0. 说明

0.1 概要

完整代码和工程: https://github.com/Raytto/Quant_strategy_ahp

策略核心

• 每个周期开始，把资金分成2n份
• n份平均买n支AH溢价最高的H股
• n份平均买n支AH溢价最高的A股
• 期末重新用相同策略调整仓位。

0.1 出发点

个人玩股票经验不算太长，且非主业，仅偶尔了解下，当看新闻和娱乐。

之前10-3年以投纳斯达克指数基金为主，近几年才开始投A股，近一年才开始投H股。

在A股和H股的选股中，个人确实比较在意AH溢价。且由于金融双学位出身，总有信念：这溢价是不正常的。

且以AH溢价为重点考虑，再结合市盈率+找熟悉的公司 等综合但模糊的思路进行过一些选股：

• 22年内重仓A股中国银行（当时银行股市盈率普遍很低，中国银行市盈率才3，且在一票AH银行股中，中国银行当时的AH溢价30%左右，相比很多其他股也比较低）
• 今年（25年）开始投H股，出发点也是因为好些看好的股AH溢价很高。
• 进而重点买了H股中国人寿（当时AH溢价180%，非常高。且市盈率3，很符合我的偏好）
• 次买H股中金公司（AH溢价120%样子）
• 同时前段时间在A股买宁德时代和招商银行（AH溢价低，甚至负）

整体上可见个人偏好是红利、长期、保守、稳健的。哈哈哈，不折腾。

综合下来其实收益还行，基本和长期投的纳指ETF的收益率持平。虽然远不够暴富，但至少好于沪深300。

• 特别是曾经的中国银行A股，本来买的时候看重波动小，吃红利，当存钱，结果运气好一路涨，后来在市盈率7样子卖掉了。
• 近期的中国人寿H股收益都还可以。

不过目前这套有明显的问题：

1. 不确定是其他运气导致的还是AH策略本很导致的。进而实际策略模糊，进一步导致
   • 操作信心不足
   • 无效纠结很多，浪费时间
   • 不便于总结、学习和优化
2. 当前我找AH溢价高/低的股，是用中信证券手机APP一个个股慢慢翻，也浪费时间

近期在看了 量化投资邢不行啊 的 AH溢价策略抖音 后，感觉可以自己学着尝试下拉数据和分析。

现在有AI辅助，学习量化分析还挺容易的。

这里主要记录下学习笔记。且这次仅针对于AH溢价进行分析。

1. 理解量化交易

量量化交易是用 数据驱动+数学模型+计算机程序 进行金融市场交易的策略总称。

在高频交易领域没有普通人能比得上计算机和专业量化团队。

• 不过高频领域比拼的设备、算法都不是目前我所适合的，甚至光是资金门槛也够不到，就直接不考虑了，哈哈。

综合考虑能力、精力、手续费等各方面。只利用 数据驱动+数学模型 来选股，最后低频人肉下单交易，更合适我这种普通人。且这种也算量化交易（相对于乱总结，凭感觉，情绪交易）

而 数据驱动+数学模型 相对门槛就低了很多，容易落地，只需要：

• 拿数据（小额付费可以用 Tushare 等数据库。更便宜的方式是淘宝买历史数据，但及时性和便捷性弱一些）
• python处理数据、建立策略、回测、执行策略（很多代码都可以靠AI搞定）

所以量化交易也没那么复杂。

2. AH溢价策略相关代码实现

我需要代码能帮我实现：

1. 回测纯跟策略在历史上的实际收益表现，且和至少纳指、沪深300、恒生指数等进行对比
2. 调整策略的一些细节参数，对比回测结果，以对策略的稳定性有进一步了解
3. 可以未来方便地靠代码帮我确定下一步买哪些股票。不用再在APP慢慢翻AH溢价

