Cluster分析方法介绍与优势 [page::0][page::1]

• 利用股票收益率序列，采用改进的K-中心点聚类算法，计算股票间曼哈顿距离完成聚类。

- Cluster方法无需预先定义类别，参数依赖较少，利用整个采样期数据，分类更为可靠。

• 适用于众多行业，尤其在金融量化选股中能够较好挖掘股票相似性。

Cluster动量选股策略表现 [page::2][page::3][page::4]

| 持有期\采样期 | 5周 | 10周 | 15周 | 20周 | 25周 |
|--------------|----------|----------|----------|----------|----------|
| 采样期5周 | -72.47% | 11.97% | 38.28% | 226.35% | 101.34% |
| 采样期10周 | 157.50% | 134.51% | 485.25% | 77.57% | 145.77% |
| 采样期15周 | 35.83% | 99.75% | -62.38% | 11.28% | 93.46% |
| 采样期20周 | 122.33% | 86.81% | -0.38% | 76.70% | -23.03% |
| 采样期25周 | -106.73% | -61.37% | -35.05% | 30.02% | -100.73% |

• 最佳参数为采样期5周、持有期20周，Cluster动量策略明显超越传统动量策略和沪深300指数。

- 各取样序列的验证显示策略收益稳定且持续优于单纯动量策略。

• 累计收益曲线对比(见封面图)凸显Cluster策略的优势与稳定性。

Cluster反转策略效果不佳 [page::4][page::5]

| 持有期\采样期 | 20周 | 25周 | 30周 | 35周 | 40周 |
|--------------|----------|----------|----------|----------|----------|
| 采样期20周 | 89.54% | 13.67% | 131.79% | 59.99% | 89.09% |
| 采样期25周 | -26.24% | 140.12% | 47.73% | 76.78% | -29.06% |
| 采样期30周 | 1.03% | 196.45% | 60.49% | 41.53% | -39.23% |
| 采样期35周 | 97.44% | 422.23% | 276.03% | 182.57% | 227.10% |
| 采样期40周 | 288.23% | 160.89% | 306.00% | 155.49% | 181.13% |

• Cluster反转策略较传统反转策略改进有限，收益不稳定且样本外表现不佳。

- 因此不推荐采用Cluster反转策略。

样本外检验验证策略稳定性 [page::5][page::6][page::7]

| 策略 | 样本外超额收益 |
| ---------- | -------------- |
| Cluster动量| 12.04% |
| 纯动量 | 1.99% |
| Cluster反转| 表现低迷，亏损 |

• Cluster动量策略保持正超额收益，且优于纯动量策略。

- Cluster反转在样本外熊市期间表现均不佳，进一步否定其实用性。

分类数目与策略收益影响 [page::7]

| 分类数K / 选股数N | Cluster动量超额收益 | 纯动量超额收益 |
|------------------|--------------------|--------------|
| 3 / 100 | 327.9% | 92.93% |
| 5 / 60 | 226.35% | 114.24% |
| 6 / 50 | 453.92% | 153.63% |
| 10 / 30 | 423.67% | 125.69% |

• Cluster动量策略在不同分类数设置下均优于纯动量选股。

量化因子构建与策略框架总结 [page::0][page::2]

• 首先通过曼哈顿距离对股票的周收益序列进行Cluster聚类，克服参数依赖和时间点限制。

- 根据采样期每类股票动量因子平均表现选出最优类，滚动持有，实现动态调仓。

• Cluster方法有效利用历史收益走势整体信息，提高因子信息稳定性，提升策略的阿尔法捕捉能力。

近期推荐组合及表现 [page::8][page::9]

