量化股票投资起手式
指数增强之
指数成份股信息挖掘

周一，巴菲特二季度大幅减仓、持有现金量超历史的消息，重创了全球股市。

---

在感叹巴菲特的智慧之余，我们能否深入一步，向股神学点东西？

其实，巴菲特通过每一年的股东大会，已经向我们传递了相当多的投资经验和理念。

今天我们从巴菲特的一则赌约说起。这则赌约是 2006 年，巴菲特在股东大会上提出的：一只简简单单跟踪美股市场的基金，能够击败任何一位自信满满的对冲基金经理。

巴菲特是对的。

不过，我们今天不谈如何跟踪指数 -- 这是各种指增策略已经在做的事情 -- 我们来探讨如何挖掘指数成分股信息。

先看指数编制数据。我们从万得拿到了历年各大股指，上证 50，沪深 300，中证 500 和 1000 的编制目录，导出为 4 个 excel 表，如下所示：

这里展示的是上证 50 的编制数据。这是一个 3000 多行，50 列的数据。索引是交易日，单元格值则是每个交易日成分股的代码。

其它几个 excel 表也是一样的格式，只不过列数不同而已。

首先，我们分析成份股变动情况。具体做法是，选定一个指数，遍历每一行，并且与上一行进行比较，把差异记录下来进行进一步分析。这一部分代码比较简单，我们就不演示了。

然后我们发现一个重要的结论。

科创板正跑步进入宽基指数

这张图显示了各个宽基指数纳入科创板个股的情况。

我们看到，中证 1000 从 2021 年 1 月起纳入科创板指数，到今年 7 月，已纳入 124 支，占比超过 10%；中证 500 也是一样，从 2021 年 1 月纳入，现在纳入 53 支，占比也超过了 10%。

中证 50 范围窄一些，对市值要求高，调入困难一点，不过到今年初，也纳入了 3 家。

联想到中国制造 2025 计划和发展新质生产力，这个结论既意外，也在情理之中。

奇怪的背离

有了第一个发现，我们自然就很好奇，科创板个股纳入指数后，表现如何？

在回答这个问题之前，作为量化科普，我们先抛出一个问题，如何评估个股纳入指数后的表现？

一般来说，可以从搜索指数、成交量来进行评估，但是这两种方法的缺陷是，与收益无关，因此不够直观。这里我们给出两种方法供探讨。

第一，取得个股纳入指数前一个月、后一个月、60 交易日、120 交易日的涨跌幅，与市场进行比较。

第二，将上述指标进行排名，查看排名的变化。以收益降序排名为例，如果排名下降，则说明个股纳入指数后，表现优于市场。

Question

按理说个股纳入指数之后的表现评估，是个很常见的事，而且也便于学术研究，应该有一些相关论文。可惜博主不够博，读论文太少，简单搜了一下，没有找到。欢迎留言指点。

按照这个思路，我们以中证 1000 为例，找出科创板个股纳入指数的日期，分别是 2020 年 12 月 14 日， 2021 年 6 月 15 日，...，2023 年 12 月 21 日等。

我们先看 2020 年 12 月 14 日，把这一天所有个股，从前一个月、到后 120 个交易日的行情数据取出，计算前一个月涨幅（prev），后一个月涨幅 ("20D")、后 60 个交易日涨幅 ("60D")、后 120 个交易日涨幅 ("120D")，分别对这些列进行排序，分别计为 rank_prev, rank_20, rank_60 和 rank_120。

我们使用的排序方法是 pandas 自带的函数：

for col in ["prev", "20", "60", "120"]:
    df[f"rank-{col}"] = df[col].rank(method='average', ascending=False)

method 的作用是，万一存在多个相同值时，让 pandas 自动选择一个排名。

这样我们就得到了在 12 月 14 日这一天，所有个股的前一个月收益和远期收益及其排名。接下来，我们用当天进入中证 1000 的科创板个股筛选出一个子表，分别计算各项均值。

在 pandas 中，从一个 DataFrame 中，选择列值在某个集合中的所有行，可以用以下语句：

df[df['symbol'].str.contains('|'.join(includes))]

这里假设 df 是包含所有个股的总表，includes 则是 12 月 14 日纳入中证 1000 的科创板个股。

语法的要点是，如果 pandas 的某个列是字符串类型，那么它就有 str 这个对象，通过过该对象我们可以调用很多字符串的方法，也包括这里的 contains 方法。

contains 方法支持按正则表达式匹配，因此，我们通过 join 方法，将 includes 中的所有元素用竖线（|）连接起来，作为正则表达式的匹配字符串，这样就选择出来所有新纳入中证 1000 的个股。

Tip

在正则表达式中，竖线 | 表示逻辑“或”（OR）运算。这意味着如果正则表达式中出现了 A|B，那么它会匹配 A 或者 B。

为了便于比较，我们对两个 dataframe 求均值，再进行合并，最后绘图。

kcb_df = df[df['symbol'].str.contains('|'.join(includes))]

df = pd.concat((df.mean(), kcb_df.mean()), axis=1)
df.columns = ["all", "kcb"]

df.T[["prev", "20", "60", "120"]].T.plot.bar()
df.T[["rank-prev", "rank-20", "rank-60", "rank-120"]].T.plot.bar()
plt.title(date)
plt.show()

这里 df 仍然是包含所有个股的总表。代码中多次使用了转置T，这是我们通过pandas内置函数，对两个系列进行比较，绘制柱状图的关键。

最终，我们得到 2020 年 12 月 14 日，中证 1000 中新纳入的科创板个股表现如下：

左图是收益对照图。从左图可以看出，在纳入指数前，这些个股的跌幅大于市场；在纳入指数之后，这些个股的表现都优于市场。

右图是排名对照图。从右图可以看出，在纳入指数后，这些个股的排名都相对于市场有所前移，也就是表现优于市场。

但是，不要被这个结论所欺骗。下图是去年底纳入中证 1000 的科创板个股表现：

这是典型的相关性不等于因果性的另一个例证。

Tip

只要有足够多的数据，我们就能把相关性和因果性区分开来。除非，这些数据都只是高维空间在低维上的投影。丢失的信息，就是丢失了。

一般来说，个股纳入指数，往往会得到被动配置，从而首先在短期收益上有所提升；其次，能进入指数的个股，往往是优质标的，所以也更能得到长线资金的青睐，这也是巴菲特敢于打赌的原因所在--无它，就是这些股票更优秀。

但是，科创板个股最主要的归类仍然是科创板，所以它们受科创板本身的走势影响更大。

不过，科创板开板已经快 5 年，今年 10 月就要庆祝讲话 5 周年。毫无疑问，随着宽基指数加快纳入科创板个股，证券市场对新质生产力的支持，正逐渐体现出来。所以，无论科创板过去的表现如何，至少，对科创板的研究已经刻不容缓了。

声明：本文只是通过数据分析，发现了一种政策趋向，结论不一定正确，也不构成任何投资建议。