个人量化选股（四）：截面打分与去重排他

在上一篇《个人量化选股（三）：为什么是趋势动量，以及准入硬门槛与防追高》中，三道准入硬门槛（站上 MA200 年线、12-1 动量大于零、距年线乖离不超过 +30%）从 200 只中外观察池中过滤出了 63 只合格标的（中国资产 31 只，美股 32 只）。

这也是我最近在 QuantFull 整理的「个人量化选股实战体系」的第四篇。63 只股票通过了安全检查，但个人投资者的账户体量通常在几万到几十万元人民币之间。我们不可能把这 63 只股票全买下来。如果每只股票买一点，持仓就会退化成一个自制指数基金，小额资金频繁交易还会被券商最低佣金侵蚀净值。

在真实交易中，个人股票组合通常只容纳 3 到 6 只核心标的。

从 63 只准入合格标的收敛到最终的 3 到 6 只实盘持仓，需要经过截面打分、同门去重、行业集中度检验与整手物理资金过滤五个步骤：

截面打分双轨制：美日市场卡玛比率 vs 港 A 市场 12-1 动量

用同一套指标打全天下的市场，在实盘中会遇到水土不服。

我们在监控系统与实盘回测中，对不同市场的打分指标进行了明确区分：

• 美股与日股：实盘监控采用 1 年卡玛比率（Calmar Ratio） 排序；
• 港股与 A 股：确立采用 12-1 相对动量 排序。

为什么不同市场要用不同的打分方式？两者的计算口径如下：

$$\text{Calmar Ratio} = \frac{\text{Return}{1\text{y}}}{|\text{MaxDrawdown}{1\text{y}}|}$$

$$\text{Mom}{12-1} = \frac{P{t-21}}{P_{t-252}} - 1$$

卡玛比率把过去 1 年的收益率除以过去 1 年的最大绝对回撤。美股与日股属于成熟机构市场，中长期单边趋势具备自增强特征。但在单边上行中，成长科技股容易因阶段性流动性收紧而剧烈回调。在美股 48 只池的换股研究中，12-1 动量的年化换手率高达 160%~275%，而 1 年卡玛比率的年换手率只有 130%。美股日股选择卡玛比率的出发点是降低无效交易摩擦，选出回撤浅、走势平稳的复利标的。

但在港股和 A 股市场，如果硬套卡玛比率，排序会发生什么变化？

为了回答这个问题，我们用最新日 K 数据对 A 股 21 只和港股 23 只核心候选标的，分别按 12-1 相对动量与 1 年卡玛比率进行了全量重排：

图中的排名位移呈现出两个市场的关键分化：

在 A 股市场，12-1 相对动量与 1 年卡玛比率的 Spearman 秩相关系数仅为 0.645，排序发生了剧烈洗牌。算力与半导体等高弹性标的（如中际旭创、天孚通信、新易盛），虽然过去 1 年涨幅可观，但因为最大回撤全部超过了 -50%，在卡玛比率下遭受严重扣分，名次普遍下滑 4 到 11 名；相反，长江电力、中国核电、美的集团等公用事业与红利标的，由于最大回撤只有 10% 到 13%，卡玛排名大幅前移（长江电力直接从第 14 窜升至第 6）。A 股市场牛短熊长、轮动剧烈，如果为了追求曲线平滑而硬套卡玛比率，系统就会把宝贵的仓位塞给年化仅 10% 出头的低波动防御股，彻底失去动量组合的超额弹性。因此 A 股必须维持 12-1 相对动量。

在港股市场，两者的秩相关达到 0.931，但在前几名的分配上产生了致命的行业单一化。内资四大行（中国银行、工商银行、建设银行）在过去 1 年的最大回撤仅 -10.8% 到 -11.4%，卡玛比率高达 3.7 到 5.1。如果按卡玛比率选股，港股前三名将被这三家银行直接垄断；而 12-1 动量最强（+75.7%）的航运龙头太平洋航运（回撤 -23.9%），直接被挤到了第 6 名。采用 12-1 相对动量，能够打破银行板块的单一垄断，让太平洋航运（第 1）、汇丰控股（第 2）、中国银行（第 3）与中远海控（第 4）形成覆盖航运、煤炭与综合金融的多元主线。

