• A股市场共识别63个潜在导致个股下跌的风险指标，覆盖盈利模式存疑、成长过于激进、财报注水、管理薄弱、技术面看空和特殊风险事件六大模块 [page::1]。

- 各风险指标在2017年以来呈现负向超额收益，技术面看空表现尤为突出，登上龙虎榜、过度换手及主力资金拥挤为显著预警因素，沪深300及中证500成分股中的排雷效果有所差异 [page::6][page::8]。

• 63个风险指标最大相关性均低于60%，表明各风险点具备较强的独立性，适合采用等权合成进行风险信号整合。合成指标风格特征明显，表现为小市值、高估值、低分红、高换手率和高Beta值的股票更容易归为高风险 [page::8]。

• 根据等权合成指标，A股可分为A-E五档风险等级，不同风险等级组合的累计净值明显分化，E档年化收益率为-18.12%，明显跑输中证全指28% [page::9]。

• 相比等权法，LASSO回归加权法通过动态回归选股因子，提高风险信号的组合预测能力。全市场及各大指数样本池因子数介于20至40个之间，优先纳入技术面如PIN值、波动率及风险模糊度等与基本面如限售股解禁、业绩预亏相关指标 [page::10]。

• 采用LASSO加权方法构建的高风险组合表现显著优于等权法。全市场高风险组合年化超额收益为-41.05%，跟踪误差20.33%，信息比率-2.02，年换手倍数7.20，月胜率达82.29%，各主要指数样本池的风险组合均表现出较强的风险预测能力和收益分化能力 [page::11][page::12][page::13][page::14]。

• 报告提出后续将基于离散多因子选股模型，逐步扩展至正向选股，强化因子离散化及非线性特征权重分配，以适应市场变化并实现收益优化 [page::15]。

【国君金工】高风险组合的构建——详细分析报告解构

---

1. 元数据与报告概览

• 报告标题： 《【国君金工】高风险组合的构建》

- 作者： 陈奥林、杨能、徐忠亚、Allin君行

• 发布机构： 国泰君安证券研究部

- 发布日期： 2021年4月14日

• 研究主题： 构建基于多因子离散特征与机器学习回归技术的高风险（下跌风险高）股票组合，重点关注A股市场的风险预警与个股排雷。

核心论点：

近年来多因子选股模型虽然成熟，但面临同质化严重、解释力下降和收益牺牲等问题；本报告提出一种基于离散特征且结合LASSO回归的非线性多因子模型，通过整合多个风险信号打造高预测能力与市场自适应能力强的负向选股模型。其目标是识别下跌风险最高的A股标的，从而构建一个“高风险股票组合”，辅助投资者实现更有效的个股风险管理。

整体评级为构建高风险组合工具，有助于投资者排除风险标的。报告不仅提出风险指标体系，也深入验证不同风格因子指标以及组合构建方法的有效性，最终给出不同市场下的高风险组合表现数据。[page::0,1]

---

2. 逐节深度解读

2.1 引言与背景

报告首先介绍了因子选股模型在金融市场随着风格切换的演进及量化产品的兴起，面临模型同质化、线性模型解释力降低和持仓分散牺牲收益的问题。强调了离散特征结合非线性模型（如随机森林、XGBoost等机器学习算法）在增强因子模型鲁棒性和解释能力上的优势，以及对另类非标数据的包容性。报告作为该系列首篇，聚焦建立高预测能力的负向选股模型用于“个股排雷”。[page::0]

2.2 研究目标与框架

目标为构建个股周度下跌高风险组合，分别在全市场、中证500、沪深300和上证50范围内，预测排名前5%的下跌风险最高个股。报告明确了A股历史上市场阶段性风险关注点的演化，尤其强调2017年以来因退市制度完善、注册制推进而对基本面风险尤为重视。[page::1]

2.3 A股中的六大危险信号模块及指标构成

报告根据历史数据和市场经验梳理了含63个细分指标的6大风险模块：

• 盈利模式存疑： 盈利能力背后隐藏模式不清晰、依赖联营投资或政府补助等异常情况。部分指标如销售收入过低、毛利率异常等2017年以来年化超额收益表现差，跌幅超10%。

