先设一个亏损预算
这是压力情景的数学约束，不是根据历史回测预测下一次下跌。实际亏损可能超过假设。
RESEARCH 001 · 实证研究专题
估值分位与仓位比例
估值越低就应该买得越多吗？
估值信息、仓位风险与策略规则的实证研究
从历史条件结果出发，依次检验预测信息、风险预算和策略映射，理解估值信号可以支持什么，以及证据的边界。
阅读研究导图 ↓研究背景
从“便宜多买”，到可检验的问题
智能定投和估值分档买入，把“贵时少买、便宜时多买”变成了常见投资规则。但在实践中，低估值可能持续很久，同一个分位也可能对应不同的市场环境。投资者仍需回答：历史便宜之后是否更容易赚钱，这种信息能否预测未来，以及应为判断承担多少风险。
PE分位只表示当前估值相对过去窗口的位置。30%分位并不表示有70%的上涨概率，也不能直接推出某个股票仓位。本研究把信息是否有效、亏损能否承受、规则是否稳健分开检验。
研究框架 / 四个步骤
先检验证据，再讨论仓位与规则
本专题固定展示750日估值窗口、252日持有期的全部五个预设分档及总体对照，不按结果选择区间。仓位案例与策略汇总分别标注条件；数学工具仅用于理解规则。
01 / 这个分位，历史上意味着什么
历史低估值之后，结果如何？
研究问题 历史低估值之后赚钱的频率，是否足以支撑决策？
方法与条件
分位是相对历史估值的位置。下面比较真实月末信号形成后，下一交易日收盘买入并持有到期的结果。30%对应20%—40%区间，不是精确点预测，也不是今天的实时估值。
固定条件：750交易日历史PE分位 · 252交易日完整持有期 · 全部五个预设分档与总体对照
图中线段为24月块重采样的近似95%区间，反映估计不确定性，不是未来收益区间。相邻月末持有期重叠；计数多不等于独立证据多。
全部固定分档与总体对照
小屏表格可左右滑动 →
| 分位区间 | 样本 / 不重叠段 | 正收益次数 | 频率近似95%区间 | 赚钱频率 | 收益均值 | 收益中位数 | P10 | 亏损超10% |
|---|
阶段结论
13/16次正收益是历史描述，只有5段不重叠观察；近似区间较宽，不能当作下一次的成功率。
02 / 知道分位，真的预测得更准吗
估值信息能否提高预测准确度？
研究问题 在相同测试月份，知道分位是否比无条件历史基线预测得更准？
方法与条件
每年年初只使用当时已经走完整个持有期的历史样本。用“同分位区间的历史表现”预测当年，再与“不知道分位、只用全部历史”的基线比较。两者使用相同测试月份。
训练总样本至少60个月、所在分档至少8个月；向无条件历史值收缩20个样本权重，参数不调优。没有足够历史时不预测。已经观察过这段历史才设计研究，因此这是历史滚动检验，不是真正未见样本。
阶段结论
默认750日/252日仅24个可评分月，Brier误差比基线高7.43%。这套固定分档收缩模型未显示新增优势，也不证明所有估值模型无用。
03 / 仓位改变的是收益与亏损幅度
股票预算如何改变本金风险？
研究问题 股票预算从20%到100%，改变的是赚钱概率，还是本金损失幅度？
方法与条件
以下固定使用750日/252日/20%—40%分档的16个历史情景；这是仓位数学案例，不代表只检验该分档。全部五档结果已在步骤01并列展示。一次买入、持有到期，初始股票比例20%—100%，其余现金收益为零；买入后仓位会漂移，入场和退出各收10bp。
小屏可横向滑动，比较亏损风险 →
| 初始股票比例 | 赚钱频率 | 到期收益中位数 | 到期P10 | 期间亏损超10%次数 / 频率 | 期间最差本金损失 |
|---|
为什么加仓不一定提高赚钱概率？
设初始股票预算为w，指数持有期收益为R，单边费用为c。预算包含买入费用，期末净收益为：
w × [(1+R) × (1−c)/(1+c) − 1]
当w大于零时，正负号由方括号决定，与w无关。这里现金收益为零、费用按比例收取；有利息、固定费用、再平衡或不同进出场时，不能直接套用这个结论。
然后再谈估值加仓
如果估值信息未稳定改善预测，就不能仅凭“便宜”突破既定风险预算。
