中小板选股的核心逻辑
中小板公司市值偏小，成长潜力大，波动也剧烈。选股要兼顾基本面与技术面，用量化规则过滤噪音。
一、基本面筛选
盈利增长：连续三个季度净利润同比增速超过20%，且营收增速匹配。避免一次性收益。
毛利率与ROE：毛利率稳定在30%以上，ROE连续两年大于10%，反映竞争力。
负债率：资产负债率低于60%，有息负债率低于30%，防范财务风险。
现金流：经营性现金流净额为正且与净利润比值大于0.8，排除纸面富贵。
二、估值与流动性
市盈率相对增长：PEG介于0.5到1.2之间，避免过度炒作。
市净率：结合行业，一般低于5倍。
日均成交额：过去20日日均成交额大于5000万元，确保进出容易。
换手率：适中，3%到10%之间，过低无人问津，过高投机浓。
三、技术面与资金面
趋势：股价在60日均线上方，且60日均线向上。
相对强度：过去60日涨幅排名位于中小板前30%。
资金流向：主力资金近5日净流入，北向资金持股比例增加。
量价配合：上涨放量，回调缩量。
四、量化因子选股模型
构建多因子评分：成长因子（净利润增速、营收增速）、质量因子（ROE、毛利率）、估值因子（PEG、PB）、动量因子（60日涨幅）、流动性因子（成交额、换手率）。标准化后加权，取前10%。
以下为示例代码（Python），用于从中小板股票池中筛选：
import pandas as pd
import numpy as np
# 假设df包含股票代码、净利润增速、营收增速、ROE、毛利率、PEG、PB、60日涨幅、20日均成交额、换手率
df = pd.read_csv('sme_board.csv')
# 条件筛选
df = df[(df['净利润增速'] > 0.2) & (df['营收增速'] > 0.15) &
(df['ROE'] > 0.1) & (df['毛利率'] > 0.3) &
(df['PEG'] > 0.5) & (df['PEG'] < 1.2) &
(df['PB'] < 5) & (df['60日涨幅'] > 0) &
(df['20日均成交额'] > 5000)]
# 因子标准化
factors = ['净利润增速', '营收增速', 'ROE', '毛利率', '60日涨幅']
df[factors] = (df[factors] - df[factors].mean()) / df[factors].std()
# 综合评分
df['score'] = df[factors].mean(axis=1)
# 取前10%
top = df.nlargest(int(len(df)*0.1), 'score')
print(top[['代码', 'score']])
五、期货对冲与风险管理
中小板波动大，可用股指期货对冲系统性风险。当中小板持仓市值超过100万，用IC合约对冲，beta根据历史回归计算。
仓位管理：单只股票不超过总仓位10%，行业分散。
止损：个股回撤15%止损，整体回撤10%减仓。
动态调整：每月重新评分，剔除基本面恶化或技术破位的股票。
六、常见陷阱
追逐热点题材，忽视估值。
过度集中某一行业。
忽略流动性，难以卖出。
使用未来函数回测，导致虚高收益。
七、实战步骤
每周更新中小板股票池。
剔除ST、亏损、成交额过低的股票。
按上述基本面条件初筛。
计算多因子得分，选出前20只。
技术面确认：站上20日均线且均线多头排列。
分配资金，设置止损。
每月复盘，调整组合。
中小板选股需要纪律与耐心，量化模型能提高效率，但无法消除风险。持续优化因子权重，适应市场变化。