- 成长过于激进： 短期高速增长不可持续导致估值与业绩双重下杀。例如长期不分红、高商誉企业负超额收益显著。

• 财报注水： 利用审计意见、实缴税比例、在建工程增速等判断财报真实度，审计意见非标准和税收异常尤具代表性。

- 管理薄弱： 内控保留意见、信息披露延期等属性表明治理结构存在缺陷，长期看具有较高的风险暴雷可能。

• 技术面看空： 包括高换手、龙虎榜出现、主力资金拥挤、尾盘成交异常等量价信号，这类短期指标2017年以来排雷效果显著。

- 特殊风险事件： 覆盖公司负面公告、业绩预亏、问询函、股东减持等多个重要风险事件。被立案调查、业绩大幅下滑等指标显示出明显负超额收益。[page::1,2,3,4,5,6]

2.4 危险信号指标表现分析与总结

• 各模块指标均显著负超额收益，技术面指标排雷效果最好（年化超额收益约-20%以上），其次为财报注水和成长过于激进。

- 2017年以后，尤其随着制度完善，市场对基本面风险信号呈现更强反应。

• 不同市场板块中，风险因素表现差异明显，如沪深300受财报注水和过激成长影响较大；中证500更敏感于风险事件与管理薄弱。[page::2,3,4,5,6,7]

2.5 危险信号的合成与组合构建

• 指标间相关性较低（最大一般≤60%），采用等权合成即可基本有效反映个股风险表现。

- 合成信号风格体现为小市值、高估值、低分红、高换手和高Beta特征，符合市场对高风险股票常见的认知。

• 指标IC（信息系数）统计显著，2017年后表现有所改善，显示模型具有一定预测能力。

- 基于合成指标分A-E五档评分，E档风险最高。数据显示2013年以来，E档股票的年化收益远跑输市场指数，体现出该模型在识别高风险个股上的有效性。[page::8,9]

2.6 LASSO回归加权方法

• 等权法简单但非最优，LASSO回归通过自动特征选择结合行业哑变量，实现风险因子权重动态调整，更精准预测个股风险。

- 不同时期市场对风险因子的关注不同，如2018年治理相关指标显著，2019年技术指标重新重要，2020年则多类风险事件影响显著。

• 回归分析中技术指标常见因子包括PIN值、波动率等，基本面重视限售股解禁、目标价下调和业绩预亏。

- LASSO优点在于避免过拟合，尤其在小样本池（沪深300、上证50）表现稳定且选因子数量合理（20-40个不等）。[page::9,10]

2.7 高风险组合构建与业绩

• 组合采用市值加权（非等权），避免小市值个股过重，分别在全市场及主要指数成分股中选取风险最高的5%股票。

- 全市场高风险组合表现：年化超额收益-41.05%，跟踪误差20.33%，信息比率-2.02，年换手7.20，月度胜率82.29%。

• 分板块来看，中证500、沪深300和上证50的年化超额收益分别为-23.72%、-25.17%、-17.73%，均显示出明显的负超额收益，表明模型成功识别了大幅下跌风险的股票。

- 换手率较高说明组合月度调整频繁，以对短期信息和市场变化快速响应。

• 净值走势图显示持续显著的跑输基准，验证了高风险个股组合的稳定识别效果。[page::11,12,13,14]

2.8 报告总结与未来展望

• 本报告完成了基于离散多因子与LASSO加权的个股“负面选股”策略构建，效果显著优于简单等权模型。

- 未来研究将关注正向选股（多头组合），探索连续特征离散化技术以及海量特征因子自动选择与权重配置的非线性模型优化。

• 该离散非线性模型具有更强的多源因子收益贡献、多变市场适应性及核心持股集中度，有望推动量化选股技术进一步深化。[page::15]

---

3. 图表与数据深度解析

图1 盈利模式存疑收益统计（图2页）

该图上方柱状图展示了2017年来各个盈利模式存疑指标相关个股年化超额收益。其中“销售收入过低”跌幅最大，接近-22.57%，表明此类公司风险尤其突出。毛利率远高于行业平均、政府补助过大和供应商集中度高均有逾-10%的年化负收益。综合指标整体也有约-7.6%的负收益。