美日市场的稳态精排与港 A 市场的相对动量分布对照如下：

在美日市场中，默沙东（MRK）卡玛比率 7.97、可口可乐（KO）卡玛比率 4.52、日立（6501）卡玛比率 3.32，用卡玛能有效筛选出回撤浅的稳态龙头；而港 A 市场采用 12-1 动量，能够直接抓住主线领头羊。

计算两类指标的 Python 向量化代码如下：

import numpy as np
import pandas as pd

def compute_calmar_and_momentum(prices: pd.Series) -> tuple[float, float]:
    """输入日度收盘价序列（后复权），返回 1 年卡玛比率与 12-1 相对动量。"""
    if len(prices) < 252:
        return 0.0, 0.0
    
    # 1. 计算 12-1 相对动量（剔除最近 21 日反转噪声）
    p_last_lag21 = prices.iloc[-21]
    p_base_lag252 = prices.iloc[-252]
    mom_12_1 = float((p_last_lag21 / p_base_lag252 - 1.0) * 100.0)
    
    # 2. 计算过去 1 年（252 天）最大绝对回撤与年化收益
    px_1y = prices.iloc[-252:]
    cummax_1y = px_1y.cummax()
    drawdown_1y = (px_1y - cummax_1y) / cummax_1y
    max_dd = float(abs(drawdown_1y.min()))
    ret_1y = float(px_1y.iloc[-1] / px_1y.iloc[0] - 1.0)
    
    calmar = float(ret_1y / max_dd) if max_dd > 0.001 else 0.0
    return calmar, mom_12_1

同门去重：A/H 两地上市溢价中位数仲裁

选出高分标的之后，我们面对一个中国市场特有的问题：很多大型蓝筹企业在 A 股和港股两地同时上市。

中国神华（601088 / 01088）、中远海控（601919 / 01919）、中国石油（601857 / 00857）、建设银行（601939 / 00939）和紫金矿业（601899 / 02899）等标的，业务相同，基本面一致。

如果把同一家公司的 A 股和 H 股同时买进组合，等于在单一标的上押了双倍仓位，违背了资金分散原则。

同门标的只能二选一。面对两边的股票，到底选哪一边？

常见的三种直觉选法：

1. 总是选 A 股（图交易习惯和流动性）；
2. 总是选 H 股（图名义折价和高股息）；
3. 选动量更高的一边（谁涨得猛买谁）。

我们提取了 15 组典型的 A/H 对标股票，用 2021 年末至 2026 年中连续 143 个季度样本进行了回测对比。数据已换算为人民币同口径计价，并扣除股息红利税（港股通个人按 20% 扣税，A 股按持有 1 个月至 1 年的 10% 扣税）：

实测数据对比（ah_listing_rules.csv）：

数据反映出两个事实：

1. 追动量选边会挨打：在两地上市的标的中选择动量更高的一侧，下季平均收益只有 +3.27%，胜率降到了 45.45%，比总是选 A 股或总是选 H 股都要差。因为 A 股与 H 股的价差往往呈现均值回归特性，追逐短期相对强势的一边，极易买在溢价扩张的波段顶部。当两地估值差收敛时，换边操作两头受损。
2. 溢价中位数仲裁有效：当某只股票的 A 股溢价率高于它自己过去一年的中位数时，选 H 股；低于中位数时，选 A 股。下季度平均收益提升到 +4.39%，选对边的概率提高到 56.64%。

以中国神华（601088 / 01088）为例，面板 B 展示了其历史溢价率与 1 年滚动中位数通道。溢价率并不是固定不变的，它围绕自身中枢上下摆动。当 A 股溢价过高时买入 H 股，能享受到更深的折价保护与分红；当溢价回落至中位数下方时持有 A 股，则能分享 A 股端的估值溢价。

