投资中的胜率、赔率定义与应用 [page::3]

• 胜率定义为满足投资目标的决策比例，绝对收益关注正收益次数，相对收益关注战胜基准次数。

- 赔率为正确决策的平均盈利幅度与错误决策的平均亏损幅度的比值。

• 报告区分了绝对收益与相对收益胜率和赔率的计算公式，强调其在投资决策中的作用。

行业有效因子介绍及选取方法 [page::7]

| 因子 | 计算方法 |
|--------------------------|-------------------------------------------------|
| 一致预期净利润3个月变化率 | 股票当前一致预期净利润相较3个月前变化，用市值加权合成行业 |
| 6个月收益率/波动率 | 行业指数最近6个月收益率除以波动率 |
| ROE(TTM)环比变化 | 行业整体法ROE(TTM)季度环比变化 |
| 营业利润(TTM)环比变化率 | 行业整体法营业利润季度环比变化幅度 |
| 归母净利润(TTM)环比变化率 | 行业整体法归母净利润季度环比变化幅度 |

• 因子均来自华西行业因子库，具备良好的历史有效性和较低相关性。

- 这些因子在横截面和时间序列均展现出区分能力，且因子IC在不同市场状态下有所提升。

量化因子表现图示及特征分析 [page::8][page::9][page::10][page::11][page::12]

• 各因子在横截面分组中，收益表现普遍随着因子值增长而提高，部分因子近两年出现反转迹象。

- 时间序列上，因子收益表现与横截面相反，说明需结合不同视角共同分析。

收益矩阵构建与博弈论中胜率、赔率计算方法 [page::15][page::17][page::18]

• 以行业与市场基准视为博弈双方，构造三状态（上涨、震荡、下跌）市场状态下行业超额收益收益矩阵。

- 胜率计算为收益矩阵中超额收益>0的比例。

• 赔率通过两种方法衡量：统计均值比值和基于纳什均衡的minimax算法，二者相关系数约0.4。

- 以行业A实例展示胜率60%，两种赔率计算分别为0.57和0.0039，说明方法不同结果存在差异但均有参考价值。

行业胜率与赔率横向比较及相关性分析 [page::19][page::20]

• 不同行业胜率和赔率排名存在显著差异，部分行业（如家电、食品饮料）表现优异。

- 胜率与赔率两种排名相关性明显，且历史平均排名同向，表明两指标可共同作为选股参考。

行业轮动组合构建与回测表现 [page::22][page::23][page::24][page::25]

| 年度 | 中证全指 | 高胜率组合 | 高赔率组合 | 胜率赔率双高组合 | 直接预测组合 |
|----------|----------|------------|------------|------------------|--------------|
| 2015年 | 32.56% | 63.96% | 54.45% | 50.86% | 59.35% |
| 2016年 | -14.41% | -14.42% | -13.90% | -12.69% | -21.19% |
| 2017年 | 2.34% | 14.10% | 11.77% | 13.19% | 10.73% |
| 2018年 | -29.94% | -28.52% | -30.15% | -28.44% | -33.82% |
| 2019年 | 31.11% | 62.86% | 44.43% | 56.53% | 53.23% |
| 2020年 | 24.92% | 49.56% | 45.40% | 52.25% | 57.60% |
| 2021年 | 6.19% | -4.60% | -6.30% | 1.57% | -9.38% |
| 2022年 | -20.32% | -14.79% | -18.54% | -15.61% | -24.42% |
| 2023年 | -7.04% | -2.61% | -6.39% | -2.56% | -13.53% |
| 2024年1-5月| -3.03% | -3.60% | 1.64% | 1.45% | -0.61% |
| 累计收益 | 1.64% | 112.72% | 58.32% | 115.48% | 30.82% |
| 年化收益 | 0.17% | 8.35% | 5.00% | 8.49% | 2.89% |

• 胜率赔率双高组合整体表现最优，获得显著超额收益且波动较小。

- 换手率适中，历史平均单边换手率约17%，适合实际运作。

风险提示与研究所及分析师介绍 [page::26][page::27]