中部三幅折线面积图以不同风险门槛（风险数≥2）划分组合表现，对比全市场、沪深300和中证500。组合（深色系）均显著跑输基准（浅色），特别在2017年以后的风险识别上更为精准。

该图明确印证了盈利模式存疑指标在筛选退市或业绩恶化标的中的实用价值，且不同市场分域表现较为一致，说明其广泛适用性。[page::2]

图2 成长过于激进收益统计（图3页）

柱状图显示主要成长相关指标的负超额收益，其中“过去3年无现金分红”和“商誉占比过高”负收益均接近-16%，自由现金流过低和无形资产占比过高分别达约-8%到-9%，综合负收益达-11.7%。

下方净值线图展示不同指数区间风险组合的历史表现，均表现出明显跑输市场趋势，但沪深300内表现稍好于全市场和中证500，反映大市值股成长维持能力相对较强。

图表揭示短期激进而缺乏分红支持的成长风险较高，实证支持了理性的成长预期对投资回报的重要性。[page::3]

图3 财报注水收益统计（图4页）

左侧柱状图显示审计保留意见、实缴税收低、在建工程增速高等指标显著负面，审计非标准无保留意见个股超额收益接近-23%，为最显著风险指标。

下方净值曲线反映风险数≥2个股票组合从2012年起长期跑输基准，特别是沪深300内部表现最显著，侧面说明中大型企业财报的真实性问题依然是重要风险来源。

图示直观传递财务造假或利润调节对股价的长期负面影响。[page::4]

图4 管理薄弱收益统计（图5页）

柱状图中“内控保留意见”负超额收益最高，达-20%；财报披露延期、上市时间短、关联融资等风险均显著。整体综合指标表现出约-8%的负超额收益。

三个折线图显示全市场和中证500表现稳定而沪深300表现波动且相对较弱，说明管理风险在不同市值区间的影响存在差异。

管理能力差异反映在长期股票表现中，且对股价影响能被量化模型识别，证实了治理结构对投资安全的核心作用。[page::5]

图5 技术面看空收益统计（图6页）

技术指标中登上龙虎榜、过度换手、主力资金拥挤等指标负面影响极为显著，年化超额收益跌幅甚至超过-70%，总体综合近-20%。

不同市场板块表现随时间波动显著，2019年后沪深300和中证500内部排雷效果下降。

技术指标的显著表现符合其在短期股价波动风险中的重要风控价值，尤其在活跃市场环境下持续发挥作用。[page::6]

图6 特殊风险事件收益统计（图7页）

被立案调查、业绩预亏、负面公告及问询函等风险事件均带来明显负超额收益，最高跌幅近-30%。

商道融绿ESG评级下调则在沪深300中显示排雷效力，强调ESG因素在风险预警中的增益作用。

整体来看，该模块综合负超额收益接近-10%。

图示强化了特定事件驱动风险对股票表现的深远影响，需要综合事件驱动和基本面指标共同使用。[page::7]

图8 指标相关性及风格暴露（图8页）

柱状图显示63个风险指标与其他指标相关性均较低，多数指标最大相关度低于0.6，验证指标信息互补，适合等权合成。

右侧条形图表明，合成指标与小市值和高估值呈显著正相关，负相关于盈利能力、分红率和成长等传统正面因子，反映出典型高风险“踩雷”股票的风格特征。

统计检验显示IC指标持久稳定，剔除行业及风格效应后仍保留一定信息量，表明模型能捕捉独立风险信号。[page::8]

图9 合成指标分组净值走势（图9页）

分档风险组净值走势清晰可见A档（最低风险）股票表现最好，E档（最高风险）表现最差，股价长期显著跑输市场。

在全市场和中证500、沪深300、上证50均重复体现该趋势，显示风险评级体系稳定且适应不同市场环境。

该图多维度验证了等权合成风险指标对区分个股未来下行风险的有效性。[page::9]

图10 入选因子数量动态（图10页）

展示了LASSO回归模型中每周选出的因子数量，呈现波动上升态势，2017-2019年达到峰值，说明在市场风险多样化时期因子筛选更富动态性。

数据表明回归模型灵活适应市场阶段性变化，有效控制模型复杂度和避免过拟合。[page::10]

