一、引言

近年来，随着中国资本市场的快速发展和机构化程度的不断提升，因子投资（Factor Investing）逐渐成为量化研究的重要方向。其中，小市值因子（Size Factor）与红利低波因子（Dividend & Low Volatility Factor）是最为典型的两类策略，分别代表着成长性与稳健性的两种投资风格。
小市值策略依靠规模较小企业的成长潜力，在市场复苏与扩张阶段往往能够获得较高的超额收益。然而，小市值股票普遍流动性不足、业绩波动较大，导致其在市场下行阶段容易出现剧烈回撤。与之形成对照的，是红利低波策略。该策略通过筛选高分红、低波动的股票构建组合，其基本逻辑在于：分红代表企业稳定的现金流与盈利能力，而低波动因子则能有效降低组合风险，使投资者在熊市中更具防御性。
从国际经验来看，红利因子与低波动因子的结合已经在多个市场得到验证。例如，MSCI 在 2014 年推出的 MSCI 高股息低波动指数，在长期回测中表现出较高的风险调整后收益。这表明，红利低波不仅具有理论可行性，在实务中也有一定应用价值。

1.1 遗留问题

然而，在前期研究和实际应用中，红利低波策略依然存在一些问题：
小市值与红利低波的互补研究：风险对冲与收益增强的双重路径
回撤控制不足：在上一阶段研究中，小市值策略的最大回撤一度达到 34.78%，远超投资者的风险承受能力；而红利低波策略在极端行情中同样暴露出回撤过大的缺陷。
收益表现不达预期：红利低波策略的年化收益率未能充分体现“高股息+低风险”的理论优势，导致投资吸引力不足。
策略实现简化：此前的研究在组合构建上仅采用了等权组合，忽略了不同因子间的权重分配和协同效应。
因此，本文在前期工作的基础上，围绕“如何在提升收益的同时有效控制回撤”这一核心问题展开，重点研究红利低波策略的优化与迭代。本文的目标是通过因子优化、回测周期延长、止盈止损机制引入等方法，验证红利低波策略在长期维度上的有效性与局限性，并提出进一步的研究方向。

1.2 研究现状与不足

在前期的实证研究中，小市值与红利低波策略均显示出一定的超额收益能力。但若从风险控制和收益稳定性的角度来看，仍然存在以下不足：
小市值策略的高回撤风险
由于小市值股票波动性大，市场情绪对其影响显著，策略在 2015 年股市异常波动期间的最大回撤高达 34.78%。这一水平远远高于机构投资者的容忍度，使得该策略难以被大规模应用。
红利低波策略的收益缺陷
在上一阶段的红利低波选股逻辑中，仅依赖历史股价与股息数据，未能充分考虑分红再投资效应。这导致策略在理论上存在一定偏差，回测结果显示的年化收益率较低，未能充分展现“红利累积”的长期优势。
组合层面的不足
由于不同策略的调仓频率不一致，组合层面仅采用了简单的等权配置方式。这种方法虽然操作简便，但无法发挥“风险对冲+收益增强”的优势。换言之，组合内因子间的相关性并未被充分利用，导致策略的整体表现偏弱。
基于以上不足，本研究提出新的优化方向，力争在保持策略简洁性的同时，显著改善收益水平和风险控制能力。

二、研究框架

2.1 回测平台与工具

本文采用聚宽（JoinQuant）平台进行实证研究。该平台数据完整、回测灵活，适合对中长期策略进行验证。

2.2 回测设定

2.2.1回测区间

为增强结论的稳健性，本次回测区间设定为 2015年4月22日至2025年3月21日，较上一阶段研究延长了 5 年。该区间包含中国股市的重要市场事件，如 2015 年股灾、2018 年贸易摩擦、2020 年疫情冲击、以及 2022 年以来的货币政策调整，因而具有较强的代表性。