• 以采样期5周，分类数5，基于沪深300选股池，选出42只股票构建投资组合。

- 市值加权组合自2010-09-08至2010-10-20累计收益约30%，显著超过同期沪深300指数。

金融工程研究报告 —— Cluster量化选股策略详尽分析报告

---

一、元数据与概览

• 报告标题： 新量化分类选股——Cluster量化选股策略

- 发布机构： 国海证券研究所金融工程部

• 发布日期： 2010年（具体时间未标明，但文中最后数据至2010年9月底）

- 分析师团队： 程志田（负责人）、廖庆（研究员）、张宇哲（实习生）

• 报告主题： 介绍并实证检验利用Cluster分析方法进行股票分类与选股的量化策略，重点应用于沪深300指数成分股。

核心论点与评级：
报告提出采用Cluster分析方法基于股票过去的收益率序列进行分类，再结合动量因子选取最优类别作为投资标的，形成策略“Cluster动量策略”，该策略在历史样本及样本外检验中均体现出显著的超额收益，提高了收益表现优于传统单纯动量策略。报告对“Cluster反转策略”做了分析，反转策略表现不及动量策略，也未优于传统方法，因此不予推荐。报告未直接给出单股评级目标价，但基于策略表现表达积极看法，推荐相应股票组合。

主要信息传达为：

• Cluster分析为一种基于整体收益率时间序列的无监督分类方法，避开了参数依赖性强的缺点。

- 结合动量因子在分类后进行选股，获得了显著超额收益，体现了该方法在量化选股领域的应用潜力。

• 提供了具体参数配置及实证数据，说明了策略的稳健性和优越性。

[page::0,1,2,3,4,5,6,7,8,9]

---

二、逐节深度解读

2.1 摘要与引言（页0-1）

• 关键论点：

传统股票分类方法（如行业、市值、交易所等）存在一定局限，文中提出采用Cluster分析对股票进行无监督分类——即不依赖先验类别标签，而是通过距离指标自动分群。Cluster分析方法优势是利用历史整段时间的数据，减少对参数的依赖，提升分类的稳定性和可靠性。

• 逻辑依据与假设：

假设股票收益率时间序列的“相似性”能反映潜在的共同行为特征。通过“曼哈顿距离”衡量收益率序列间差异，采用改进的K-中心点聚类算法以减少陷入局部极小的风险。

• 关键数据点与技术定义：

收益率序列定义为：
$$X{n,t} = \frac{P{n,t+1} - P{n,t}}{P{n,t}}$$
距离度量使用曼哈顿距离：
$$d(X,Y) = \sum{i=1}^n |xi - y_i|$$
K-中心点算法通过迭代优化各点到最近中心点的距离和，达到最优分类。

此部分奠定了理论基础，解释为何基于收益率序列整体进行聚类更有利于捕捉股票特征，回避了传统基于单一指标排名的缺陷。[page::0,1,2]

2.2 Cluster选股策略介绍（页2）

• 策略细节：

提出两大选股策略：
（1）Cluster动量策略——对收益率序列聚类后，选择分组中采样期表现最好的类进行持有。
（2）Cluster反转策略——对收益率序列聚类后，选择采样期表现最差的类进行持有。

• 样本数据与参数设定：

样本为2005年至2009年沪深300指数成分股剔除暂停上市和晚于2009年上市股票后的约290只股票周度数据。主要参数为采样期、持有期、类数。

• 理论假设：

动量因子在短期市场存在价格持续效应，反转因子用于捕捉价格修正，为策略提供双重视角。[page::2]

2.3 Cluster动量策略实证（页3-4）

• 实证数据与表现：

表1展示不同采样期与持有期组合条件下的超额收益，以采样期5-25周，持有期5-25周区间为例。最佳组合为采样期5周，持有期20周，累计超额收益最高达到226.35%。
对比表2单纯动量策略表现最快上涨点为采样期15周、持有20周，收益明显低于Cluster动量策略。

• 图表解读：

图1（累计收益曲线）显示，Cluster动量策略累计收益显著优于单纯动量策略及沪深300基准，走势平滑且峰值显著，说明策略在2005-2009年期间持续且有效地捕获了阿尔法。

• 稳定性检验：

考虑不同初始日期对周收益率序列产生的五个子序列，表3显示Cluster动量策略在全部序列中均优于单纯动量策略，确认其稳健性。

• 推论：

作者据此确认Cluster动量策略较传统动量策略有较大改进，且参数组合（5周采样、20周持有、5分类数）为推荐方案。[page::3,4]

2.4 Cluster反转策略实证（页4-5）

• 表现对比：

表4（Cluster反转策略超额收益）与表5（单纯反转策略超额收益）对比，结果显示单纯反转策略多数情况下胜出且更稳定。Cluster反转策略偶尔提升累积收益，但收益不稳定，甚至有恶化现象。