• 报告基于历史数据的统计规律，未来规律变化可能导致模型失效。

- 分析师具备证券投资咨询资质，保证数据合规，结论独立公正。

金融研究报告详尽深度分析报告

报告题目：《胜率、赔率计算与行业轮动》
作者：张立宁（高级分析师）、杨国平（首席分析师）
发布单位：华西证券研究所
发布日期：2024年6月4日
主题：本报告聚焦于股票市场投资的概率统计和博弈论应用，具体探讨投资决策中的胜率与赔率计算方法，及其在行业轮动策略中的实践运用，对行业因子进行了筛选，构建了基于胜率和赔率的行业组合，验证其在提升投资回报和风险管理中的有效性。

---

1. 报告概览与核心论点

本报告围绕“胜率”和“赔率”两个投资决策中的关键指标展开，结合博弈论建立行业与市场之间的零和博弈模型，创新性地提出通过构建收益矩阵来估算各行业相对于市场基准的胜率和赔率，进而筛选出高胜率和高赔率行业，构建行业轮动组合。该方法区别于传统的因子单独使用，强调了在市场不同状态下（上涨、震荡、下跌）因素表现差异，提升了预测的准确性和有效性。核心观点包括：

• 胜率反映成功投资决策在全部决策中的比例，赔率反映成功与失败决策的收益损失比。

- 利用行业因子预测行业对市场基准的超额收益，构建收益矩阵，进而计算胜率和赔率。

• 多因子与市场状态结合，采用博弈均衡模型（如纳什均衡）辅助计算赔率，更科学地支持投资决策。

- 基于计算胜率和赔率的方法构建行业组合表现优越，尤其是胜率和赔率双高组合表现平稳且收益可观，优于直接基于预测涨幅的组合。

• 风险提示中强调历史规律可能失效，因此模型和结论存在局限性。

报告未明确给出具体投资评级和目标价，核心为量化研究方法论创新及其行业应用成效展示，主要面向机构投资者提供量化择时和行业轮动参考。

---

2. 逐章节深度解读

2.1 投资中的胜率与赔率（第3页）

• 关键论点：

报告首先定义了“胜率”和“赔率”的含义。胜率是指盈利决策次数占总决策次数的比例；赔率则是正确决策时的平均收益与错误决策时的平均亏损之间的比值。

• 逻辑与公式：

- 绝对收益投资中：胜率是收益>0次数/总决策次数，赔率为平均盈利幅度/平均亏损幅度。
- 相对收益投资中：胜率是跑赢基准的决策次数/总决策数，赔率为平均超额收益/平均超额亏损。

• 意义：

胜率和赔率的结合决定了整体策略的盈利性，单纯高胜率或高赔率均不足以保证盈利，需综合考虑。

• 专业解读：

赔率（盈亏比）是风险控制的关键指标，本报告强调，将其精确定义并应用于定量模型，能够帮助精准识别优质行业和因子，提升择时和行业配置效果。

2.2 现有研究方法的局限性与创新（第4页）

• 以往研究多将因子简单分类为胜率型和赔率型，进而构造组合，缺乏对因子潜在胜率和赔率的量化计算。

- 本文创新性地将行业与市场基准视为博弈双方，利用博弈论设计收益矩阵，根据实际超额收益预测评分，准确估算行业战胜市场的胜率和赔率，从而构建精准组合，弥补传统因子效用划分的不足。

2.3 行业与市场的两人零和博弈模型（第5页）

• 采用因子作为行业的博弈策略，市场状态（上涨、震荡、下跌）作为市场基准策略。

- 构造收益矩阵，矩阵元素代表特定因子策略在对应市场状态下行业超额收益，利用单因子回归得到参数，从而预测未来收益。

• 模型有效地融合了市场环境动态变化，提升了因子的时变预测能力。

2.4 行业有效因子筛选与分析（第6-14页）

• 从华西证券行业因子库中选取5个历史有效且相关性低的行业因子：

- 一致预期净利润最近3个月变化率
- 行业近6个月收益率/波动率比
- ROE(TTM)环比变化
- 营业利润(TTM)环比变化率
- 归母净利润(TTM)环比变化率

• 因子计算方法详见表格（市值加权、财务比率等）。

- 因子表现分析：
- 横截面视角：因子分组收益率总体与因子值呈正相关，说明高因子值行业后续表现较好，但近2年部分因子出现反转。
- 时间序列视角：因子分组收益率趋势与横截面相反，表明因子时变特性和市场状态影响较大。
- 不同市场状态（上涨、震荡、下跌）中各因子IC（信息系数）表现不同，分状态应用因子能提升预测准确性。
- 图表（第8-12页）详细展示每个因子横截面与时间序列的分组收益及IC波动，强调因子在不同行业和时间上的表现差异性。

