小市值因子策略：A股“收益增强”的利器，从规模溢价到四大痛点与改进思路

📘 本章重点

理解小市值因子的核心逻辑：小公司长期跑赢大公司的“规模溢价”现象
掌握小市值策略的选股框架：剔除风险股 → 按市值排序 → 定期轮动
学会识别小市值策略的适用环境与失效信号
了解小市值策略的四大痛点及改进思路

⚠️ 本章难点

区分“小市值效应”与“壳价值效应”——两者在注册制改革前后的权重变化
理解小市值策略“长期有效、短期暴毙”的特征与择时困境
掌握流动性风险的管理——小市值股票“想卖卖不出”的极端情况
认识小市值策略与多因子选股（第四.01）的关系：单因子 vs 多因子

⏱️ 预估学习时间

40～55分钟

一、策略简述与一句话定性

一句话定性：小市值因子策略是一种基于“规模溢价”的单因子选股策略——在全市场股票中，剔除ST股和退市风险股后，买入市值最小的N只股票，定期轮动，利用小市值公司长期跑赢大市值公司的统计规律获取超额收益。

把股票市场想象成学校：“大学生”是万亿市值的茅台、工商银行，“小学生”是几十亿市值的专精特新企业。过去四十年全球数据显示，“小学生”群体的平均成绩（收益率）比“大学生”高2%-4%/年——这就是著名的小市值效应。

小市值策略是A股市场“收益增强”的经典路径。在2010-2020年间，如果每年买入A股最小市值的100只股票，年化收益高达29.7%（数据来源：兴业证券），是同期沪深300的3倍。但它的另一面同样惊人：2024年，小市值策略遭遇了显著回撤，部分回测显示其年度收益为-13%左右（不同数据源口径略有差异）。

小市值策略的本质不是“选好公司”，而是“赌弹性” ——小公司基数小，业绩增长1亿比大公司增长100亿容易得多；机构投资者很少研究小公司，容易形成“价值洼地”；小股票买卖不便，投资者要求更高的流动性溢价补偿。

老陈点评：
小市值因子是Fama-French三因子模型中的核心因子之一。在学术上，它被称为SMB（Small Minus Big）因子——做多小市值股票、做空大市值股票的投资组合收益。但学术有效不等于实盘可操作。小市值因子的超额收益在A股市场确实存在，但它的波动率极高，且与市场流动性高度相关。你不能用“长期有效”来安慰自己在单一年份的巨亏——长期是由无数个短期组成的。

老王补充：
小市值策略是我见过的“最极端的策略”——牛市里它能让你爽到飞起，熊市里它能让你怀疑人生。2015年小市值策略取得了极为可观的收益（部分回测显示超过100%），2024年很多小市值策略回撤超过40%。你赚的不是阿尔法，是波动率的钱。 能不能拿住，取决于你的心脏够不够大。

二、策略的使用范围与条件

维度	适用范围与条件	说明
适用市场	A股（小市值效应最显著的市场之一）	美股小市值效应同样存在，但幅度小于A股
品种要求	非ST、非退市、上市满一定时间	需剔除财务风险股和次新股
交易机制	只做多，无需做空工具	对个人投资者友好
适用周期	周频或月频调仓	轮动频率影响收益和成本
资金门槛	低至中等	持有10-20只小市值股票，每只几千到几万即可
不适合的市场状态	流动性收紧、大盘股主导、壳价值贬值	小市值策略在这些环境中会大幅回撤

小市值 vs 微盘股：小市值通常指市值排名后30%-50%的股票，微盘股通常指市值排名后1%-5%的股票。微盘股的弹性更大，但流动性风险也更高。初学者建议从小市值（如排名后30%）开始，而非直接进入微盘股。

适用品种举例：

全市场A股（剔除ST、退市风险股）
创业板、科创板小市值股票（弹性更大）
北交所股票（波动极大，需谨慎）

不适用品种：

大盘蓝筹股（不属于小市值范畴）
ST股（财务风险高）
上市不满一年的次新股（流动性不稳定）

⚠️ 风险警示：小市值策略的四大痛点（新增独立小节）

在深入了解小市值策略的原理之前，你必须先清楚它的风险。纯小市值策略虽然长期收益惊人，但其风险同样不可忽视：

痛点	表现	极端案例
波动剧烈	流通盘小导致股价对资金进出极为敏感，“暴涨暴跌”成为常态	2024年最大回撤-46.28%
踩雷风险高	部分小市值标的业绩“虚胖”，一旦暴雷跌幅动辄50%以上	财务造假、退市等极端事件
流动性不足	极端行情下小市值股可能出现“想卖卖不出”的流动性危机	市场成交量回落时，小盘股回撤幅度更大、时间更长
择时困境	“长期有效”与“短期暴毙”的矛盾——不知道什么时候该进、什么时候该退	2017年入场连亏多年，完美错过后续暴涨

