“该策略涉及购买品牌价值最低的15只美国股票，等权重，每年重新平衡。对于拥有多个品牌的公司（如大众汽车），品牌价值相加。”
资产类别: 股票 | 地区: 美国 | 周期: 每月 | 市场: 股票 | 关键词: 品牌价值
I. 策略概要
投资范围包括Interbrand.com品牌价值数据库中列出的美国股票。该策略每月买入品牌价值最低的15只股票。投资组合为等权重，并在每年进行一次再平衡。对于隶属于同一上市公司的多个品牌（例如，大众、奥迪、宝马、保时捷），将其品牌价值相加，以确定该公司的总品牌价值。该方法侧重于被低估的品牌，旨在从品牌认知度或市场估值较低的股票中捕捉潜在价值。
II. 策略合理性
品牌价值反映了长期受欢迎程度的特征，其中较低的品牌价值（不受欢迎的公司）会获得受欢迎程度溢价的回报，而较高的品牌价值（受欢迎的公司）则提供较低的回报。这种溢价可以用行为经济学来解释，即投资者的偏好和认知偏差导致这些股票的错误定价。该策略侧重于财务稳定的跨国公司，正如Interbrand的100个最有价值品牌名单所定义的那样。这些公司必须满足特定标准，包括超过30%的收入来自其国内以外的国家，并且在至少三个大洲开展业务。股票还必须在具有可用财务数据的受监管交易所上市。
III. 来源论文
Popularity: A Bridge between Classical and Behavioral Finance [点击查看论文]
- 罗杰·伊博森，耶鲁大学管理学院；Zebra资本管理有限公司
<摘要>
受欢迎程度是一个涵盖任何事物被喜爱、认可或渴望程度的词汇。受欢迎程度驱动需求。在本书中，我们将这一概念应用于资产和证券，以解释证券市场，尤其是股票市场中的溢价和所谓的异常现象。大多数资产和证券在短期或中期内的供应相对固定。受欢迎程度代表对证券的需求——或者可能是证券被如此程度需求的一系列原因——因此，在给定一组预期现金流的情况下，它是价格的重要决定因素。金融文献中的一个普遍观点是，市场溢价是证券风险的回报——即它们是“风险”溢价。在经典金融学中，投资者是风险厌恶型的，并且通常假设不存在市场摩擦。在最广泛的背景下，风险是不受欢迎的。最大的风险溢价是股票风险溢价（即投资于股票而非债券或无风险资产的额外预期回报）。其他风险溢价包括，例如，利率期限溢价（因为长期债券的风险更大）和债券市场的违约风险溢价。市场上有许多可能与风险相关或不相关的溢价，但都与投资于某种不受欢迎的事物有关。我们认为溢价是系统性不受欢迎的特征的结果——也就是说，在其他条件相同的情况下，受欢迎程度会使证券的价格更高，预期回报更低。影响相对受欢迎程度的偏好会随着时间的推移而变化。这些溢价包括规模溢价、价值溢价、流动性溢价、严重下跌溢价、低波动性和低贝塔溢价、ESG溢价和折扣、竞争优势、品牌和声誉。一般来说，任何具有容易被忽视或不受欢迎的特征的证券都可能具有溢价。本书的标题指的是经典金融学和行为金融学之间的桥梁。两种金融学方法都基于投资者偏好，我们将其视为受欢迎程度。
IV. 回测表现
| 年化回报 | 11.95% |
| 波动率 | 16.73% |
| β值 | 0.958 |
| 夏普比率 | 0.71 |
| 索提诺比率 | 0.563 |
| 最大回撤 | N/A |
| 胜率 | 81% |
V. 完整的 Python 代码
from AlgorithmImports import *
import pandas as pd
from io import StringIO
#endregion
class InsiderTradingCombinedwithShareRepurchases(QCAlgorithm):
def Initialize(self):
self.SetStartDate(2000, 1, 1)
self.SetCash(100000)
self.long: List[Symbol] = []
self.brands_by_year_n: Dict[int, List[str]] = {}
market: Symbol = self.AddEquity('SPY', Resolution.Daily).Symbol
# Data source: https://interbrand.com/best-global-brands/
csv_string_file = self.Download(f'data.quantpedia.com/backtesting_data/economic/brand_value_fifteen_lowest.csv')
# take values of each column, expect first one in each row and does not take first row as a header
separated_file = pd.read_csv(StringIO(csv_string_file), sep=';', header=None)
for row in separated_file.itertuples():
brand_tickers = []
for ticker in row[2:]:
brand_tickers.append(ticker)
self.brands_by_year_n[int(row[1])] = brand_tickers
self.selection_flag: boll = False
self.UniverseSettings.Resolution = Resolution.Daily
self.AddUniverse(self.FundamentalSelectionFunction)
self.Settings.MinimumOrderMarginPortfolioPercentage = 0.
self.Schedule.On(self.DateRules.MonthStart(market), self.TimeRules.AfterMarketOpen(market), self.Selection)
self.settings.daily_precise_end_time = False
def OnSecuritiesChanged(self, changes: SecurityChanges) -> None:
for security in changes.AddedSecurities:
security.SetFeeModel(CustomFeeModel())
def FundamentalSelectionFunction(self, fundamental: List[Fundamental]) -> List[Symbol]:
if not self.selection_flag:
return Universe.Unchanged
year_key: int = self.Time.year - 1
if year_key in self.brands_by_year_n:
self.long = [f.Symbol for f in fundamental if f.Symbol.Value in self.brands_by_year_n[year_key]]
return self.long
def OnData(self, slice: Slice) -> None:
if not self.selection_flag:
return
self.selection_flag = False
# rebalance
portfolio:List[PortfolioTarget] = [PortfolioTarget(symbol, 1. / len(self.long)) for symbol in self.long if symbol in slice and slice[symbol]]
self.SetHoldings(portfolio, True)
self.long.clear()
def Selection(self) -> None:
self.selection_flag = True
class CustomFeeModel(FeeModel):
def GetOrderFee(self, parameters):
fee = parameters.Security.Price * parameters.Order.AbsoluteQuantity * 0.00005
return OrderFee(CashAmount(fee, "USD"))