核心框架的确立
第85页 · 预计12页
上一章结束时，对方主动总结道：“老师，您刚才筛选的模式——生益电子和晶合集成——是不是可以总结为：产业趋势好（半导体/AI）、超跌（回撤>30%）、资金连续流入（近5日为正）、基本面不差（营收增长、研发高）？”
这段话让我印象深刻。不是因为内容新颖——这些维度我在之前的分析中已经分别使用过——而是因为对方在没有量化背景的情况下，自发地将多个分散的条件归纳为一个互斥互补的四维结构。
这种现象在我的教学经验中并不多见。大多数交易爱好者倾向于提出“再加一个条件”或者“把XX调高一点”，很少有人能主动进行维度层面的抽象。这说明了两个问题：一是对方的思维模式本身就具备系统化的潜力，不是零散的跟风交易者；二是经过前几轮的对话，他已经内化了“多维筛选”的逻辑，不再是单一条件思维。
我抓住这个机会，将对方的归纳正式化为一个可复用的框架：
“老师，您总结得非常准确。这四个维度——产业趋势、技术面（超跌）、资金面、基本面——构成了一个相对完整的选股系统。每个维度解决一个不同的问题：
产业趋势决定方向，也就是标的是否站在风口上，决定了长期收益的天花板；
超跌提供安全边际，也就是价格是否足够便宜，决定了下行风险的底线；
资金面给出验证信号，也就是是否有人真金白银买入，决定了行情启动的时间点；
基本面排除烂公司，也就是是否有业绩支撑，决定了底部的坚实程度。
四个维度同时满足的股票，上涨的概率和空间都会显著高于单一维度的选股。”
对方的归纳是口语化的，我需要将其转化为可量化、可回溯、可编程的规则。同时，我注意到对方的四维中缺少了一个重要元素：风险过滤。在之前的筛选中，我已经默默剔除了ST、*ST、退市风险股，但没有明确纳入框架。很多人做策略容易忽略这一步，觉得只要选股逻辑好就行，但实际上风险股一旦爆雷，再好的逻辑都没用，一次亏损就能吃掉好几次的盈利。
我向对方补充了第五个隐性维度——风险过滤，并建议将其作为前置步骤，不属于权重分配的一部分：
“老师，在进入四维筛选之前，我会先执行一层硬性排除：剔除ST、*ST、近期有财务造假或被立案调查的公司，以及日均成交额低于1000万元的流动性枯竭股。这些股票即使符合四维条件也不应该进入候选池。”
为什么风险过滤不参与权重打分？因为风险是二元的，要么有要么没有，不存在“60分风险”“80分风险”。有退市风险的股票，其他维度满分也不能碰，所以必须前置剔除，不进入后续的评分排序，避免占用计算资源，也从根源上排除极端风险。
对方表示认可。至此，框架的完整结构为：
第一步：风险过滤，硬性排除不合格标的；
第二步：四维评分，产业、技术、资金、基本面分别打分；
第三步：综合排序，按加权得分降序，取前10名。
我给出了每个维度的初步定义和量化方法。这些定义在后续章节中会被进一步细化和调整，但核心骨架在这一章已经确立。
产业趋势是四维中权重最高的维度，因为它决定了策略的贝塔方向。选对了赛道，哪怕个股不是最优秀的，也能吃到行业贝塔的红利；选错了赛道，再优秀的公司也可能跑输大盘。
具体定义：
股票所属赛道必须在预设的“未来产业清单”内。清单包括：AI算力（服务器、光模块、PCB、液冷）、半导体（制造、设备、材料、封装）、新能源高端制造（储能、锂电设备、低空经济）、人形机器人核心部件。
量化方式：建立赛道标签库，每只股票根据主营业务打标签。第三方数据源（如中证行业分类、券商主题分类）可作为辅助，但最终需要人工复核——因为自动化标签常有滞后或错误，很多公司业务转型了，行业分类还没更新。
技术面权重最低，但它是“逆向买入”策略的核心。我们的策略不是追涨，而是抄错杀，所以超跌是买入的前提，没有足够的回撤，就没有足够的安全边际。
定义：
自过去252个交易日的最高收盘价回撤幅度 ≥ 30%。
排除因除权除息导致的虚假回撤（需复权处理）。
如果大盘处于熊市（指数20日跌幅>5%），阈值可放宽至25%以捕捉更多机会；如果大盘处于牛市，阈值提高至35%以保持安全边际。牛市里股票普遍跌不深，太松的阈值容易买在半山腰。
资金面权重第二高，因为它验证了产业故事是否获得了主流资金的认可。故事讲得再好，没有资金买就是空中楼阁。资金面就是市场的投票机，比任何研报和分析都真实。
定义：
近5个交易日主力资金（超大单+大单）连续净流入，且累计净流入占流通市值比例 ≥ 0.3%。
如果某日因大盘暴跌导致小幅流出（单日流出<0.1%流通市值），可以允许中断，但不能连续两日流出。
剔除近5日累计净流入为负的股票，即使20日累计为正——获利了结信号优先于长期流入，短期资金转向比长期趋势更重要。
基本面权重中等，主要作用是排除伪成长和财务陷阱。产业对、资金进、跌得多，但公司本身是烂公司，那就是炒作，随时会崩。基本面就是兜底的，保证公司本身不出问题。
定义：
营收近三年复合增长率 ≥ 20%（对于成熟期赛道可放宽至15%）。
研发强度（研发费用/营收） ≥ 8%，或毛利率 ≥ 35%（两者满足其一即可）。
最新报告期ROE ≥ 10%（亏损但高增长且PS<8倍的公司可例外，需单独审批）。