图11-14 高风险组合净值表现（图11-14页）

各指数（全市场、中证500、沪深300、上证50）高风险组合净值走势图均显示显著跑输相应基准，且跌幅稳健，符合负向选股模型高度准确地捕捉了高风险标的。

组合统计指标展示换手率、信息比率和跟踪误差，反映模型在风险选择上的有效性和稳定性。

值得注意的是，月度胜率均在65%以上，说明模型虽然标的整体亏损，但识别风险的准确率高，适合风险规避型投资策略。[page::11-14]

---

4. 估值分析

本报告主要聚焦风险信号识别与组合构建，不涉及传统企业估值法（如DCF、市盈率估值等），但在风险指标风格分析中暗含估值相关因子（高估值、低分红等）作为选股风险来源，体现估值因子在风险模型中的辅助作用。

组合构建以流通市值加权为主，有效控制小市值股票的影响，综合考虑市场结构，使风险模型输出更符合市场实际结构。

---

5. 风险因素评估

报告识别多种风险类别：

• 基本面风险： 盈利模式存疑、成长过于激进、财报注水、管理薄弱

- 市场风险与资金面： 技术面看空指标

• 事件驱动风险： 负面公告、大股东减持、债券违约等

每类风险具备独立且显著的负超额收益表现，模型对多因子风险进行有效融合，具体风险对个股的潜在影响从短期价格波动到长期价值损失均有体现。并给出基于风险数的组合划分，显著区分了不同风险水平股票的表现。

风险缓解策略在回归加权中体现为动态权重调整，使得组合对市场变化更具适应性。[page::1-15]

---

6. 批判性视角与细微差别

• 同质化问题： 报告自身提及传统多因子模型的同质化风险，但模型内多个指标相关性虽较低，仍未完全避免信息重叠和潜在风险集中于特定风格（小市值、高Beta），可能在极端市场行情下表现受限。

- 模型预测能力有限： 虽IC指标统计显著，但绝对数值仍较低（-5%左右），说明模型为弱预测性工具，需配合投资者风险偏好使用。

• 指标滞后性考虑不足： 部分指标（如财报注水）滞后于风险爆发时间，可能无法提前捕捉所有风险。

- 不同市场表现差异需更细化解析： 报告中不同指数板块组合表现略有差异，特别是沪深300内部管理薄弱指标表现平平，需未来研究深化板块适用性。

• 风险事件数据频次和完整性影响： 特殊事件风险捕捉依赖公告和市场数据完整性，可能存在遗漏或时滞，影响模型实时性。[page::2,5,6,9]

---

7. 结论性综合

《【国君金工】高风险组合的构建》报告通过盘点A股市场63个细分风险指标，系统梳理并定量分析了六大风险模块的负向因子表现，验证其对股票下跌风险的预警价值。结合等权合成和LASSO回归加权两种方法，构造了覆盖全市场及主要指数的高风险组合。这些组合均表现出显著的负超额收益，验证了模型的有效性和稳定性。

报告充分利用了离散因子与非线性机器学习技术，加强了因子模型的非线性表达和市场环境自适应能力。图表数据清晰展示了不同风险指标的贡献及组合表现，尤其技术面指标与财报风险指标在2017年后表现卓越。分市场分板块性能也体现了模型的实用灵活性。

高风险组合集中了小市值、高估值、低分红和高换手等高风险风格，年换手率较高，适合主动风险管理和短期动态调整策略。LASSO回归加权法较等权方法在风险识别上更为精准、组合更为集中。

总体来看，报告展示了基于离散多因子与非线性机器学习技术构建的高风险选股模型强大的风险筛查能力与市场自适应性，能够帮助投资者有效规避个股重挫风险。未来研究聚焦正向多头选股，探索连续特征离散化及因子自动选择与权重配置，有望构建更加多元和集中的智能因子模型。

---

附：重要图表示例

图1 盈利模式存疑收益统计

图2 成长过于激进收益统计

图5 技术面看空收益统计

图9 合成指标分组净值走势

图11 全市场高风险组合净值表现

---

综上所述，本报告在金融量化领域通过细致的数据分析和高阶统计建模，系统完善了A股风险投资逻辑，具有较强的实践指导意义和理论创新价值，对于量化投资风险管理和多因子模型优化均提供了深刻洞见和可操作框架。[page::0-15]

报告