1. 从“道理都懂”到“周报落地”为什么低频量化能打破执行瘫痪先聊个扎心的事。很多做交易的朋友研报复盘看了一堆均线、MACD、筹码分布、情绪周期说起来头头是道但每到周一开盘手指放在键盘上还是不知道买什么、买多少、什么时候走。这个状态用一句话概括就是明白很多道理却依然过不好这一生。放在交易里就是读过很多策略却依然管不好这个账户。我自己的转折点是从“高频盯盘”转向“低频量化周报”开始的。所谓低频量化不是说一周只看一次盘而是把决策频率降下来用一套可重复、可复盘、有数据支撑的规则替代盘中临时起意的追涨杀跌。每周输出一份周报里面固定包含几个模块指数风险溢价比、配债完整数据集、可转债策略信号、上市公司另类数据比如礼品以及一周交易总结。这几个模块组合在一起基本覆盖了“选什么、何时买、买什么、为什么买、买了之后怎么复盘”的完整闭环。为什么低频比高频更适合大多数人因为人的注意力、情绪控制力、信息处理带宽都是有限的。高频交易需要的是机器级的反应速度和纪律而低频周报只需要你每周花一两个小时把客观数据摆出来让概率站在你这边。这篇文章我就把这套周报的完整逻辑、数据来源、计算方法、踩坑经验全部拆开讲读者可以照着搭一套自己的版本。适用人群很明确不想每天盯盘但有稳定收入的上班族管着家庭资产的稳健型投资者以及研究可转债、打新配债、另类数据挖掘的量化入门者。标题里那句“明白很多道理却依然过不好这一生”其实点破了大多数人亏损的根源——不是信息不够而是没有把信息转变成带有约束力的执行系统。周报就是那个约束系统。2. 指数风险溢价比把模糊的“贵与便宜”变成可操作的数值2.1 风险溢价比的底层逻辑与计算公式指数风险溢价比Earnings Yield minus Risk-Free Rate也叫股权风险溢价ERP是衡量股票资产相对债券资产“性价比”的核心指标。它的计算逻辑很简单用盈利收益率市盈率的倒数减去无风险利率。公式如下股权风险溢价比 1 / PE(TTM) − 十年期国债收益率举个例子。假设沪深300指数当前的市盈率TTM是13倍那么盈利收益率就是1 ÷ 13 ≈ 7.69%。如果十年期国债收益率是2.5%那么风险溢价比就是7.69% − 2.5% 5.19%。这个数值的含义是你买入股票指数承受市场波动风险相对于买几乎无风险的国债多获得了5.19个百分点的收益率补偿。这个指标为什么重要因为估值贵不贵单看市盈率绝对值没什么意义。2021年核心资产牛市时很多人觉得“好公司贵一点也值得买”结果买入后长期阴跌。但如果那时用风险溢价比看一眼会发现它已经跌到了历史极低分位说明股票的盈利收益率相对债券已经完全没有吸引力聪明的钱自然会流向债券。相反2018年底、2022年4月和2024年初沪深300的风险溢价比都冲到了历史高位区间对应的是市场的阶段性底部区域。这个指标不会告诉你最低点在哪但能告诉你现在到底是该贪婪还是该恐惧。2.2 数据获取与滚动分位数计算构建这个指标的第一步是把数据源理顺。指数PE-TTM可以直接从主流行情数据源获得十年期国债收益率可以从中国债券信息网或者财经数据接口获取。我每周日晚间固定拉取一次数据计算并记录三项内容当前风险溢价比值该值在近五年或近十年滚动窗口中的百分位与上周的环比变化。百分位怎么算把近250周约5年的风险溢价比按从低到高排序看当前值处于哪个位置。低于20%分位说明股票相对债券非常便宜高于80%分位说明股票相对债券偏贵。实际操作中我一般把“低于历史20%分位”当作权益资产的加仓区间“高于历史80%分位”当作减仓或防守区间中间区域则按原定计划执行。提示选用近五年还是近十年的窗口需要结合自己的持仓周期。五年窗口更灵敏适合中短期波段参考十年窗口更平滑能覆盖一轮完整牛熊适合长期资产配置。两者可以同时记录互为印证。2.3 当周数值的变化意味着什么周报中仅仅记录一个静态数值还不够变化方向和原因同样重要。比如某周风险溢价比突然大幅上升需要拆解是分母的PE下降了股价跌还是分子的无风险利率下降了债券收益率回落。