利用量化+基本面分析提升投資績效
“只要能公開獲取的資料（包括花錢買到的）資料，都沒有什麼價值了。因為獲利空間都被大基金分析過了，贏者全拿。”
和不少hedge fund的朋友聊，他們的觀點代表了很多專業基金經理人的看法。
這是真的嗎？今天來分享一個案例。
在分享案例前，我們先來看一些很常見的投資流程：
首先是Screening：
- 一些本來不那麼賺錢的公司，拓展了新的業務，最近開始實現盈利了。找出一些這類公司，他們未來的市值成長可期？
- 一些成長性不錯，但目前比較便宜的公司，若投行依舊看好，他們未來的市值成長可期？
- 過去幾年成長大幅超出平均的公司，如果他所在的產業依舊被看好，他們未來的市值成長可期？
- 利率在上升，看一下過去利率利好什麼產業，現在把這些產業也拿出來看一看，他們未來的市值成長可期？
這樣的投資假設可以無窮無盡列舉下去。
現在的投資人，就是依靠這樣的idea generation架構去尋找投資目標，在不同的市場不定期做一次這樣的screening的。
Screening是相對很小部分的工作，大部分工作放在後面Market Research的部分，也就是通過訪談，通過實地考察，通過消息來尋找“別人還沒發掘的細節”，用以確認該什麼時候買入賣出什麼公司。
每天有幾千個漲漲跌跌的公司，每天有幾十上百份投行報告產出，季度財報，月度營收每天都有更新，更別說還有無數的宏觀數字更新。有一些基金有數十個分析師全產業研究覆蓋幾百間公司，一有新的數字，馬上更新自己的投資決策。可是，人再多還是有覆蓋不完的公司。小基金想覆蓋更多的行業，大基金想覆蓋更多的市場。人的優勢是分析地很深度，能關注到公司的不同面向。但遇到廣度和及時性問題上，分析師遇到不少挑戰。
基本面研究為主的基金的專注力比較容易集中在龍頭的大公司上。龍頭公司的績效被分析地極為細緻，但宏觀因素造成的行業輪動，中小型公司的研究，跨市場的研究，變成大家“不屬於自己的優勢”，所以沒時間去細緻研究的事情，錯過了很多潛在的投資機會。
而Ephod Intelligence在做的事情，就是協助基金經理，建立符合每個人自己投資框架的量化模型，並持續實時監控，例如：
- 協助基金經理預測行業輪動，並篩選出對輪動利好的公司
- 協助分析師篩選出可能有突出表現的中小型公司
- 協助分析師跨市場篩選出值得研究的公司
讓投資人不光有時間研究最大的龍頭公司，也可以有時間增加自己的研究範圍。
以“一些成長性不錯，目前比較便宜的公司，若投行依舊看好，他們未來的市值成長可期？”為例，我們來分析一下台灣的半導體和網通產業，看是不是能篩選出一些值得進一步研究的公司來：
在這個案例中，
- 我們用Dividend Yield殖利率這個multiple來評估“目前比較便宜的公司”，
- 我們用Estimated This Quarter Net Income Yearly Growth (YoY) 預估季度淨利年成長及Estimated This Quarter Gross Profit Margin Yearly Growth (YoY) 預估季度毛利率年成長來評估“投行依舊看好“
- 我們用Eps Basic Incl Exord (EPS Growth) Yoy， EPS年成長率來評估“成長性不錯”
我們把這3個面向都按條件過濾一下：
1. Dividend Yield >= 7%
2. Estimated This Quarter Net Income Yearly Growth (YoY) >= 5%
3. Estimated This Quarter Gross Profit Margin Yearly Growth (YoY) >= 5%
4. Eps Basic Incl Exord (EPS Growth) Yoy >= 120%
來看一下過去5年投資的績效如何？（2017/9/1–2022/8/31）
這個過濾條件，發現半導體和網通在2019, 2022年只有很少數的公司符合這個條件，按照這個條件去選股，投資勝率只有37.84%。 （數據果然無效？）
我們用分佈圖來看，很多配息的公司，主要的殖利率分佈在2%-5%之間，於是，我們把dividend yield的screening條件改成5%再來分析看看。勝率還是只有45.08%。再看一下報酬率的圖（下圖）。
看來分析師預估（sellside consensus）數據真的沒用嗎？
如果團隊裡有資料科學家，有更多時間，可能會和分析師討論，是不是把分析師預期從5%往上調一點？可能看季度營收不准，要看年度營收？可能要網通和半導體產業拆開看？
原本一個簡單的screening分析題，衍生成很複雜而且不知道是不是有收益的量化投資研究。
Ephod Intelligence把這個研究過程都自動化了。機器會自動測試分析師預期高速成長/低速成長，殖利率大/小，EPS成長率大/小，對報酬率，勝率，回撤等影響。並且計算出最佳的screening條件
對於網通，過去5年最佳報酬率及勝率的Screening/監控條件如下（勝率56.67%，年化報酬 47.5087%）：
我們發現，在網通這個sector，最佳的監控條件是:
- 殖利率高於5.89%
- 預估季度淨利年成長高於12.81%
- 預估季度毛利率年成長高於-6.59%
- EPS年成長率高於-18.77%
細看到過去5年中每一年的績效，這樣screen的Sharpe ratio很高。
網通這個產業，高成長，高收益的screening方式無法選出能提供超額報酬的股票，而當他的股票“夠便宜“（殖利率高）的時候，同時當下公司基本面和展望也不太差的時候，抄底用來收息，相對來說是個比較好的方法。
我們同樣讓Ephod Intelligence計算一下這幾個參數過去5年在台灣半導體產業的最佳Screening條件（勝率54.87%，年化報酬 37.2086%）：
我們發現，在半導體這個sector，最佳的監控條件是當
- 殖利率高於3.3%
- 預估季度淨利年成長高於99.61%
- 預估季度毛利率年成長高於6.45%
- EPS年成長率高於33.18%
半導體產業和網通不一樣。即便想要抄底殖利率高的股票，也要搭配高速成長才會有最佳的超額報酬。相對來說這樣的策略Sharpe Ratio也沒有網通收息策略來的穩定。5年平均Sharpe Ratio是1.0021。特別是2019年，2022至今年就是半導體的逆風年份。
那接下來一題我們就想問了，是不是用不同的指標去監控會能改善半導體數據監控的績效？譬如我們不用殖利率，而是用PE？Forward PE？存貨周轉？半導體出口量？美國費半指數是不是提前台灣？
目前Ephod Intelligence每天發出很多組不同的監控訊號給基金經理。
不管是利用宏觀數據，財務數據，分析師數據，還是價量數據，Ephod Intelligence的自動化分析協助分析師把投資研究的範圍拓展地更廣，更即時。