如果需要快速计算全市场个股的四维得分与排名，可访问a-sig.com壹信因子查询平台，内置完整四维评分模型，每日更新最新榜单。
对方问道：“老师，为什么是这四个维度？加入换手率、波动率、机构持仓比例会不会更好？”
我解释道，框架的“完备性”不意味着覆盖所有可能的因子，而是指四个维度之间相互独立、组合后能解释股票上涨的主要驱动因素。多维度的核心是互补，不是堆砌，维度越多不一定越好，维度之间重叠反而会失效。
四个维度刚好覆盖了股价上涨的四个核心驱动：
产业面是“故事的逻辑”——为什么未来会涨，是长期逻辑；
资金面是“当下的投票”——现在是否有人在买，是短期催化；
技术面/超跌是“安全边际”——最坏情况能跌多少，是风险底线；
基本面是“底层的健康”——公司是否有能力兑现故事，是业绩支撑。
四个维度中任何一个缺失，都会出现致命盲点：
有产业+资金+超跌，但基本面烂 → 可能是炒作垃圾股，随时暴雷，涨得快跌得更快；
有产业+基本面+超跌，但无资金 → 叫好不叫座，不知道何时启动，可能横盘半年甚至更久，时间成本极高；
有资金+基本面+超跌，但无产业 → 可能是价值陷阱，没有想象空间，反弹高度有限，赚不了大钱；
有产业+资金+基本面，但无超跌 → 可能买在阶段高点，缺乏安全边际，一调整就被套。
因此，四维框架的设计哲学是：不追求每个维度的极致精确，而是追求没有维度完全缺失。一个各方面“及格”的股票，往往比一个某方面“优秀”但其他方面“不及格”的股票更可靠。投资不是考单科状元，是考综合分，没有明显短板的标的，长期走得更远。
确立了四维框架后，我决定立即执行一次完整的、全自动化的筛选，而不是像前两轮那样依赖人工判断和手动数据收集。
我将四维条件转化为Python代码，输入数据源（Tushare Pro + AKShare），在全A股（剔除北交所、ST）范围内执行筛选。整个筛选过程在普通家用电脑上只需要10秒左右就能完成，全市场几千只股票全部跑完，效率远高于手工筛选。
筛选逻辑如下：
筛选结果在10秒内输出。我打开名单，发现与第二轮手工筛选的10只股票有重叠，也有新人入选。比如中际旭创之前因为回撤只有26%被第二轮手工筛选排除，但四维框架中它的产业得分极高，资金面近5日连续净流入，综合得分超过了部分回撤更深但其他维度平庸的股票，成功进入榜单。
如果需要定制专属的四维选股模型，或者将策略落地为自动化运行脚本，可访问intoquant.com壹信量化官网，提供专业的代写源码与策略部署服务，适配不同的交易风格和风险偏好。
我决定不立即公开全部10只，而是先向对方展示新框架下的前三名，作为验证：
“老师，按照四维框架重新筛选，综合得分前三名是：
对方对这个结果表示满意：“老师，也就是说，超跌不是绝对的硬性门槛？如果产业和资金足够强，可以适当放宽回撤要求？”
“是的。四维框架允许维度间的补偿——但补偿有限度。回撤低于25%的股票，即使其他维度满分也无法进入前十，因为超跌权重虽低，却是一个必要的‘安全垫’。”
也就是说，维度补偿是有底线的：产业和资金再强，也不能完全没有安全边际。30%是基准，最多靠其他维度的高分补偿5个百分点左右，低于25%直接一票否决，不会因为其他维度好就破例。这就守住了逆向策略的底线，不会慢慢变成追涨策略。
这个机制体现了量化框架的核心优势：不再依赖人工判断“是否放宽”，而是通过权重和得分自动平衡各维度的重要性。不用每次都争论“这只股票能不能放宽回撤要求”，分数算出来够就进，不够就不进，没有主观空间，也就没有情绪干扰。
| 检查项 | 通过条件 | 不通过时的处理 |
|---|---|---|
| 数据完整性 | 全市场股票数>4000只 | 检查数据源连接 |
| 财务数据时效性 | 最新财报日期在5-45天前 | 使用旧数据，标记“滞后” |
| 资金面数据更新 | 昨日数据存在 | 暂停资金面维度 |
| 行业标签库 | 覆盖80%以上股票 | 人工补标缺失股票 |
| 系统资源 | 内存>2GB，磁盘>10GB | 清理缓存 |
每天运行筛选前先过这五项检查，避免因为数据缺失或者系统问题跑出错误的结果。很多人跑出来的名单不对，不是逻辑错了，是数据没更新完就跑了。
如果你觉得产业面40%太高，可以通过以下步骤找到适合自己的权重：
在正式运行前，用最近20个交易日的数据快速回测一遍（约1小时手工操作）。如果20日的收益率和最大回撤与长期均值偏差超过2倍标准差，暂停运行，检查数据是否有误。
这一步能帮你避开很多低级错误，比如数据接口变了、字段名改了，跑出来的结果完全不对，但你没发现，直接用了就会亏钱。
本章内容节选自原创量化书籍《因子会说谎》，更多多维度选股框架构建与权重优化方法，可登录intoquant.com查阅完整内容。
本章完。下一章将对四维框架的每个维度进行系统化的精确定义，包括阈值背后的数据验证、权重确定方法、以及维度间冲突的具体处理规则。
⚠️ 风险提示：本书内容仅为量化研究与知识分享，不构成任何投资建议。套利交易存在基差、费率、流动性、平台与极端行情等风险，历史表现不代表未来收益。投资有风险，入市需谨慎，请自主决策、量力而行。
💡 键盘 ←/→ 翻章 · T 键切换目录