执行 AH 溢价中位数仲裁的逻辑代码如下：

import pandas as pd

def arbitrate_ah_pair(
    a_raw_close: float,
    h_raw_close: float,
    hkd_cny_rate: float,
    history_prem: pd.Series
) -> str:
    """输入两地不复权收盘价、实时汇率与过去一年历史溢价序列，返回选 A 还是选 H。"""
    # 1. 计算当前 A 股相对 H 股的溢价率
    h_price_cny = h_raw_close * hkd_cny_rate
    current_premium = (a_raw_close / h_price_cny - 1.0) * 100.0
    
    # 2. 计算过去 252 个交易日的滚动溢价中位数
    median_premium = float(history_prem.iloc[-252:].median())
    
    # 3. 溢价高于中位数选 H，否则选 A
    if current_premium > median_premium:
        return "PICK_H"  # A 溢价过高，选 H 股享折价与高分红
    return "PICK_A"      # A 溢价偏低，选 A 股博估值修复

行业分散神话的破灭：为什么在历史回测中取消行业硬上限

在传统投资组合管理中，一个常见的原则是限制行业集中度，比如「同一个行业最多只能持有一只」。出发点是为了分散风险，防止单一行业暴跌拖垮整个账户。

在策略设计阶段，我们对这条规则进行了压力测试。为了防止主观过拟合，我们在测试前定下了一条硬性标准：

事前冻结规则：和不限行业相比，加入行业限制（每行业最多 1 只）后，组合的最大回撤在「破位后空仓」与「破位后换下一只」两种处理下，都必须至少降低 3.0 个百分点，才保留该限制；否则坚决取消。

我们对港股、A 股、美股、日股四个市场，分别运行了不限行业、合并后大行业限 1 只、细标签限 1 只三种配置的全周期回测：

四个市场实测数据汇总（industry_cap_drawdown_test.csv，换股处理口径）：

测试结果表明：没有一个市场能稳定达到 3 个百分点的回撤改善门槛。

在日股市场，取消行业限制后，年化收益率从 21.65% 跃升至 31.08%（夏普比率从 0.97 升至 1.23），而最大回撤仅从 -25.94% 微幅增加到 -26.38%（差距不足 0.5 个百分点）。如果机械限制每行业 1 只，组合就必须在三大银行（三菱日联、三井住友、瑞穗）表现优异的年份里强行剔除后两家，换入弱势的其他行业股票。

在 A 股市场，加入大行业限制后，年化收益从 14.50% 跌落到 8.65%。在空仓处理下，收益更是从 10.79% 暴跌至 1.24%，回撤不仅没有收窄，反而加深了 2.4 个百分点。

行业限制在动量策略中失效的原因：

1. 个人持仓数量有限：个人组合一共只持有 3 到 5 只标的。动量策略的本质是在赢家聚集的产业主线上进行暴露。强行限制每行业 1 只，等于主动踢掉主线行业里的第二名领跑者（如航运周期的中远海控与太平洋航运、煤炭周期的神华与陕煤）。
2. 买入弱势标的：踢掉主线第二名之后，空出来的仓位必须填满，系统被迫买入非主线行业里相对较弱的平庸标的。这些股票在市场下行时抗跌能力弱，并没有起到保护组合的作用。
3. 风控职责错配：控制组合系统性风险依靠的是 MA200 年线的绝对止损，而不是靠拉平行业暴露。当整个市场或主线行业破位时，趋势硬门槛会自动触发止损。

回测检验完成后，我们在所有四个市场的实盘配置中，取消了同一行业最多一只的硬性限制。

现实物理约束：整手资金摩擦与顺延选拔机制

做回测时，软件通常假设股票可以任意买入 0.001 股。但在实盘交易中，个人投资者面对着真实的交易制度约束：整手交易限制。

• A 股市场买入至少为 100 股整倍数；
• 港股市场各股票一手股数由上市公司自行决定，一手可能是 500 股、1,000 股、2,000 股甚至 5,000 股；
• 日股市场统一下单门槛为 100 股。

对于资金量在 5 万至 10 万元的个人账户，这个物理限制会带来明显的资产分配问题。

假设 A 股目标持仓为 3 只股票，每只股票的目标仓位是总资金的三分之一（约 3.2 万元）。如果排名前列的股票单价较高，买入一手就需要 5 万元（超过目标仓位的 1.5 倍），这笔交易就会打乱整个组合的仓位平衡。