2.5 生成收益矩阵的过程（第15页）

• 根据历史扩展窗口和市场状态，利用单因子时间序列回归得到因子对下期超额收益的回归关系。

- 结合实际因子最新值，预测三种市场状态下超额收益，形成收益矩阵。

• 通过此矩阵进行情景分析，增强模型的环境适应性和动态调整能力。

2.6 博弈中的胜率与赔率的计算（第16-18页）

• 根据收益矩阵统计超额收益>0的元素比例，得到行业战胜市场的胜率。

- 赔率有两种计算方法：
1. 统计方法：超额收益为正的均值除以负的均值。
2. 博弈论方法：通过纳什均衡和minimax算法得到稳定超额收益以衡量赔率。

• 两种方法计算得出的赔率相关系数约为0.4，显示具有较强一致性，证实收益矩阵设计合理。

- 以行业A为例，给出收益矩阵和计算示例，行业战胜基准胜率60%，赔率方法1为0.57，方法2为0.0039，体现了两种度量的差异但方向一致。

2.7 胜率和赔率的横向行业对比（第19-20页）

• 图示展示各行业胜率和赔率分布情况。

- 部分行业如家用电器、食品饮料、机械设备表现出高胜率和高赔率。

• 进一步通过排名分析，胜率和赔率排名高度正相关，简化实际组合构建中的因子选择。

2.8 行业轮动组合及实证检验（第21-25页）

• 构建三种行业组合：

1. 高胜率组合（5个胜率最高行业）
2. 高赔率组合（5个赔率最高行业，方法2效果较好）
3. 胜率赔率双高组合（胜率和赔率综合排名前5）

• 以直接预测涨幅最高的5个行业组合作为对比。

- 回测周期2015年至今，调仓周期月频，行业权重等权。

• 实证结果：

- 所有基于胜率/赔率的组合均获得了超越基准的正超额收益。
- 胜率赔率双高组合整体表现最优，在收益与风险控制间取得较好平衡。
- 高胜率组合波动较大，高赔率组合收益水平相对较低。
- 直接预测组合虽然早期表现优异，但后期回撤显著且表现不稳定，因子反转风险凸显。

