Category: 博思动态

什么是马太效应 1968年，美国社会学家罗伯特·莫顿提出一个术语，用于概括一种社会心理现象——即使最终取得的成果相似，相比不知名的科学家，社会通常给予声名显赫的科学家更多的声望。例如，在完成同一个项目后，名誉通常被更多地给予那些已经成名的科学家。最终，越有名望的科学家获得的成果越多，成了学术权威。 莫顿发现，取得成功后，人们的自信心也会因此产生正反馈。自我和社会的双重肯定会促进他们取得更多的成功。莫顿引用圣经《新约·马太福音》中的一则寓言：“凡有的，还要加给他，叫他有余。凡没有的，连他所有的也要夺去。”将这个现象命名为马太效应。无独有偶，老子在《道德经》里，用 “人之道，损不足以奉有余” 阐述了与马太效应同样的社会现象。 金融市场的马太效应 在金融市场，同样存在着 “强者恒强” 的马太效应——基本面强、表现优异的公司（个股）更容易获得投资人的青睐。投资人从这些强势股上获得稳定的回报，这些公司又利用获得的资金进一步强化自己的产品和竞争优势，形成良性循环。即使在市场波动性加剧、恐慌情绪蔓延、甚至熊市来临的时候，资金也会更倾向于涌入这些历史业绩优秀的蓝筹公司（个股）避险。因此我们常常看到在泥沙俱下的大回调中，这些有业绩支撑的强势股表现得更加抗跌，而在反弹来临的时候，它们的股价反弹速度更快，幅度更大。 了解了马太效应之后，我们开始思考，是否可以以马太效应作为理论基础，建模选股，并组成投资组合？如果可行，“马太投资组合” 相较于大盘表现如何？ 建模选股 博思金融将在接下来推出基于马太效应建模选股的系列文章，和你一起从最基本的指标开始，逐步完善模型，看看数据会将我们带到哪里。 首先，我们选取了标普500指数中的505支成分股作为模型的样本，个股 6年的历史股价变动率与股息率之和作为 “总回报率” 的筛选指标，夏普比率作为 “风险” 的筛选指标。基于这两项得分（在今后的文章中，将继续完善筛选指标）挑选出得分在前1%的5支个股组成投资组合，再以此后1年的表现作为衡量标准。 举个例子，在设计2018年的投资组合时，模型会计算样本中505支个股在此前6年（2012年—2017年）的股价变动率与股息率之和，赋以不同权重（由于时效性，2017年数据获得最高权重，2012年获得最低权重），从而计算出个股 “总回报率” 的分数。在 “风险” 指标上，模型使用2%的无风险利率计算所有个股在6年中每年的夏普比率，平均加权得到 “风险” 的分数。最后，挑选得分在前1%的5支个股组成当年的 马太投资组合。 现在，让我们看看模型为我们选择了哪些个股，以及马太投资组合在次年与大盘的表现对比：   2018年 以上是模型在评测了“总回报率” 和 “风险” 指标后为2018年选出的5支个股，假设我们给予这5支股票平均的资金分配，在2018年1月1日以收盘价买入，持有至2018年12月31日的回报率是18.8%，而同一时期标普500的回报率是-6.2%。 2019年 模型分析了2013至2018年历史数据为我们选择的2019年投资组合带来了126.1%的回报率，远超同时期标普500指数的表现（28.9%）。值得注意的是，我们建模时使用的标普500成分股已经包含了特斯拉，而在2018年底特斯拉还没有被纳入标普500指数。今后，马太效应模型的样本会根据标普500指数成分股的变动而随时更新。   2020年 2020年的马太投资组合依旧表现不俗——171.3%的年回报率，是同时期大盘回报率的11倍。同时我们也注意到在这一年，投资组合似乎显示出更强的行业集中度——80%的资金投向了信息技术行业。这也许会引起注重投资组合多样化的投资人的担忧。 文：博思金融CIO Dr. Wei Shi