我们引入了买不起顺延机制：

1. 按照截面得分从高到低依次选拔候选股票；
2. 计算买入一手该标的所需的最低本金；
3. 如果买入一手所需资金超过了该仓位目标资金的 1.5 倍，系统判定为买不起，自动跳过该标的，顺延至下一名候选股票；
4. 顺延下来的标的继续进行整手检查，直到填满目标持仓名额。

以下是处理整手预算限制与向后顺延的核心算法：

from typing import Dict, List, Optional
import pandas as pd

def select_with_lot_size_budget(
    ranked_candidates: pd.DataFrame,
    total_capital: float,
    target_k: int = 3,
    max_capital_drag_ratio: float = 1.5
) -> pd.DataFrame:
    """输入排好序的候选池、总资金量与目标只数，执行整手预算检查与顺延选拔。"""
    target_slot_capital = total_capital / target_k
    selected_stocks = []
    
    for _, stock in ranked_candidates.iterrows():
        # 计算买入一手所需名义资金（人民币）
        one_lot_cost = stock['price_cny'] * stock['lot_size']
        
        # 如果一手资金超过单只目标资金的 1.5 倍，跳过顺延
        if one_lot_cost > target_slot_capital * max_capital_drag_ratio:
            continue
            
        selected_stocks.append(stock)
        if len(selected_stocks) >= target_k:
            break
            
    return pd.DataFrame(selected_stocks)

在 2026 年 10 月的实际持仓中，这套选拔规则最终确定的持仓分布如下：

• 雪盈美股账户（6 只个股）：可口可乐（KO）、默沙东（MRK）、Visa（V）、苹果（AAPL）、埃克森美孚（XOM）、英伟达（NVDA）。利用 Calmar 比率兼顾了动量与低回撤；
• 雪盈日股账户（4 只个股）：日本邮船（9101）、日立（6501）、三菱日联（8306）、伊藤忠商事（8001）。取消行业限制后，保留了工业与金融主线；
• 中国股票组合（6 只个股，约 9.58 万元）：中信 A 股持有陕西煤业（601225）、中国神华（601088）；中信港股通持有建设银行（00939）、太平洋航运（02343）、中远海控（01919）；富途持有中国石油（00857）。单只标的资金占比在 15.3% 至 17.5% 之间，分散均匀。

阶段小结

截面打分与去重排他完成了买入端的标的选择：

• 美日市场采用 Calmar 比率，压制单边暴涨后的大幅回撤，选出稳态复利标的；
• 港 A 市场采用 12-1 相对动量，剔除短期反转噪声，灵敏捕捉产业主线领头羊；
• A/H 两地上市标的采用 1 年溢价中位数仲裁，下季平均收益达 +4.39%，胜率达 56.64%，避免了追逐相对动量带来的损耗；
• 历史回测证明行业硬上限无法降低系统性回撤，反而侵蚀超额收益，因此取消同一行业最多一只的限制；
• 通过买不起顺延机制，让小体量资金能够处理整手交易门槛。

选出标的之后，下一个问题是调仓节奏。如果每天根据最新排名换股，微小的排名波动就会引发频繁的卖出与买入，产生交易摩擦。

下一篇我们要讨论的是：如何通过设置上轨买入与下轨卖出的双线缓冲区，结合固定的调仓窗口，在实盘中过滤排名抖动带来的无效换手。

选股体系与延伸阅读

本文所属的完整量化选股架构、全景行业雷达与配套策略代码，均整理在 QuantFull：

• QuantFull 专栏：大类资产配置与量化选股分层
• QuantFull 专栏：标的池怎么选（多路召回与双轨粗排完整解析）
• QuantFull 专栏：为什么是趋势动量，以及准入硬门槛与防追高
• QuantFull 专栏：截面打分与去重排他（美日卡玛比率、AH溢价仲裁与行业上限检验）
• QuantFull 专栏：1.68 万亿放量下跌：日度数据怎么测出市场真实流动性
• QuantFull 专栏：策略容量与冲击成本估算实务
• QuantFull 专栏：12-1 动量策略全周期回测复盘
• QuantFull 资源：量化交易思维导图与资料合集

关于作者