• 组合换手率较低（双高组合历史平均17%），有利于控制交易成本。

2.9 风险提示与免责声明（第26-28页）

• 明确提示本研究基于历史统计规律建模，历史规律变化可能导致模型失效。

- 免责声明中详细说明本报告基于公开资料和研究员判断，不构成投资推荐，投资有风险需谨慎。

• 强调信息隔离墙制度确保研究公正性，分析师专业资质证明其研究水平和合规性。

---

3. 重点图表深度解析

3.1 因子横截面和时间序列表现图（第8-12页）

• 以“一致预期净利润3个月变化率”为例：横截面分组收益显示高因子组收益明显优于低组（第4组、第5组为明显正收益），表明该因子在横截面上有效。

- 时间序列表现则显示收益分组呈现降序趋势，体现此因子在时间序列预测上的复杂性。

• IC波动图揭示因子相关性随时间和行业不同波动较大，细分市场状态后的IC表现普遍优于全周期IC，强调分状态应用的重要性。

- 类似表现反复出现在其它四个因子（6个月收益率/波动率、ROE环比、营业利润环比、归母净利润环比），说明因子表现普遍具有市场状态依赖特征。

3.2 收益矩阵示例（第18页）

• 表述行业A在上涨、震荡、下跌三种市场状态下，五个因子策略对应的超额收益数值。

- 具体数值如“6个月收益率/波动率”因子策略在上涨市场状态下的超额收益达1.12%，反映因子对行业择时能力的差异。

• 该矩阵为胜率和赔率计算提供基础，实现行业与市场的博弈模型。

3.3 行业胜率与赔率分布与排名（第19-20页）

• 胜率图显示部分行业胜率高达100%，最低行业低至7%。行业差异显著。

- 赔率图表显示两种计算方法得出的赔率排名走势一致，进一步验证方法的可信度。

• 排名分布图显示胜率排名与赔率排名高度相关，符合投资逻辑，即成功概率与风险收益比应同步考虑。

3.4 行业轮动组合超额收益曲线（第23页）

• 各组合均明显跑赢中证全指。

- 高胜率组合和胜率赔率双高组合走势平稳且波动相对较小，显示风险控制较好。

• 直接预测组合在2021年前表现突出，后期表现大幅下滑，反映因子失效风险。

- 数据验证胜率与赔率的结合优于单纯预测涨幅。

3.5 组合换手率（第25页）

• 换手率图形显示胜率赔率双高组合换手率历史平均约为17%，属于较低水平，有利于降低交易成本和市场冲击，提高组合稳定性。

3.6 年度收益表（第24页）

• 显示2015年至2024年1-5月各组合和基准年度收益。

- 高胜率组合多年跑赢基准，累计收益最高达112.72%，年化收益8.35%。

• 胜率赔率双高组合稍优于高胜率组合，年化收益8.49%。

- 直接预测组合表现波动较大，验证了因子反转风险。

---

4. 估值部分

报告未涉及传统意义上的公司估值模型（如DCF、市盈率倍数等），其“估值”实为对行业相对收益概率（胜率）及盈亏比（赔率）的数学绩效评价，属于统计学和博弈论框架的概率估值，基于扩展回归模型和收益矩阵实现。该方法创新性地将市场状态融入因子应用，提高了行业“状态依赖”估值的精确度。

---

5. 风险因素

报告最核心的风险提示在于历史规律可能失效，因子特征和模型预测能力会随市场环境变化产生偏离，导致组合表现下滑。模型假设收益矩阵可以较好反映博弈真实情况，若因子选择或市场状态划分存在误差也会影响胜率和赔率计算。此外，回测结果反映过往，未来不保证效果，投资需风险自负。

---

6. 审慎视角与细节

• 报告在方法论上具较高创新性，但对因子反转等系统性风险揭示较为简略，未提供具体应对策略。

- 胜率与赔率的计算依赖于收益矩阵的精确构建，回归参数和市场状态划分的合理性、稳定性是关键，报告未细述参数设定标准（如时间窗口大小N和涨跌幅阈值m）。

• 模型中纳什均衡算法的具体实现细节概述有限，定量实现的技术复杂度及其稳健性分析缺失。

- 虽然胜率和赔率高度相关，报告尚未讨论两者出现明显背离时的处理策略。

• 报告整体基于历史数据，建议在实盘应用时结合实时市场分析以防范模型失效的重要影响。

---

7. 结论综合

本报告创新地引入了博弈论框架，通过建立行业与市场基准的收益矩阵，量化计算各行业的胜率和赔率，成功实现了对行业轮动配置的优化。报告充分验证了因子在不同市场状态下的表现差异，突破传统因子的静态应用方法。通过构建基于胜率、赔率及二者结合的行业轮动组合，实现了长期稳定的超额收益，优于单纯基于涨幅预测的组合，且组合换手率较低，具备较好的实用性。

其方法论的亮点在于：

• 明确将投资决策中“赢”的概率（胜率）和盈亏比（赔率）定量化，是投资风险与收益管理的核心。

- 结合市场状态分割，增强了因子预测的时效性和适用性。

• 利用纳什均衡等博弈论工具计算赔率，体现了决策稳定性和策略最优性的考虑，提升了模型科学性。

- 充分利用历史数据实现动态组合调仓，平衡收益与风险。

然而，历史规律变化与模型参数设定依赖是不可忽视的风险。投资者在实际应用时应结合市场变化和其它定性分析，谨防因子失效。整体而言，报告为量化行业轮动和多因子择时提供了科学高效的新路径，具有较强的理论价值和实践指导意义。

---

参考图表

1. 因子横截面与时间序列表现示意图（第8-12页）

2. 行业与市场博弈收益矩阵示例（第18页）

1. 行业胜率与赔率分布（第19-20页）

4. 行业轮动组合超额收益曲线（第23页）

1. 组合年度收益对比表（第24页）

6. 组合换手率时间序列（第25页）

---

文献出处标志

所有结论、数据引用均附带原文页码，如[page::3]，[page::19]，[page::24]，方便溯源。

报告