两种情况对应的市场含义完全不同如果是股价下跌导致PE下行那属于风险释放溢价比上升是“跌出来的机会”如果是国债收益率下降抬高了溢价比那更多是流动性宽松预期的反映需要结合宏观政策方向综合判断。我自己的习惯是把这两个分解项也写在周报里每周一行一个月后回看对市场的温度感会比单纯盯K线清晰得多。说白了这个模块解决的是“现在仓位应该多重”的问题是所有策略执行的前提。3. 配债完整数据集样本很少但信息密度极高3.1 配债数据到底包含什么配债指的是上市公司发行可转债时原有股东按持股比例优先认购的权利。这是A股市场少有的“制度红利”型策略核心在于利用股东身份获取确定性的申购份额。配债完整数据集就是把每一只正在发行或即将发行的可转债相关的股东、份额、价格、比例、时间节点等信息汇集到一起形成一张可查询、可筛选、可回溯的数据表。一份完整的配债数据集至少应包含以下字段字段名说明用途转债代码可转债的证券代码唯一标识转债名称可转债简称识别正股代码对应的上市公司股票代码关联正股走势发行规模亿元转债发行总规模估算中签率与配售比例每股配售额元每股正股可配售的转债金额计算所需持股数量股权登记日计算配售权利的截止日期决定买入时点申购日/配售日股东优先配售和网上申购的日期时间节点百元股票含权每100元正股市值可获配的转债金额衡量配债吸引力现价转股溢价率转债相对正股的溢价程度上市首日价格预测参考股东配售率原股东实际参与配售的比例判断市场认可度3.2 百元含权决定一只配债值不值得抢配债策略的核心指标是“百元股票含权”计算方法是百元股票含权 每股配售额 ÷ 正股价格 × 100举个例子。某公司每股配售额为2元当前正股价格10元那么百元含权就是2 ÷ 10 × 100 20元。也就是说你持有1万元市值的正股可以获配2000元的转债。如果这只转债上市后预估能赚200元/手即10%的涨幅那么相对于1万元的正股持仓额外收益是2000 × 10% 200元相当于正股成本的2%。这里还没计算正股在股权登记日到卖出期间的价格波动风险所以配债绝对不是一个无风险策略它是一个需要计算“安全垫”的策略。安全垫的计算思路是先估算转债上市预期收益再算出持有正股期间可能承担的下跌风险两者对比只有安全垫足够厚才值得参与。一般来说百元含权低于10元且正股波动较大的配债我宁可放弃。因为正股一旦在T1日低开超过预期收益就会出现“转债赚了、正股亏更多”的尴尬局面。3.3 数据整理的流程与工具配债数据集的构建不需要多么高深的编程能力Excel加定期手工更新完全可以胜任。我目前使用的方法是一个Python脚本每周日晚间自动抓取未来一周发行安排的数据源更新到表格中并在周报中只保留“未来两周内”的待配债列表。脚本的骨架大致如下import pandas as pd import requests # 伪代码实际接口地址根据数据源调整 resp requests.get(https://your-data-source/api/bond/issuance) data resp.json() df pd.DataFrame(data) df df[[bond_code, bond_name, stock_code, issue_scale, per_share_quota, record_date, subscribe_date]] df[baifu_equity_weight] df[per_share_quota] / df[stock_price] * 100 df df.sort_values(record_date) df.to_csv(weekly_ration_bonds.csv, indexFalse)这个模块的核心价值不在“自动抓取”本身而在于用同一套字段口径持续积累历史数据。三个月后你会拥有一份包含数十只已上市转债配售信息的历史库可以做回测哪些类型的正股在配债后更容易填权哪些行业的安全垫更厚这些经验是任何研报都给不了你的。