揭開投資大師的選股密碼：麥克．喜偉收益型投資四大準則解析
Photo from Unflash by Markus Spiske
前言
在投資的世界裡，準確的預測和系統性的分析是取得長期成功的關鍵，而能夠洞悉市場趨勢的策略家，更是投資者們爭相學習的對象。麥克．喜偉（Michael Sivy）無疑是其中的佼佼者。他以精準的市場預測和獨到的投資見解，在美國投資界樹立了卓越的聲譽。
從1987年預警美國股市大崩盤，到1995年預言股市轉機，再到1999年洞察科技股泡沫的破滅，麥克．喜偉以數十年的市場研究和實戰經驗，證明了其卓越的投資洞察力。他的作品《投資金律》更成為眾多投資者必讀的經典，透過系統性的分析和清晰的準則，為不同類型的投資者提供了實用的選股指南。
本篇文章將聚焦於麥克．喜偉的投資理念，特別是他為收益型投資者制定的四大準則：高收益率、穩健成長率、健康財務狀況和合理估值。我們將結合其經典案例，探索這些原則如何在現實投資中實現收益最大化，並為當前的投資環境提供指引。
麥克．喜偉（Michael Sivy）的擇股條件
麥克．喜偉重視公司在各種收益率的表現，因此使用了較多的收益相關資料進行股票的篩選。同時也關心公司的營運方的表現，我們將採用舉債情況以及資產的流動程度來作為首要依據，去評估公司營運方是否有將公司為實在良好的體質當中。
- 股利收益率加上獲利（營收）成長率大於10%
- 股利收益率大於市場平均值
- 本益比小於市場平均值
- 流動比例大於市場平均值
- 負債佔股東權益小於20%
策略簡介
通過上述的五個條件進行選股，於每季最後一天交易日更換部位，最後查看麥克．喜偉（Michael Sivy）的擇股策略是否可以應用於台灣股市。
程式範例
基本的模組輸入以及apikey 的設定
import pandas as pd import numpy as np import tejapi import os import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'Arial' tej_key ='your tejapi key' tejapi.ApiConfig.api_key = tej_key os.environ['TEJAPI_BASE'] = "your tej base" os.environ['TEJAPI_KEY'] = tej_key
利用TEJToolAPI 抓取股票的財務以及交易資料
選擇回測時間之前就存在的股票(2019年就存在的股票），避免出現前視偏誤問題，並選擇上市股票作為研究目標
from zipline.sources.TEJ_Api_Data import get_universe pool = get_universe(start = pd.Timestamp('2019-01-01', tz = 'UTC'), end = pd.Timestamp('2019-12-31', tz = "UTC"), mkt_bd_e = 'TSE', stktp_e = 'Common Stock')
關於 get_universe 用法可以參考 TQuant Lab Github 官網：https://github.com/tejtw/TQuant-Lab/blob/main/lecture/get_universe說明.ipynb
利用TEJToolAPI的get_history函數抓取需要的財務會計資料，這裡抓取麥克．喜偉（Michael Sivy）的擇股條件所需要的會計資料。
例如：本益比、流動比率、營收成長率等等。
- TEJToolAPI 說明內容參考： lecture/TejToolAPI.ipynbtejtw/TQuant-Labimport TejToolAPI columns = ['Industry', '本益比', '收盤價', '流動比率', '股東權益總計', '負債總額', '營收成長率','eps','mt_div','現金股利率'] start_dt = pd.Timestamp('2015-12-29', tz = 'UTC') end_dt = pd.Timestamp('2023-12-31', tz = "UTC") data__ = TejToolAPI.get_history_data(start = start_dt, end = end_dt, ticker = pool, fin_type = 'A', # 為累計資料 columns = columns, transfer_to_chinese = True)
計算出每期換部位的時間（每季的最一天交易日）：
通過選取台積電的資料當作樣本，來篩選出每季的最後一天交易日日期，之後會根據這個日期進行新一輪的換股以及選股。
# 找尋每年當中的12月以及6月的最後一天交易日日期 sample = data[data['股票代碼'] == '2330'] last_day = list(sample.groupby(sample['日期'].dt.year)['日期'].max()) june_data = sample[sample['日期'].dt.month == 6] last_june_day = list(june_data.groupby(june_data['日期'].dt.year)['日期'].max()) march_data = sample[sample['日期'].dt.month == 3] last_march_day = list(march_data.groupby(march_data['日期'].dt.year)['日期'].max()) sep_data = sample[sample['日期'].dt.month == 9] last_sep_day = list(sep_data.groupby(sep_data['日期'].dt.year)['日期'].max()) last_day = last_day + last_june_day + last_march_day + last_sep_day modified_day = [] for i in last_day: modified_day.append(i.date()) modified_day 日期輸出格式： [datetime.date(2015, 12, 31), datetime.date(2016, 12, 30), datetime.date(2017, 12, 29), datetime.date(2018, 12, 28), datetime.date(2019, 12, 31), datetime.date(2020, 12, 31), datetime.date(2021, 12, 30), datetime.date(2022, 12, 30), datetime.date(2023, 12, 29), datetime.date(2016, 6, 30), datetime.date(2017, 6, 30), datetime.date(2018, 6, 29), datetime.date(2019, 6, 28), datetime.date(2020, 6, 30), datetime.date(2021, 6, 30), datetime.date(2022, 6, 30), datetime.date(2023, 6, 30), datetime.date(2016, 3, 31), datetime.date(2017, 3, 31), datetime.date(2018, 3, 31), datetime.date(2019, 3, 29), datetime.date(2020, 3, 31), datetime.date(2021, 3, 31),
設定回測架構
先將需要的股票資料匯入浸會側系統當中，這裡除了剛剛獲取的股票池之外，會加入台股大盤（IR0001）資料當作選股策略的比較對象。回測的時間設定為2019/12/30至2024/11/31。
pools = pool + ['IR0001'] from zipline.data.run_ingest import simple_ingest # 價量資料 simple_ingest(name = 'tquant' , tickers = pools , start_date = '20191231' , end_date = '20241131')
匯入回測需要的模組及函數
from zipline.api import set_slippage, set_commission, set_benchmark, symbol, record, order_target_percent from zipline.finance import commission, slippage from zipline import run_algorithm
設定benchmark為台灣大盤指數（IR0001）來進行最終策略的比較，同時設定手續費以及滑價模型。
def initialize(context): set_slippage(slippage.TW_Slippage(spread = 1 , volume_limit = 1)) # 設定為台灣股票手續費計算方法 set_commission(commission.Custom_TW_Commission(min_trade_cost=20, discount=1.0, tax = 0.003)) # 設定台灣大盤為比較基準 set_benchmark(symbol('IR0001')) context.i = 0 context.state = False context.order_tickers = [] context.last_tickers = []
交易策略設定為在每一年的最後一天交易日進行上一期股票的賣出，同時對下一期的股票進行買入。買入的部位比例為等權重的比例買進。
def compute_stock(date, data): # 創建一個函數，在指定的日期進行選股，輸出篩選出的股票列表。 # 提取出調整部位當日的股票資訊 df = data[data['日期'] == pd.Timestamp(date)].reset_index(drop = True) # 本益比小於市場平均值 df['產業平均本益比'] = df.groupby('主產業別_中文')['本益比'].transform('mean') set_1 = set(df[df['本益比'] < df['產業平均本益比']]['股票代碼']) # 流動比例大於市場平均值 df['產業平均流動比率'] = df.groupby('主產業別_中文')['流動比率_A'].transform('mean') set_2 = set(df[df['流動比率_A'] > df['產業平均流動比率']]['股票代碼']) # 負債佔股東權益小於20% df['負債佔股東權益'] = df['負債總額_A'] / df['股東權益總計_A'] set_3 = set(df[df['負債佔股東權益'] < 0.2]['股票代碼']) # 現金股利率大於市場平均值 df['產業平均現金股利率'] = df.groupby('主產業別_中文')['現金股利率'].transform('mean') set_4 = set(df[df['現金股利率'] > df['產業平均現金股利率']]['股票代碼']) # 股利收益率加上獲利成長率大於10% set_5 = set(df[df['營收成長率_A']*0.01 + df['現金股利率']*0.01 > 0.1]['股票代碼']) # 因為單位問題進行調整，將％調整為正確單位 tickers = list(set_1 & set_2 & set_3 & set_4 & set_5) return tickers