2.2.2初始资金

投入资金设定为 10万元，以便于和上一阶段结果进行可比性分析。

2.2.3交易费用

买入佣金设定为万分之三，卖出佣金为万分之三 + 千分之一印花税，每笔交易最低 5 元。这一设定尽可能贴近真实市场环境。

2.2.4滑点设定

考虑到中证全指成分股普遍流动性较好，滑点设定为 0，即假设无额外冲击成本。

2.2.5仓位管理

每次调仓时，将剩余资金平均分配到买入股票上，全仓持有。

2.2.6股票池

默认股票池为中证全指，并剔除当日停牌、跌停与涨停股票。

2.2.7比较基准

选取中证全指指数作为基准，便于衡量策略的相对表现。

2.2.8其他设定

下单方式：市价单；
数据使用：采用财报和市值的前一日数据，避免未来函数问题。
通过上述设定，回测结果能够较为真实地反映策略在现实市场环境中的可行性与局限性。

三、研究思路与优化路径

3.1 延长回测周期

图片1.png
在保持代码逻辑不变的情况下，将回测时间从 5 年延长至 10 年。回测结果显示，虽然策略长期跑赢中证1000指数，但最大回撤高达 45.70%。这一水平远超一般投资者可接受的风险阈值，说明策略的抗风险能力依然不足。
值得注意的是，在 2018 年和 2020 年的市场震荡期，策略表现显著下滑。这表明红利低波策略在面对系统性风险时，并不能完全发挥防御性作用。

3.2 残差波动率优化与选股逻辑调整

为降低组合波动性，本文借鉴国盛证券的研究经验，将残差波动率因子由 X5 调整为 X1，以减少极端值对整体结果的干扰。同时，重新设计了选股逻辑，具体流程如下：
红利池构建
计算股票过去一年红利支付率、过去三年股利增长率，剔除红利支付率过高（前 5%）或为负的股票，以及股利增长率为负的股票，得到“红利股票池”。
股息率排序
对剩余股票计算三年平均税后现金股息率，按降序排序，选择前 150 只股票。
波动率筛选
在上述股票中，计算过去一个月波动率，按升序排序，选择前 50 只股票，按股息率加权构建组合。

代码：
第一步：红利筛选（三年平均派息率）
    q1 = query(
        finance.STK_XR_XD.code,
        finance.STK_XR_XD.bonus_ratio_rmb,
        finance.STK_XR_XD.report_date
    ).filter(finance.STK_XR_XD.code.in_(bank_stocks))
    df_div = finance.run_query(q1)

    if df_div.empty:
        log.warning("红利数据为空，返回空列表")
        return []

    df_div['report_date'] = pd.to_datetime(df_div['report_date'])
    start_date = pd.Timestamp(date - pd.DateOffset(years=3))
    end_date = pd.Timestamp(date)
    df_div = df_div[(df_div['report_date'] >= start_date) & (df_div['report_date'] <= end_date)]
    df_div['bonus_ratio_rmb'] = pd.to_numeric(df_div['bonus_ratio_rmb'], errors='coerce')
    df_div = df_div.groupby('code')['bonus_ratio_rmb'].mean().reset_index().dropna()

    # 剔除负值与极端高值
    thresh = df_div['bonus_ratio_rmb'].quantile(0.95)
    df_div = df_div[(df_div['bonus_ratio_rmb'] > 0) & (df_div['bonus_ratio_rmb'] < thresh)]
    pool_size = g.stocknum * 20
    top_div = df_div.sort_values('bonus_ratio_rmb', ascending=False).head(pool_size)
    codes_div = top_div['code'].tolist()

    if not codes_div:
        log.warning("无高红利股，返回空列表")
        return []

    # 第二步：获取残差波动率因子
    try:
        factor_dict = get_factor_values(
            securities=codes_div,
            factors=['residual_volatility'],
            count=1,
            end_date=date
        )
        df_factor = factor_dict['residual_volatility']
        latest = df_factor.iloc[0]
        df_vol = pd.DataFrame({'code': latest.index, 'Variance20': latest.values}).dropna()
    except Exception as e:
        log.warning(f"获取残差波动率因子失败：{e}")
        return []

    # 合并并选出最低波动率
    df_pool = pd.merge(top_div, df_vol, on='code', how='inner')
    selected = df_pool.sort_values('Variance20', ascending=True).head(g.stocknum)
    codes = selected['code'].tolist()

