4. 红利因子选股框架：单因子选股流程、因子值计算、股票池构建、回测框架搭建

好，咱们直接进入正题。这一章我打算把红利因子选股的整个框架给你拆开揉碎了讲清楚。说白了，就是告诉你一套完整的、能直接上手的操作流程。我自己刚开始做量化那会儿，最头疼的就是「知道因子是什么，但不知道怎么把它跑起来」。所以这一章，咱们就解决这个痛点。

4.1 单因子选股流程：从想法到策略

单因子选股的流程，其实没那么玄乎。我习惯把它分成四个步骤：

1. 因子定义与计算：把「红利」这个抽象概念，变成一个具体的数字。
2. 股票池构建：划定我们选股的范围，不能什么股票都往里塞。
3. 因子排序与分组：按因子值大小给股票排队，看看高分红的股票是不是真的表现更好。
4. 回测验证：用历史数据检验这个策略能不能赚钱。

嗯，这里要注意一点。很多人一上来就急着写代码回测，结果发现结果乱七八糟。为什么？因为前两步没做好。你想想看，因子值算错了，股票池里一堆ST股，那回测结果能信吗？

4.2 因子值计算：把红利量化

红利因子最常见的代理变量就是「股息率」。公式很简单：

股息率 = 每股现金分红 / 当前股价

但这里有个坑。我曾经在项目里直接用「上一年年报的分红」除以「今天的股价」，结果回测效果一塌糊涂。后来才发现，分红数据有滞后性。你想想看，年报通常在次年4月底才出完，你用4月前的股价去算，数据对不上。

所以我个人的习惯是：

• 用「最近12个月（TTM）的每股分红」作为分子。
• 用「分红除权除息日之后的股价」作为分母。
• 如果遇到还没分红但已预告的，用预告值代替。

下面是一个简单的Python计算示例，我用的是伪代码风格，方便你理解逻辑：

# 伪代码示例：计算TTM股息率
def calc_dividend_yield(stock_code, current_date):
    # 获取最近4个季度的每股分红总和
    ttm_dividend = get_ttm_dividend(stock_code, current_date)
    # 获取当前股价
    current_price = get_price(stock_code, current_date)
    # 计算股息率
    if current_price > 0:
        yield = ttm_dividend / current_price
    else:
        yield = 0
    return yield

4.3 股票池构建：划定你的狩猎范围

股票池不是越大越好。我见过有人把全市场5000只股票都拿来算因子，结果回测曲线跟心电图似的。为什么？因为很多股票根本不具备分红能力，或者流动性太差。

我个人构建股票池时，会设置几个硬性门槛：

• 剔除ST、*ST股票：这些公司基本面有问题，分红不稳定。
• 剔除上市不满1年的新股：次新股数据太少，分红历史不可靠。
• 剔除最近3年未分红的股票：连年不分红，说明公司没把股东回报当回事。
• 剔除日均成交额低于1000万的股票：流动性太差，你买进去卖不出来。

这里我画了一张流程图，帮你理清整个框架的逻辑：

4.4 回测框架搭建：让历史告诉你答案

回测框架，说白了就是一台「时光机」。你设定好规则，它帮你模拟过去几年如果按这个策略操作，能赚多少钱。

搭建回测框架时，我建议你关注这几个关键点：

• 调仓频率：红利策略通常按月或按季度调仓。我个人偏好月度调仓，因为分红数据变化不快，太频繁反而增加交易成本。
• 交易成本：包括佣金、印花税、滑点。很多人回测时忽略滑点，结果实盘一跑就亏。我一般设千分之一到千分之二的滑点。
• 基准对比：拿你的策略跟沪深300或者中证红利指数比一比。如果连指数都跑不赢，那这策略就没意义。

下面是一个简化的回测框架代码结构：

# 伪代码：回测框架核心逻辑
def backtest(stock_pool, factor_data, start_date, end_date):
    portfolio = []
    for month in get_trading_months(start_date, end_date):
        # 1. 获取当前股票池
        current_stocks = get_stocks_in_pool(stock_pool, month)
        # 2. 获取因子值并排序
        factor_values = get_factor_values(factor_data, current_stocks, month)
        sorted_stocks = sort_by_factor(factor_values)
        # 3. 选前20%的股票
        selected = sorted_stocks[:int(len(sorted_stocks)*0.2)]
        # 4. 调仓
        portfolio = rebalance(portfolio, selected, month)
        # 5. 记录收益
        record_return(portfolio, month)
    # 6. 计算最终绩效
    return calculate_performance(portfolio)

4.5 一个完整的示例：用股息率选股

咱们把上面这些串起来，看一个完整的例子。假设我们要在2023年做月度调仓：

步骤	操作	说明
1	构建股票池	剔除ST、次新、无分红、低流动性股票，剩余约2000只
2	计算因子值	每月初计算每只股票的TTM股息率
3	排序分组	按股息率从高到低排序，取前20%（约400只）
4	等权买入	每只股票分配相同资金，每月调仓一次
5	回测统计	计算年化收益、最大回撤、夏普比率等指标

这个框架看起来简单，但实际跑起来你会发现很多细节。比如分红除权后股价会跳空，你的因子值会突然变化。再比如有些股票分红后股价填权很快，有些则一直趴着。这些都会影响最终收益。

嗯，说到这，我想起一个案例。之前有个学员用这个框架跑中证红利指数的成分股，回测年化收益12%，最大回撤只有8%。但换成全市场选股后，收益反而下降了。为什么？因为中证红利指数本身已经帮你做了一层筛选，股票质量更稳定。所以你看，股票池的选择，真的能决定成败。

好了，这一章的内容就到这里。框架搭好了，下一章咱们就可以往里面填具体的策略逻辑了。

---