def handle_data(context, data): # 避免前視偏誤，在篩選股票下一交易日下單 if context.state == True: print(f"下單日期：{data.current_dt.date()}, 擇股股票數量：{len(context.order_tickers)}") for i in context.last_tickers: if i not in context.order_tickers: order_target_percent(symbol(i), 0) for i in context.order_tickers: order_target_percent(symbol(i), 1 / len(context.order_tickers)) curr = data.current(symbol(i), 'price') record(price = curr, days = context.i) context.last_tickers = context.order_tickers context.state = False backtest_date = data.current_dt.date() # 查看回測時間是否符合指定日期 for idx, j in enumerate(modified_day): if backtest_date == j: # 調整狀態，在下一個交易下單 context.state = True context.order_tickers = compute_stock(date = backtest_date, data = data__) context.i += 1
def analyze(context, perf): # plt.style.use('dark_background') # 重置為預設樣式 plt.style.use('default') plt.title(f'Portfolio Value') plt.plot(perf['portfolio_value'], label='Portfolio Value') plt.legend() plt.show() cumulative_returns = (1 + perf['returns']).cumprod() - 1 plt.title(f'Period Return Portfolio & Benchmark') plt.plot(perf.index, cumulative_returns, label = 'Portfolio') plt.plot(perf.index, perf['benchmark_period_return'], label = 'Benchmark') plt.legend() plt.show()
capital_base = 1e7 results = run_algorithm( start = pd.Timestamp('20191231', tz = 'utc'), end = pd.Timestamp('20231130', tz = 'utc'), initialize = initialize, handle_data = handle_data, analyze = analyze, bundle = 'tquant', capital_base = capital_base) results
策略績效圖表分析
回測期間設定為2019年底～2023年底，從累積報酬圖中看出選股策略的績效是略微優於大盤，表示這個策略有挑選出股市中上漲潛力較高的標的。但是在市場下行時，策略的下行幅度更加劇烈，在應對市場的系統性風險上相對缺乏韌性。從槓桿使用圖來看，只有在換股的幾天會出現槓桿的波動，其餘情況是維持在無槓桿的情況，使得策略在週轉資金上不會有過多的問題。策略年化報酬率為18.74%，略高於台灣大盤的年化報酬12-15%。
從移動波動度以及移動夏普值圖表中，可以刊到在2021年的下半年出現比較大的波動性。那段時間正好處於牛市結尾的回檔，台灣股票市場出現明顯的下跌段並且波動性較高，但策略的波動度卻明顯大於市場波動，我認為是這個選股方法是選出市場中上漲潛力較大的股票，這種股票市場處於熊市時，因為投資人的資金入場，因此叫沒有動能推升這類型股價。所以在該時間對中策略的下跌情形以及波動度都會較大，算是這個策略的市場風險。因此如果可以在整體股票市場基期較高時（牛市尾段）減少這個策略的操作，可以避開較大的波動時段。
以不同的換股頻率去進行相同邏輯的策略，我們採用每年、每半年以及每季為單位進行回測。從圖中可以看到換股頻率愈頻繁所帶來的整題績效會於高。經過篩選出的股票會在一個季度的內，股票價格反應公司的價值，因此進行高頻率的換股會對整體績效有顯著的提升。
在平衡天數的績效表格
統計量 3month 6month yearly Benchmark 年化報酬 18.74% 16.058% 17.635% 14.92% 累積報酬 94.499% 78.025% 87.581% 71.362% 夏普值 0.95 0.89 0.94 0.86 年化波動度 20.318% 18.805% 19.311% 18.02% 最大回撤 -29.274% -28.394% -28.394% -28.553%
完整程式碼連結：程式碼連結
歡迎投資朋友參考，之後也會持續介紹使用 TEJ 資料庫來建構各式指標，並回測指標績效，所以歡迎對各種交易回測有興趣的讀者，選購 TQuant Lab 的相關方案，用高品質的資料庫，建構出適合自己的交易策略。
溫馨提醒，本次分析僅供參考，不代表任何商品或投資上的建議。
【TQuant Lab 回測系統】解決你的量化金融痛點
全方位提供交易回測所需工具
延伸閱讀
程式交易是什麼？程式交易教學、優缺點及常見策略懶人包 - TEJ台灣經濟新報
用 Alphalens 剖析因子表現，價量因子篇
留言 0