4. 可转债策略在“下有保底”的共识里去赚不对称的钱4.1 双低策略的构建与参数选择可转债最大的魅力在于它的不对称性正股上涨时转债跟着涨涨幅趋近于正股正股下跌时转债有债底保护跌到一定价格就会抗跌。这种不对称性正是量化策略喜欢的机会。在众多可转债策略中我长期在周报中跟踪的是“双低策略”及其改良版本。双低值的计算公式是双低值 转股溢价率 转债价格转股溢价率越低说明转债与正股的联动性越强转债价格越低说明离债底越近安全边际越高。把这两个值相加得到一个综合排序指标每天或每周选出双低值最小的20只转债等权持有定期再平衡。这个策略的逻辑是同时考虑股性和债性选出“进可攻、退可守”的品种通过组合分散掉单只转债的信用风险。参数怎么选我测试过几组参数。用全市场可转债数据回测双低策略在2018年至2024年之间取得了年化15%至25%的收益最大回撤约10%整体表现明显优于沪深300。但要注意收益和回撤对调仓频率很敏感每天调仓收益更高但交易成本和滑点也更大每周调仓收益略有下降但可操作性大幅提升适合上班族。我目前的设置是每周一收盘后按双低值排名调仓剔除已触发强赎的标的单只转债仓位不超过5%。4.2 数据清洗中最容易忽略的三个细节做可转债策略数据清洗比策略本身更容易出错。我踩过坑的地方集中在三处这里单独拎出来说强赎剔除当正股价格持续高于转股价130%一段时间后上市公司会发公告行使强制赎回权。此时转债的期权价值基本消失双低值再低也失去了意义。必须在数据集中实时维护强赎状态公告触发后从候选池中剔除。剩余规模过滤规模低于1亿元的转债容易被资金撬动价格波动剧烈双低排序虽然常常排到前面但实际买入时冲击成本很高。我一般过滤掉剩余规模低于1.5亿元的标的。正股ST或退市风险久其转债、搜特转债退市带来的血泪教训说明转债的债底不是绝对刚性的一旦正股退市转债的偿付能力就存疑。所以正股被ST、有退市风险的标的无论双低值多漂亮一律排除。4.3 从双低到三低逐步叠加的进阶思路双低策略跑通之后很多人的第一反应是加参数把规模、转债评级、正股波动率、正股动量往里堆。我的建议是克制每一次添加新因子都需要先单因子回测再与双低做相关性分析否则很容易陷入过拟合。我自己只增加了一个维度正股的PB市净率分位。选偏股型转债时我更倾向于正股PB处于历史中低分位的标的。原因很简单可转债的转股溢价率隐含了市场对正股未来上涨的预期如果正股本身已经处于极度低估区间转债的期权价值就有更大的实现空间。这个思路类似于“用低估值因子过滤双低池”不改变选债框架只是让最终入选的标的在基本面维度上更有安全边际。注意双低策略适合的是震荡和上行行情在单边下跌、正股和转债双杀的环境里它的回撤会放大。如果你承受不了组合10%以上的回撤可以用“低价低溢价短剩余期限”的保守版放弃一部分进攻性换取更低的波动。这也是为什么周报里必须同时跟踪风险溢价比的原因——转债仓位要根据权益市场的整体温度做加减。5. 上市公司礼品被低估的另类数据与信号价值5.1 礼品数据能反映什么上市公司礼品这个模块看起来不太“金融”但实际是另类数据挖掘中很有意思的一块。每到年报季或重大节日总有上市公司会给股东寄送实物礼品比如涪陵榨菜的榨菜礼盒、恰恰瓜子的坚果礼包、黄山旅游的门票套票这些看似福利的行为背后是有信息含量的。礼品数据首先要分类实物产品类食品、酒水、日用品、消费电子产品、服务体验类景区门票、酒店住宿券、体检套餐、股东优惠类折扣券、积分兑换权益。分类的意义在于不同品类的信号强度不一样。实物产品类尤其是自家上市公司主营产品的礼品本质上是一次低成本的产品试用和品牌传播能侧面反映公司产品的品质和库存情况服务体验类更多是维护股东关系的公关动作信号较弱。5.2 把礼品的信号转成可用的策略因子单看某一家公司寄了什么礼品很难构成交易信号。但如果积累一个“上市公司礼品数据集”长期跟踪就能提炼出几个维度的信息产品力验证一家食品公司送的礼盒里产品是否当季新品口味、包装是否用心这能侧面反映产品团队的执行力和创新节奏。