目标明确后就可以开搞。

整体不算复杂，完整工程和代码见 Github: https://github.com/Raytto/Quant_strategy_ahp

以下是一步步的实现学习笔记。

2.1 数据源

首先问GPT找一个适合自己的量化研究数据库。或者去淘宝买历史数据。

个人暂使用 Tushare 数据库: https://tushare.pro/

网站操作还是很方便的，且可以容易拿到示例代码。

不过免费用户有些数据拿不到或者API访问频次受限，这种情况下则需要充值。

如果要注册或者充值的话可以用我的分享链接：https://tushare.pro/register?reg=827698

• 好像注册会给我加点积分，但充值好像不会分奖励 : (

稍微修改下代码，就可以在本地工程里成功拉到数据并且保存为csv文件了

2.2 数据处理

由于 AH 溢价率 Tushare 好像并没有给出。所以需要自己写代码计算，计算代码详见工程中文件

• get_9_AH_premium.ipynb

但计算需要基于原始数据和预处理，这些在 get_X_* (X in 1-8) 这些文件中依次中实现，具体包含

1. get_1_A_stock_list.ipynb
   • 拉取 A 股上市公司 List，包含 A 股股票代码，公司名
2. get_2_HK_stock_list.ipynb
   • 拉取 H 股上市公司 List，包含 H 股股票代码，公司名
3. get_3_AH_stock_list.ipynb 根
   • 据 公司名 匹配公司，且仅保留同时在 A 股 H 股的股票(inner join)，因为这个策略只关心 AH股。得到 AH 股 List 。
4. get_4_AH_stock_daily_k.ipynb
   • 根据 AH 股 List 挨个拉取其历史日K信息（暂主要用到收盘价），和复权因子
5. get_5_AH_A_stock_daily_k.ipynb
   • 拉取 AH 股各公司的历史每日的 A 股市值（我想看看只挑大公司对策略表现的影响）
6. get_6_common_index.ipynb
   • 拉取 沪深300、恒生、纳指 的历史日K信息
7. get_7_USDCNH.ipynb
   • 拉取美元兑人民币历史汇率的日K信息
8. get_8_USDHKD.ipynb
   • 拉取美元兑港币历史汇率的日K信息

大部分拉数据和处理都很简单，只有前复权有一点坑需要注意：

• 在进行前复权时，复权因子不能直接乘当日股价，得到的复权股价会有问题，这由于复权因子没有对当前归一
• 想了想，也有道理，如果归一则意味着公司发生 分红/送股 等操作后需要修改历史的复权因子，修改过多，且不利于增量更新。
• 所以在实际进行前复权时，需要乘以复权因子后额外进行归一处理，即除以该股票最后天的复权因子。

这样以后就拿到AH股的历史AH溢价数据了。

2.3 单股溢价可视化

代码详见 ：show_AH_premium.ipynb

将AH个股的历史A股价格、H股价格、AH溢价率绘制出来，协助分析，在选股时应该可以作为参考

2.3 AH溢价策略和回测实现

策略核心：

• 每个周期开始，把资金分成2n份，n份平均买n支AH溢价最高的H股，n份平均买n支AH溢价最高的A股，期末重新用相同策略调整仓位。

可以让AI写代码，但要把想要的逻辑尽量描述清楚：

我有如图的数据表ah_k，其中：
* trade_date : 日期
* p_a_adj : 股票对应日期的A股的复权前复权价格
* p_hk_adj : 股票对应日期的H股的复权前复权价格
* hk2cn : 当日的港币兑人民币汇率（1港币可以换多少人民币）
* AH_premium_adj : A股相对于H股当日的溢价

我希望构建一个基于AH溢价的选股策略：
* 首先帮我写一个策略函数：
    * 其参数是日期、split_n 份
    * 输出是两个 list ，一个list是AH溢价最高的n支股票名字，一个是AH溢价最低的n支股票名字
* 以及一个交易策略回测函数：
    * 待定参数是策略周期:X个月
    * 每个周期一开始把手上的钱均分成10份
    * 仅在市值位于mv_quantile分位数以上的股票中选股
    * split_n份 资金平均购买那split_n支AH溢价最高的股票的H股
    * 另外 split_n 份平均购买AH溢价最低的股票的A股
    * 每个周期结束后进入下一个周期，用同样策略重新配置仓位
    * 需要考虑资金量和交易成本
        * H股交易双向都按0.05%计算，每次交易至少5港元
        * A股交易双向都按0.01%计算，且每次交易至少5元
        * 初始资金默认用100万
        * 几个值都用变量来配置
* 分别绘制出策略周期X为1个月、2个月、3个月、6个月情况下的策略收益曲线，默认从2018年开始模拟，并加入恒生指数和沪深300指数作为对比

然后可以让 ChatGPT 来写策略和回测代码，基本没啥大问题，略微修改下就可用了。

实现过程中，我的策略也增强过几次

• strategy_AH_premium_3_cap.ipynb

这版是目前参数最灵活的，支持

• start_dt_str ： 设置回测开始日期
• initial_capital ： 初始资金量（模型内会和交易费有关，并影响最后收益率）
• split_n ： 每次买AH溢价两头的各自的多少支股票
• mv_quantile ： 选股的市值分位数
• rate_A ： A股双向费率
• rate_H ： H股双向费率
• min_fee_A ： A股最低费用
• min_fee_H ： H股最低费用

