量化融合：连接经典价值投资与现代因子模型以进行系统性选股

# 引言

来源：https://arxiv.org/html/2606.24575  
量化趋同：连接经典价值投资与现代因子模型进行系统化选股

Augusto Eiji Yamazaki, Hugo Garrido\-Lestache Belinchon

密尔沃基工程学院  
威斯康星州密尔沃基市  
电子邮件：\{eijiyamazaki, garrido\-lestacheh\}@msoe\.edu

**摘要**

现代金融高度依赖复杂的机器学习模型来寻找股票市场中的模式。然而，随着这些人工智能模型变得日益复杂，它们往往记住的是短期的市场噪音，而非识别出具有真实、持久价值的公司。本研究旨在检验本杰明·格雷厄姆的经典价值投资规则能否充当数学上的“低通滤波器”，以约束这些现代模型。我们构建了三组不同的特征——纯格雷厄姆规则、现代市场因子以及两者的混合——并利用20年的标普500数据，在高度复杂的模型（XGBoost 和 AutoGluon）上进行了测试。通过在四年测试期（2022年3月至2026年3月）内实施严格的买入持有策略，结果显示：更复杂的算法并不总是胜出。虽然 AutoGluon 模型获得了高回报（222.68%），但因其在市场崩盘前买入了波动较大的科技股，遭受了高达 39.78% 的回撤。相比之下，纯格雷厄姆随机森林模型获得了最高总回报（232.13%），且风险更低（Calmar 比率 1.38）。此外，混合随机森林成功将动量与格雷厄姆规则结合，实现了 202.91% 的回报，同时保持了所有测试模型中的最低最大回撤（34.53%）。最终，本研究证明格雷厄姆的“安全边际”并未过时；它实际上是一种非常有效的方法，可以防止现代人工智能承担过多风险。

股票选择已从人工分析演变为由复杂神经网络驱动的算法交易。在现代量化金融中，诸如 XGBoost 和 AutoGluon 等最先进的机器学习模型常被用于挖掘金融数据中的隐藏模式。然而，股票市场噪音极大。随着这些模型变得日益复杂，它们面临“过拟合”的风险——即记住短期的市场炒作，而非寻找具有实际长期价值的公司。

早在机器学习出现之前，本杰明·格雷厄姆撰写了《聪明的投资者》，创建了严格、基于规则的筛选条件，以寻找那些资产负债表强劲且估值保守的公司。具体而言，他的防御性框架要求满足七项核心标准：(1) 足够的企业规模，(2) 强大的短期流动性（流动比率 ≥ 2），(3) 持续的正收益，(4) 不间断的股息记录，(5) 经证明的长期盈利增长，(6) 适度的市盈率（市盈率 ≤ 15），以及 (7) 保守的综合估值倍数（市盈率 × 市净率 ≤ 22.5）。尽管这些规则是为 1940 年代设计的，但其背后的工程目标——充当数学上的“低通滤波器”以剔除财务脆弱的公司——在直觉上是合理的。但面对现代人工智能，它是否依然有效呢？

我们设计本研究旨在找出答案。通过将工业工程原理与量化金融相结合，我们构建了一个系统，用以测试格雷厄姆的经典价值信号是否优于现代量化因子（如动量和波动率）以及高度复杂的自动集成模型。通过严格的 20 年回测，我们的目标是探究：经典的财务筛选条件所拥有的结构性简单性，是否比现代黑箱算法能提供更好的信噪比。

研究结果挑战了我们自己的假设。格雷厄姆在 1940 年代制定的规则不仅存活了下来，而且无论是在绝对收益还是风险管理方面，都积极击败了现代人工智能模型。更令人惊讶的是，试图将格雷厄姆规则与现代动量因子结合进行现代化改造，反而削弱了其表现。本文详细阐述了我们是怎样构建这个系统的，以及复杂人工智能在市场冲击中失败的原因，还解释了为何纯粹的基本面逻辑仍然是量化金融领域中最出色的正则化工具。

## 相关研究

### 2.1 价值投资标准的历史验证

古典价值投资的历史基础在很大程度上依赖于本杰明·格雷厄姆系统化提出的防御性筛选条件。早期的实证研究表明，格雷厄姆的严格标准——包括足够的企业规模、低市盈率以及稳健的股权资本化——为防御型投资者带来了正向的异常风险调整后收益[12](https://arxiv.org/html/2606.24575#bib.bib19)。现代量化资产定价不经意间呼应了这些原则；例如，“优质减去垃圾”(QMJ)因子涵盖了安全性、盈利能力和派息比率等维度，与格雷厄姆最初的要求非常接近[3](https://arxiv.org/html/2606.24575#bib.bib16)。虽然这些研究证实格雷厄姆的指标在单独使用或简单线性模型中有效，但我们还需要评估，当整个防御性框架在数学上转化为一组统一特征并用于复杂的非线性机器学习架构时，其表现如何。