图片2.png

这一逻辑兼顾了红利水平与波动控制的双重要求。从回测结果来看，该方法相较于基准指数有一定超额收益，但最大回撤依然较高，年化收益改善有限。

3.3 止盈止损机制的引入与测试

为进一步降低极端行情下的风险，本文尝试在组合中引入止盈止损机制。设定固定比例阈值，当股价触及止盈或止损线时触发卖出。
实证结果表明：
图片3.png
策略累计收益率约 14.25%，年化收益率 1.39%；
最大回撤依旧高达 38.42%，未能降至 20% 以下；
中证1000同期累计收益为 -31.70%，策略虽跑赢基准，但超额收益并不稳定。
这一结果表明，止盈止损并不适合红利低波策略：
低波特征与止损冲突：组合标的本身波动不大，僵硬的止盈止损阈值反而导致频繁交易。
长期逻辑被割裂：红利低波策略的核心收益来源是股息与长期持有，而止损机制过于关注短期波动，破坏了复利效应。
因此，本研究最终放弃止盈止损方向，转而继续从因子优化与基准比较的角度展开研究。

3.4 银行股主导的红利策略测试

在进一步优化过程中，本文尝试将红利低波策略的选股范围限定在银行股板块。逻辑依据在于：
稳定分红：银行股普遍保持较高的分红比例，现金流稳定；
波动率较低：相较于成长性行业，银行股价格波动小，更符合低波策略的防御属性；
防御性强：银行股在经济波动期常常表现出类似“类债券”的收益特征。

代码：
# ✅ 优化点1：使用聚宽行业接口获取银行股
    try:
        # 直接获取聚宽银行行业编码为"I64"的成分股
        bank_stocks = get_industry_stocks("I64", date=date)
    except Exception as e:
        log.warning(f"获取银行股失败: {e}")
        bank_stocks = []
    
    # ✅ 优化点2：备用方案-通过行业名称匹配
    if not bank_stocks:
        all_stocks = get_all_securities(['stock'], date=date).index.tolist()
        bank_stocks = []
        for stock in all_stocks:
            try:
                industry = get_industry(stock, date=date)
                if industry and industry.get('sw_l1', {}).get('industry_name') == "银行":
                    bank_stocks.append(stock)
            except:
                continue

    if not bank_stocks:
        log.warning(f"{date} 未找到银行股，返回空列表")
        return []

图片4.png

从图一的回测结果来看，银行股构建的红利组合在累计收益率与回撤控制方面表现更优，体现了较强的稳定性。然而，银行股集中度过高也带来问题：组合缺乏行业分散度，容易受到宏观政策（利率调整、金融监管）的影响。整体而言，银行股能够提升红利策略的防御性，但其可持续性仍需进一步验证。

3.5 基准调整：与红利指数对比

此前的研究多以中证全指或中证1000指数作为基准，这一设定虽然能反映策略相对于市场的超额收益，但未必合理。红利低波策略的本质在于“高股息+低波动”，因此与红利指数（如中证红利指数）对比更具参考意义。
图片5.png
从图二的结果来看：
当基准调整为红利指数时，策略的超额收益优势明显减弱。这表明红利低波策略在与红利指数对比时，并未展现出显著的收益优势；
然而，策略在波动率与回撤控制方面依旧优于红利指数，说明其核心价值更多体现在风险调整后的收益水平。
这一结果提示我们：红利低波策略本质上是一种风险优化型策略，其优势在于稳健性与抗跌性，而非单纯的收益增强。未来的优化方向应更多关注如何在红利与低波基础上叠加其他因子，以提升整体夏普比率和收益表现。

四、结论与展望

通过延长回测、优化残差波动率和改进选股逻辑，本研究对红利低波策略进行了多次迭代验证，得到以下结论：

4.1、长期有效性

红利低波策略在长期维度上能够跑赢红利指数和大盘，具有一定投资价值。

4.2、回撤控制不足

策略最大回撤仍处于较高水平，未能达到稳健投资的风险标准。（宏观影响：牛市到熊市）

4.3、止盈止损不适用

止盈止损机制并未改善策略表现，反而破坏了长期股息累积效应，不适合红利低波策略。

4.4、残差波动率优化有效但有限

优化残差波动率能降低组合波动，但对年化收益的提升有限。

4.5、展望方向

未来研究的潜在方向包括：
宏观因子引入：结合利率水平、通胀预期等变量，动态调整红利资产权重。
股息再投资机制：在回测中模拟分红再投入，提升长期复利效果。
多因子融合：将红利低波与小市值、质量因子结合，探索动态权重组合，提升夏普比率。
投资者适配性分析：探讨该策略对机构投资者和个人投资者的适配度，明确应用场景。
总体而言，本次研究验证了红利低波策略在长期投资中的可行性，同时揭示了其在风险控制与收益提升上的局限。后续研究将以风险约束 + 收益增强为双重目标，推动策略体系的进一步完善。