2.4 AH溢价策略回测分析

2.4.1 基本策略

• 每次买AH溢价最高的5个H股，5个AH溢价最低的A股
• 资金按 100 万算
• 不考虑市值
• 不考虑费率

观察：

• 2018、2020、2022三个开始年份回测表现都还不错，和纳指持平或超越纳指，且都远超沪深300和恒生指数。
• 1，2，3，6个月的轮动差异没有明显优劣势（各有千秋）。

2.4.2 考虑费率

如果把交易费率加上：

观察：

• 整体影响不大，1个月的短周期轮动周期策略会受影响明显一点，最后的收益率（380%）和无费率（400%）少了20%。
• 所以还是不能小看交易费用，即使如此低频交易（1个月已经比很多策略低频很多了），时间拉长收益差异也不少。

自我总结：

• 普通人在没明确统计验证需要高频的情况下，就不要高频。
• 不操作不一定 少赚和多亏，但高频一定多亏手续费。
• 结合个人经验：
  • 几次因为情绪在大跌的时候卖，虽然有时确实会继续跌，但也经常卖了就涨。
  • 整体上并没因为这种情绪性止损操作少亏，甚至可能少赚了不少。
• 简而言之，无脑的操作不如不操作。

2.4.3 选股数量改两头各3

修改为每次买AH溢价最高的3个H股，3个AH溢价最低的A股（从5改到3），2018年开始：

修改为每次买AH溢价最高的3个H股，3个AH溢价最低的A股（从5改到3），2020年开始：

修改为每次买AH溢价最高的3个H股，3个AH溢价最低的A股（从5改到3），2020年开始：

观察：

• 整体比各选5支的表现差了不少（虽然依旧好于沪深300和恒生）

2.4.4 选股数量改两头各10

修改为每次买AH溢价最高的10个H股，10个AH溢价最低的A股（从5改到10），2018年开始：

修改为每次买AH溢价最高的10个H股，10个AH溢价最低的A股（从5改到10），2020年开始：

观察：

• 整体也比两头各5支的设置表现差了不少

2.4.5 只选市值前50%的公司

根据每日港股市值，只在市值前50%的公司里选溢价最高和最低的各5支，从2018年开始：

观察：

• 和基本策略相比差了非常多，虽然仍比沪深300好，但主要还是沪深300太差了。

2.4.6 只选市值前50%的公司且仅2支

观察：

• 也相对变很一般，没有修改前的表现好，虽然仍旧好于沪深300和恒生。

3. AH溢价策略总结分析

3.1 个人对此策略评估

历史回测表现还不错

• 平均年化收益大约 6%-25%
• 和纳指差不多，且基本高于沪深300
• 且几种情况下最大回撤25%，也不算大
• 很难靠这个策略暴富，但低风险赚过大盘还是有希望

回测表现对参数修改比较敏感，有一些过拟合风险

• 目前选5个AH溢价最高和5个AH溢价最低，然后3-6个月轮动一次的策略表现最好
• 但没有明确理由当5改成3或者10会更差，或者加一下市值条件的微调版策略更差，所以对其其稳定性存疑
• 不过，由于修改后虽没有表现很好，但差的情况下平均年化收益也可以在6%以上，所以策略还是有参考价值

操作层面很有优势

• 低门槛：低资金要求，如果没港股，A股单侧玩也不错（见量化投资邢不行啊 的 AH溢价策略抖音 ）
• 易操作：可代码搞，也可以自己APP找，反正AH股就108个（刚好水浒）
• 低成本：精准的AH溢价套利应该是做空贵的，买入便宜的。但会有借贷成本。而AH溢价波动周期长，不适合我去这样精准套利。
• 低精力占用：几个月调一次仓位，平时该干啥干啥

有理论支持，对我吸引力大于基于K线技术分析的各种策略

• AH长期高溢价至少金融学角度长期而言是不理性或者不正常的，没理由一直超高溢价
• 考虑流动性、红利税等等，0-30%的溢价就差不多了。

主观基本面支持（就很个人主观了）

• 人民币要和美元竞争和国际化，长期而言得让资金更自由，意味着A和H自由度会更高，价差应越来越小。
• 大陆投资者会随经验和学习越来越理性，越来越回归股票的现金流折现价值，而非赌博炒作价值。而从现金流价值来计算，A和H差异不大。就算税和交易和持有等成本影响，外加流动性溢价，AH溢价也应在0-30%内。进而价差也应该会越来越小。
• 不过也都是长周期的基本面。

3.2 应用思考

可作为长周期的选股策略，和其他策略结合着用在选股时进行加权。

本身策略也可以进一步优化完善

• 目前策略没考虑仓位控制（一直满仓）
• 没考虑AH股以外的资产组合策略（如配合现金、纳指、黄金、债券），没进行凯利公式相关优化。
• 也还没考虑 Sharpe Ratio
• 等等