### 2.2 基本面分析与资产定价中的机器学习

机器学习已从根本上改变了我们预测金融数据的方式。近期研究亮点在于，将随机森林和人工神经网络应用于原始的基本面会计变量，证明非线性的模型能大幅降低盈利预测误差，并相比传统线性模型产生显著的预测阿尔法[5](https://arxiv.org/html/2606.24575#bib.bib1)。这一交叉领域已通过利用现代监督学习算法数字化评估格雷厄姆的基本面标准而得到扩展[1](https://arxiv.org/html/2606.24575#bib.bib5)。基于综合估值变量训练的随机森林能够系统性地分离市场信号，同时最大程度减少人为偏见[8](https://arxiv.org/html/2606.24575#bib.bib2)。

在更广泛的实证资产定价领域，非线性架构通过自然捕捉复杂的特征交互作用，将标准面板回归的样本外夏普比率有效翻倍[7](https://arxiv.org/html/2606.24575#bib.bib4)。使用非参数方法剖析金融特征进一步表明，容纳非线性关系能显著提高样本外的解释力[6](https://arxiv.org/html/2606.24575#bib.bib7)。利用多核学习等非线性方法评估股权溢价，验证了超越简单线性回归的必要性[2](https://arxiv.org/html/2606.24575#bib.bib15)。

### 2.3 可投资性与市场特定约束

虽然学术回测中的机器学习算法常忽略交易摩擦，但近期的文献强调现实实施的重要性。“可投资且可解释”的机器学习利用 12 个月的预测期，能显著降低投资组合换手率，证明尽管机器学习始终优于线性模型，但在流动性约束下其实际收益是渐进的[10](https://arxiv.org/html/2606.24575#bib.bib6)。类似地，机器学习策略通过动态适应制度转换，即使在调整交易成本后仍能保持稳健的阿尔法[14](https://arxiv.org/html/2606.24575#bib.bib8)。

数据完整性与同步性也至关重要。利用同步的财政年度结束日期来消除前视偏差的研究表明，将财务比率输入机器学习模型能够产生显著的超额收益[20](https://arxiv.org/html/2606.24575#bib.bib3)。深度学习模型也已成功从国际市场的盈利能力和增长指标中提取出稳健信号[9](https://arxiv.org/html/2606.24575#bib.bib9)。为尊重这些现实约束并保证可重复性，我们的方法采用严格的 80/20 时间分割，锁定所有算法的随机种子，并采用单次交易的买入持有规则。这确保了提取出的机器学习信号不仅在数学上显著，而且在实际中是可投资的，不会陷入前视偏差或过高的换手率。

### 2.4 算法架构：集成与 AutoML

文献中对用于股票分类的特定基于树的集成架构提供了广泛评估。多项分类器的综合评估早已确立，相对于单一算法，集成方法通常在预测股价方向方面提供更高的准确性[4](https://arxiv.org/html/2606.24575#bib.bib17)。金融机器学习的演进突显了简单的线性模型如何被随机森林和 XGBoost 等稳健集成所取代，以处理非线性资产行为[16](https://arxiv.org/html/2606.24575#bib.bib14),21](https://arxiv.org/html/2606.24575#bib.bib11)。比较研究明确验证，随机森林相比简单决策树能达到显著更高的预测准确率和更低的误差率[22](https://arxiv.org/html/2606.24575#bib.bib20)。此外，通过 XGBoost 和随机森林优化的投资组合能轻松获得比传统均值-方差框架更高的夏普比率[11](https://arxiv.org/html/2606.24575#bib.bib18)。

为在没有人工偏见的情况下最大化这些信号的提取，自动机器学习（AutoML）框架已成为一个基准。评估 AutoGluon-TimeSeries 等框架的研究证明其在系统化数据准备和超参数调优以构建强大的多层集成方面的有效性[17](https://arxiv.org/html/2606.24575#bib.bib12)。最终，金融领域中人工智能的未来并不在于高频交易，而在于利用这些先进的计算架构进行长期、基于基本面的资本配置，这在数学上呼应了本杰明·格雷厄姆的理念[15](https://arxiv.org/html/2606.24575#bib.bib13)。先进的机器学习技术甚至能够成功地将全球市场异常整合成一个高度盈利的错误定价信号[19](https://arxiv.org/html/2606.24575#bib.bib10)。

目前，学术界的共识倾向于将尽可能多的变量输入到超级复杂的模型中，以寻找优势。本文转向了一种不同的方法。我们探究的是，将机器学习模型严格限制在格雷厄姆的经典标准内，与依赖不受限制的高维量化因子相比，是否能产生更优越、结构上更安全的投资组合。