如果未来新增、事先冻结的验证持续支持估值信息，才有依据进一步测试在风险上限以内调整仓位的规则。
历史P10只是一处分位点，不能拿它当作未来最坏情况来反推安全仓位。
阶段结论
默认16个历史情景中，80%股票预算有5/16次期间本金损失超10%，40%为0/16次。零次不代表未来零风险；压力上限仅在给定跌幅假设下成立。
04 / 函数形状，放到最后比较
更复杂的映射是否更稳健？
研究问题 收益差异来自函数形状，还是股票敞口、窗口与费用？
方法与条件
五种映射参数事先固定。指数与对数的平均仓位并不相同，较高收益可能来自更高风险敞口。此处保留固定条件的少量成绩汇总；暴露差异与跨窗口反转作为解释边界。事后暴露匹配仅用于研究诊断，不是可部署策略。
固定展示750日窗口、单边10bp的五类函数少量汇总；不按收益筛选函数。
表格可横向滑动 →
| 规则 | CAGR | 最大回撤 | 平均股票比例 |
|---|
阶段结论
三档、六档、线性、指数、对数没有跨窗口和费用的稳健统一冠军。平均暴露不同，不能把收益或回撤差异直接归因于函数更聪明。
前期研究 / 补充实验证据：9行、9柱与15组排名
Stage3共同期间为2024-02-02—2026-10-16；Stage4策略共同期间为2018-01-02—2026-10-16。原实验用于比较统一底层函数的三种实现，保留原1260/756/252日窗口、固定10bp汇总。这与上方新实验的日期和窗口不同，不能混为同一张业绩表。
| 窗口 | 规则 | CAGR | 最大回撤 | 平均仓位 | Calmar |
|---|
| 窗口 | 成本 | CAGR排名 | Calmar排名 |
|---|
756日窗口出现收益排名反转；252日线性CAGR较高、六档Calmar较高。函数越细并不等于收益或风险表现稳定更好。
研究最终结论
把风险预算放在估值信号之前
条件频率 ≠ 可靠预测
历史分档提供描述性证据。重叠样本、有限行情和滚动预测结果，限制了把频率外推为未来概率的可信度。
仓位主要控制盈亏幅度
在本研究现金零收益、一次买入持有与比例费用模型中，正仓位的盈亏符号相同。更高股票预算同时放大潜在收益与本金损失。
复杂函数没有统一冠军
规则比较必须同时看暴露、回撤、成本及跨窗口表现。单一历史条件下的赢家不能直接成为配置依据。
普通投资者可采用的思考顺序
- 先明确本金最大可承受损失，并用多个压力跌幅检验风险预算；压力假设本身也可能被突破。
- 再检查估值信息在时间滚动检验中是否持续优于简单基线，区分历史频率与预测证据。
- 比较规则时同时观察平均股票敞口、跨窗口稳定性和真实产品的费用、税费及跟踪误差。
- 冻结规则后等待新增数据验证，避免因为一段回测排名而机械推导仓位。
以上为研究思考原则，不是针对任何个人的仓位推荐。
方法、数据与研究边界
证据的适用范围与局限
这是单一指数、有限历史、已观察数据后的探索。历史估值的发布时间及修订时点未知；下一交易日成交只是可用性假设。指数全收益不是可直接成交的ETF，未纳入税费、跟踪误差和现金利息。参数未按本轮结果优化，不代表排除了研究者选择影响。
完整持有期之外的最近信号不参与统计；最长持有期尤其缺少独立行情。区间未做多重比较校正，不能从许多选项中挑一条有利结果当作可靠证据。
来源、计算口径与下一步验证
输入为中证000300历史PE与H00300全收益指数，新浪交易日历交叉核验；沿用原冻结输入，截至2026-10-16。所有表格是本项目按明示规则计算的原创汇总，不是供应商发布的策略业绩。两层研究均保留不同窗口、成本与不利结果。
中证指数 · 新浪财经 · Campbell与Shiller：估值与长期市场展望 · 按时间切分的验证方法
文献提供方法背景，不证明本指数的预测效果。下一步应冻结规则，等待新增数据验证；扩展其他指数和真实可交易产品，需要另做数据与执行核验。
仅用于研究与金融知识科普，不构成投资建议。历史赚钱频率不是未来赚钱概率的承诺；压力情景不是最大亏损保证。本应用不读取个人账户、不提供个性化交易指令。
正在读取研究汇总…