比如某白酒公司每年礼品都是经典款而另一家新兴消费公司每年都是联名爆品后者的市场营销能力和产品迭代速度在年报出来之前就可见一斑。股东回报意识愿意给中小股东寄礼品的公司通常更重视股东关系管理。这类公司未必涨幅最大但发生财务造假、大股东恶意套现等黑天鹅的概率相对更低。它是一种“投资环境友好度”的定性指标。经营景气度的侧面验证如果某家公司的礼品从实用小件变成高价值产品或礼品附带的说明文档中新增了产能扩张、新品发布的字样这些都可能是业绩变化的先行信号。不过必须强调礼品数据只能作为辅助验证指标绝不能作为主要买卖依据。它的样本量每年就几百个统计意义有限更多是给持仓增加一个观察维度。我用它的方式是在已有持仓或候选池中看哪些公司的礼品体现了“对股东好”的治理文化结合财务数据决定是否加仓或长期持有。5.3 数据集构建的轻量方案构建上市公司礼品数据集不需要购买昂贵的另类数据服务。我的做法是每年三月底到五月底花少量时间从公司公告、社交媒体和投资者互动平台收集股东礼品信息录入一个轻量表字段包括股票代码、公司简称、礼品类型、礼品内容说明、市场估价、发放时间、信息渠道。信息渠道字段很重要因为礼品数据的真实性差异很大公司公告披露的信息最可靠投资者互动平台次之社交媒体晒单需要交叉验证。6. 交易总结与复盘一周操作里真正影响盈亏的三个认知6.1 复盘框架不做“日记式”复盘周报的最后一个模块是交易总结。大部分人的交易复盘写成了日记某天买入某股赚了几个点某天卖出某债亏了几个点然后感慨一下心态不稳。这种复盘几乎没有价值因为缺乏结构化的归因。我使用的复盘框架分三层计划执行层本周有没有按周报里的计划执行有没有盘中临时起意的操作临时操作是赚了还是亏了如果是亏的说明计划外的冲动是负贡献如果是赚的也不值得鼓励因为临时起意赚的钱没有系统性不可复制。信号验证层本周风险溢价比分位是否触发了加仓或减仓配债数据集中是否有按计划参与的标的可转债双低组合调仓后的表现是否符合预期这一层要回答的是“信号本身准不准”。认知更新层本周有没有出现超出模型预期的事件比如某只转债突然宣布下修转股价或者某家公司的股东礼品数据提前泄露了业绩拐点。这些事件可能促使微调参数或规则但要记录“为什么调、依据是什么”防止为了短期表现而频繁修改体系。6.2 用盈亏数据反向审视“道理”标题里的“明白很多道理却依然过不好这一生”放在复盘里有个很有意思的对应你可以在一次复盘中发现自己明明知道“不要在情绪激动时做决策”但还是追高了某个热门题材明明知道“可转债要分散持有”但还是重仓了单只双低值最低的转债结果它因为正股ST而暴跌。这时候问题不在“道理没用”而是缺少一个把道理转化为可执行规则的机制。我的解决方式是把复盘输出的认知固化成硬性规则写入下周的计划。比如本周发现自己在盘中看盘超过两小时情绪波动明显下周就强制规定只在收盘后看盘本周发现调仓日正好赶上出差无法执行下周就提前一天设好条件单。复盘的价值不是反省而是把模糊的“情绪化亏钱”拆解成可执行的“行为修正清单”。6.3 连续八周跟踪低频量化的复利效应最后说一个关于低频量化最容易被忽视的点它不是“每周做八个决策”而是“用同一套体系连续跟踪八周”。很多人在第一周发现策略亏损后就放弃了或者看别人追板赚钱就换频道这是对低频量化的最大误解。低频量化的优势来自统计概率的稳定性单次操作可能亏损但只要执行纪律和投资逻辑不发生根本变化时间会把胜率优势放大成收益。我从2019年开始按周记录风险溢价比和可转债双低组合的表现形成了一张超过200周的连续数据表。回头复盘时发现真正拉开收益差距的不是哪一周选到了牛债、躲过了暴跌而是每周都老老实实执行了既定的流程。市场总会有意外波动但“坚持执行可复制的体系”本身就是最大的超额收益来源。这也算是对“明白很多道理却依然过不好这一生”的一种回应——道理只有变成每周都要勾选的动作才算真正过好了交易这一关。