• 图表解读：

图2显示，两种反转策略整体走势相似，单纯反转表现稍优，Cluster反转策略的收益波动较大，不具备明显优势。

• 稳健性测试：

表6进一步显示不同序列下情况相似，普遍存在Cluster反转不优于传统反转的现象。

• 结论：

Cluster反转策略未能显著改善反转效应的捕捉表现，作者不推荐该策略使用。

[page::4,5]

2.5 样本外检验（页5-7）

• 样本外参数和时间：

选取2009年12月至2010年9月底数据进行独立样本外检验，验证策略过拟合风险及稳定性。

• 动量策略样本外表现：

表7（Cluster动量）与表8（单纯动量）对比显示，在最优参数（5周采样，20周持有）下，Cluster动量策略依然保持正超额收益（12.04%），而单纯动量策略多为负超额收益。

• 其他序列表现：

表9显示，五个子序列中，Cluster动量策略均明显优于传统动量策略。

• 反转策略样本外表现：

表10（Cluster反转）和表11（纯反转）均表现不佳，主要因样本外市场整体下跌，且持有期内只滚动一两轮，样本不足。此外反转策略本身在熊市表现差。再度验证Cluster方法未改善反转策略表现。

• 分析结论：

样本外检验加强了Cluster动量策略的信用度，反转策略不建议继续投资。

[page::5,6,7]

2.6 分类数量敏感性分析（页7）

• 参数K（类别数）设置影响：

表12对比Cluster动量策略不同分类数（3至10）下绩效，同期对比单纯动量策略对应选股数量N。

• 主要发现：

无论分类数如何变化，Cluster动量策略均超越对应的单纯动量策略，其中K=6时表现最优，累计超额收益达453.92%。说明Cluster分析聚类数目的变化对策略性能有一定影响，但不影响策略整体优越性。

• 反转策略未纳入此分析，因其表现不佳，已被否定。

[page::7]

2.7 推荐组合介绍与业绩展示（页8-9）

• 组合构建规则：

基于Cluster动量策略，5周采样期，分类数5，选出超额收益最高类别的42只股票组成推荐组合。

• 成分分析：

股票分布集中于能源、材料和金融等大类工业板块，多为市值较大蓝筹股，流通市值、区间涨跌幅和权重分布合理。

• 组合表现（图3）：

2010年9月8日至10月20日间，推荐组合在流通市值加权下累计获得近30%的收益，远超同期沪深300指数约14%的收益，体现较好超额表现。

• 策略总结：

Cluster分析利用全周期收益率序列对股票进行划分后，结合动量因子选股，显著优于单纯动量策略，获得503.22%的累计收益，2010年样本外超额收益12.04%，证实策略有效性及阿尔法挖掘潜力。

• 后续方向：

报告建议结合沪深300指数做空期货进一步提纯阿尔法，后续研究将围绕提高策略稳定性和阿尔法规模开展。

[page::8,9]

---

三、图表深度解读

图0（Cluster策略上期累计收益图）

• 描述：显示2010年9月至10月沪深300与Cluster动量策略市值加权组合的累积收益对比。
• 关键趋势：Cluster组合表现大幅优于沪深300，收益率迅速攀升至30%左右，沪深300约15%。
• 关联文本：验证了Cluster策略在实际投资组合中的超额收益和市场跑赢能力。

---

表1与表2（动量策略超额收益对比）

• 描述：不同采样期与持有期限下，Cluster动量策略与传统动量策略的相对沪深300超额收益。
• 发现：Cluster动量策略在大部分参数设置下均遥遥领先，尤其采样5周、持有20周参数下效果最佳。
• 意义：表明Cluster先分类再选股的方法有效提升了收益的稳定性与幅度。

---

图1（Cluster动量策略累计收益）

• 描述：2005-2009年沪深300、纯动量及Cluster动量策略的累计收益 。
• 趋势：Cluster动量策略始终领先于其他两者，特别是市场大幅波动时期表现更突出。
• 逻辑：支撑了Cluster分类增强可选股票池均质性，提高了动量策略的风险调整收益。

