过 1.3），且年度正收益概率均超过了 85%，同时在如此低波动的 持仓感受下实现了年化收益率接近 15%甚至更高，我们建议投资者重点关注这三个 策略。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）