## 实施与方法论

### 3.1 系统架构与数据完整性流水线

我们通过抓取当前的标普500成分股来定义投资范围，利用 `yfinance` API 检索长达 20 年的每日调整后的 OHLCV 价格数据以及滚动的基本面快照。这一数据采集协议已在近期的金融机器学习文献中得到广泛验证[18](https://arxiv.org/html/2606.24575#bib.bib21),13](https://arxiv.org/html/2606.24575#bib.bib22)。

由于不同公司的财务报告日程存在差异，金融数据集内在地包含缺失值和无穷大错误。直接删除不完整的记录会引入生存偏差。因此，我们剔除了缺失超过 90% 数据的特征。剩余的缺失值随后使用截面中位数进行填充。关键的是，我们仅从训练期数据计算该中位数并存储，用于预测时填充，从而明确防止未来数据泄露到训练环境中。

### 3.2 标签构建与特征工程

我们将选股问题视为一个二分类问题。对于该范围中的每只股票 \( i \)，其在特定价格窗口内的总回报 \( R_i \) 计算如下：

\[
R_i = \frac{P_{end,i}}{P_{start,i}} - 1
\]

如果该股票的回报超过该时期标普500范围中的截面中位数，则将其标记为表现优异（\( y_i = 1 \)），从而产生一个天然平衡的目标分布：

\[
y_i = \begin{cases} 
1 & \text{if } R_i > \text{median}(\{R_j\}_{j=1}^N) \\
0 & \text{otherwise}
\end{cases}
\]

为预测这一目标，我们设计了三个不同的特征集：

- **策略 A（格雷厄姆特征）**：19 个特征，以本杰明·格雷厄姆的七项防御性标准为基础，编码为二进制阈值（例如，流动比率 ≥ 2.0，市盈率 × 市净率 ≤ 22.5）。这些特征还辅以连续的基本面比率和一个综合的格雷厄姆评分。
- **策略 B（现代量化因子）**：15 个特征，完全使用向量化操作计算。这些包括风险-回报指标（CAPM 阿尔法、贝塔、夏普比率）、动量信号，以及基于本福特定律的数据完整性信号（计算为理论首位数字分布与公司报告收入之间的均方根误差）。
- **策略 C、D、E（组合特征）**：一个包含 36 到 40 个特征的聚合集，并增加了跨领域的交互项，例如价值 × 动量 和 质量 × 稳定性，以捕捉已确立的实证持续性。

### 3.3 模型架构与时序优化

本研究评估了三种不同的机器学习架构。我们通过 Optuna 使用树形结构帕森估计器（TPE）执行超参数优化。为防止贝叶斯扫描过程中的数据泄露，我们用时间序列分割替代了标准的 k 折交叉验证，并针对 ROC-AUC 进行优化，以有效管理金融数据噪音。此外，为确保可重复性并防止随机变异改变我们的结果，我们在初始化模型之前锁定了所有全局随机种子。最终调整后的参数如下：

- **策略 A（格雷厄姆随机森林）**：随机森林，100 棵树，最大深度 2，每片叶子最少样本数 94，最大特征比例 0.2。
- **策略 B（现代量化随机森林）**：随机森林，100 棵树，最大深度 5，每片叶子最少样本数 75，最大特征数为 \(\log_2\)。
- **策略 C（组合随机森林）**：随机森林，900 棵树，最大深度 4，每片叶子最少样本数 50，最大特征数为 \(\log_2\)。
- **策略 D（XGBoost）**：梯度提升分类器，深度 9，学习率 0.053，子节点权重 9，以及动态的 scale_pos_weight。
- **策略 E（AutoGluon）**：一个自动机器学习框架，配置为智能堆叠多个模型。元学习器最终选择了加权集成 L2 架构。

### 3.4 样本外回测协议

为明确消除前视偏差，我们将包含 5027 个交易日（2006 年 3 月 22 日至 2026 年 3 月 16 日）的数据集使用严格的 80/20 时间分割。最初的 4021 天构成训练窗口。最后的 1006 个交易日（2022 年 3 月 11 日至 2026 年 3 月 16 日）作为完全未见过的测试窗口。

训练完成后，每个模型预测每只股票表现优异的概率。我们选择概率最高的前 20 只股票。使用 `vectorbt` 库（一个高速的基于矩阵的回测引擎）模拟投资组合。模拟执行严格的买入持有协议：在测试期的第一天以等权重买入所选投资组合，并持有至最后一天，期间不进行再平衡。

## 实验与结果

### 4.1 样本外性能指标

样本外测试期（2022 年 3 月 11 日至 2026 年 3 月 16 日）...