---

表3（最优参数其他序列表现）

• 描述：不同周序列条件下动量策略超额收益对比。
• 解读：Cluster动量策略持续展现优越性能，表明策略不依赖具体时间点，具有较强鲁棒性。

---

图2（Cluster反转策略累计收益）

• 描述：同样时间段对比纯反转与Cluster反转策略累计收益。
• 趋势：两者表现相近，无明显稳健优势，且Cluster反转波动较大。
• 结论：强化了反转因子不足以通过Cluster技术改进的证据。

---

表12（分类数对策略影响）

• 描述：不同Cluster分类数量（K值）对应的动量策略表现，及对应单纯动量策略选股数量（N）比较。
• 解读：Cluster动量策略无论K如何变化均稳超对比策略，最佳K=6，表现最高，说明分类粒度调节能优化策略表现。

---

图3（推荐组合表现）

• 描述：2010年9月至10月推荐组合市值加权收益和同期沪深300指数对比。
• 趋势：组合曲线快速上升，显著跑赢大盘，验证文章策略短期实战有效性。

---

四、估值分析

本报告核心集中于策略开发和实证检验，未涉及具体股票的传统估值分析，如DCF或市盈率法等。估值层面更多表现为“策略绩效”层面的超额收益率，未从个股角度展开。

---

五、风险因素评估

• 隐含风险：
  1. 参数敏感性风险：尽管作者测试多个参数，但分类数、采样期和持有期选错可能导致策略性能差异大。

2. 市场环境依赖风险：样本外检验时间较短，且部分反转策略表现不佳，说明策略在不同市场环境（如熊市、震荡市）中的稳定性需进一步验证。

1. 过拟合风险：虽然通过多样本和序列验证，但实证依然基于历史数据，未来市场结构变化可能导致策略失效。

4. 流动性风险：组合含多只中大型股票，但部分权重较小流通市值有限，可能存在交易成本风险。

• 缓解策略：文章未明确给出措施，但建议结合沪深300期货做空对冲，试图减少市场风险暴露，提升策略阿尔法稳定性。

---

六、批判性视角与细微差别

• 优点：

文章全面利用聚类分析，附以充分实证对比，数据充分，分析逻辑严密，有效展示Cluster方法的优势。

• 不足与潜在问题：
  1. 沟通不够具体：未明确涉及交易成本、滑点等实操细节，这对应高换手率、市场冲击风险有一定遮蔽。

2. 反转策略分析较弱：反转策略被否定，但未深入剖析其在Cluster分析中为何表现差，缺少理论层面探讨。

1. 估值与基本面因素缺失：策略完全基于价格行为，忽略了基本面的定价信息，风险潜在集中于价格驱动而非价值驱动。

4. 样本外验证时间跨度较短：样本外仅9个月左右，不足以全面评估策略长期稳定性。

• 矛盾点：参数选择偏重经验调优，存在人为成分，亦可能影响策略的复制性。

---

七、结论性综合

该报告深入研究并系统阐释了利用Cluster分析进行股票分类的方法，结合动量因子设计算法化选股策略，在沪深300成分股样本及样本外数据中均表现出了优异的超额收益。具体优势体现在：

• 利用收益率序列整体特征，通过改进的K-中心点算法精准聚类，分类效果稳定且参数依赖性小。

- 结合动量因子选取表现最佳分类进行持有，策略累计收益超过传统单纯动量策略近一倍，样本外超额收益持续。

• 反转策略虽具理论意义，但通过Cluster分析未见明显提升，实际表现较为逊色。

- 多序列、多参数、样本内外多重实证验证表明Cluster策略适应性强，具有一定鲁棒性。

• 推荐组合实际操作表现良好，短期内显著跑赢沪深300指数，验证了策略实战应用价值。

- 建议结合期货对冲以提高风险调整收益，并在后续研究探索增强策略稳定性。

图表数据直观展现了聚类策略的收益优势和稳定性，反映Cluster分析为传统量化选股带来新思路和工具。本报告全面而详尽地揭示了Cluster聚类在量化投资中的应用价值，为专业投资者在市场中发掘阿尔法提供了可靠依据。

---

以上分析均基于报告原文内容，论述客观详实，旨在为读者提供对报告的深度理解和应用参考。[page::0,1,2,3,4,5,6,7,8,9,10]

报告