
用量化模型分析巴菲特的投资奇迹
今年以来,以格力电器等为代表的白马股,以靓丽的市场表现大超投资者预期。投资者偏好转向稳健的内生性增长,使得这些白马股的估值出现明显提升。有意思的是,每当市场中白马股或者价值投资行情成为主流时,巴菲特都将成为不可或缺的“图腾”,但是量化投资的极客们不喜欢盲从,他们更愿意用量化工具对收益率曲线进行分析,试图用量化模型来解释巴菲特创造的投资奇迹。
2013年11月,来自顶级对冲基金AQR的Andrea Frazzini、David Kabiller和哥本哈根商学院的Lasse H. Pedersen发表了著名的论文《Buffett’s Alpha》(巴菲特的阿尔法),他们用量化模型分析了伯克希尔哈撒韦公司过去30年的业绩,并进行了归因分析。
研究发现,巴菲特在1976-2011期间,实现了19%的年化收益率,同期美国股票市场平均年化收益率为6.1%。如果在1976年投资1美元的伯克希尔哈撒韦,到2011年将获得1500美元。
针对投资奇迹的来源,三位作者研究表明,巴菲特在选股方面具有明显的“超常能力”,主要体现在用多因子模型回归伯克希尔哈撒韦的业绩表现得到的回归系数与市场存在显著差异。(1)市场风险因子,回归系数即是我们所熟知的Beta,巴菲特的Beta系数为0.95,与市场比较接近,这说明市场风险暴露水平与市场平均水平接近;(2)小市值因子,回归系数为-0.15,这说明巴菲特还是偏好市值偏大的公司;(3)市净率因子,回归系数为0.46,说明巴菲特对低估股票的明显偏好;(4)动量因子,回归系数为-0.05,说明巴菲特并不偏好强势股,也不偏好弱势股;(5)Beta赌注因子回归系数为0.29,说明巴菲特倾向于买入低弹性的股票;(6)质量因子,该因子反映的是买入高盈利质量股票,卖出低盈利质量股票偏好,高盈利质量的公司具有盈利能力强、业绩成长性好、财务指标安全、分红比率高的特征。巴菲特在该因子的回归系数为0.43,反映了对高盈利质量公司的偏爱。这一多因子模型的回归系数充分验证了巴菲特的投资理念,即“以合理的价格买入伟大的公司要远远好于以极好的价格买入普通的公司”。
通过三位作者的研究,巴菲特在他长达35年的投资生涯里,长期坚持投资低估值、低风险、高盈利质量的上市公司,使他实现了1500倍的投资收益,创造了投资奇迹。
回到当下的A股市场,白马股比较符合巴菲特的长期投资偏好,具备显著的低估值,12倍PE;低风险,近5年的年化波动率10.66%,上证指数的年化波动率为23.08%;高盈利质量,白马股基本都是各自行业的龙头。因此,当前白马股行情还是具备继续走强的理论依据,至于能否真正缔造长期价值投资“滚雪球”的复利神话,还取决于各位投资人是否如同巴菲特那样,做到知行合一,长期坚持这一投资策略。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30