小市值策略就像一匹烈马——骑对了，日行千里；骑错了，摔得你亲妈都不认识。新手先别急着上马，先学会怎么下马。

小市值策略的收益来源：两个半

理解风险之后，再来理解收益。小市值溢价的本质可以拆解为“两个半”来源：

来源	说明	确定性
成长弹性（半个）	小公司基数小，增长潜力大。但并非所有小公司都能长大——只有少数能成为“十倍股”，多数可能平庸甚至消亡。这是“半个”来源，因为它是概率性的，而非必然的。	低（概率性）
流动性溢价（一个）	小股票流动性差，投资者要求更高的风险补偿。这是小市值效应最稳定的收益来源——只要小股票的流动性比大股票差，这个溢价就存在。	高（结构性）
行为偏差（一个）	机构覆盖不足导致小市值股票容易被错误定价。散户的“炒小炒新”行为又放大了这种错误定价，为敏锐的投资者提供了套利空间。	中（市场环境依赖）

老陈点评：
这种“两个半”的框架有助于理解小市值效应的本质。流动性溢价是最稳定的部分——只要小股票流动性差，投资者就会要求更高的预期收益。行为偏差提供了额外的套利空间。而成长弹性则是一个“彩票”——你买的是可能性，不是确定性。理解了这一点，你就知道自己买的到底是什么。

三、因子拆解与原理

3.1 小市值溢价——核心收益因子

小市值效应的发现可以追溯到1981年，金融学家Rolf Banz在研究NYSE股票时首次发现了这一现象：在美股市场中，小市值公司的长期收益率显著高于大市值公司。 这一发现后来成为了Fama和French在1992年实证研究中发现规模因子的重要性，并在1993年正式提出了包含规模因子（SMB，Small Minus Big）的三因子模型——与市场因子、价值因子并列。

在A股市场，小市值策略的流行始于2015年的大牛市。那一年，小市值策略取得了极为可观的收益（部分回测显示超过100%）。从此，“炒小”成为A股市场的一种信仰。

3.2 A股小市值效应的特殊性

A股市场的小市值效应比美股更为显著，原因有三：

1. 壳价值效应

在注册制全面推行之前，A股上市公司具有“壳资源”价值——一个上市公司的壳可以卖几十亿。壳资源的相关变量对资产重组事件的超额收益有着解释能力，是导致大小市值超额收益差别的重要原因之一。

但随着注册制的推进，壳价值大幅贬值，小市值效应的逻辑也在发生变化。新“国九条”后，小盘股的超额收益将更加回归基本面的属性。

小市值效应 ≠ 壳价值效应

小市值效应是全球现象——即使在没有“壳价值”的美股市场，小市值公司长期也跑赢大市值公司。壳价值效应是A股特有现象——在注册制之前，上市资格本身就有几十亿的价值，这让小市值股票多了一层“壳保护”。

两者的关系可以这样理解：小市值效应是“主菜”，壳价值效应是“加料” 。注册制改革消灭的是“加料”，但“主菜”是否还在？学术研究认为，小市值效应的核心来源是成长弹性、流动性溢价和机构覆盖不足——这些都不会因为注册制而消失。但“加料”没了，小市值策略的超额收益确实会降低。

2. 散户主导的市场结构

A股市场散户占比高，炒小炒新的行为普遍。小市值股票一点点炒作题材就可以涨停，这种非理性交易行为放大了小市值股票的波动，也为策略提供了超额收益的来源。

3. 机构覆盖不足

公募、保险等大资金难以在小市值股中灵活调仓。这种“机构盲区”使得部分优质小市值公司长期被低估，形成了可供挖掘的价值洼地。

3.3 因子的优缺点

优点	缺点
长期超额收益显著（A股最有效的单因子之一）	波动极大，持有体验差
逻辑简单，易于量化实现	需要择时——不同起点回测结果天差地别
资金门槛低，适合小资金起步	流动性风险：极端行情中无法及时卖出
与大盘相关性低，可做组合分散	策略容量有限：资金规模过大时冲击成本高

老王补充：
小市值策略最让人纠结的地方在于：你不做择时，可能亏很多；你做择时，又可能错过暴涨。 2017年前后小市值策略遭遇了明显的风格切换，经典策略开始失效。很多人熬不住割了，结果后来的反弹又没吃到。这是一个考验信仰的策略。

四、仓位、买卖点与风险管理

4.1 入场与调仓信号

小市值策略的入场信号不是“某一时刻触发”，而是“定期选股、动态轮动”：

步骤	操作	说明
Step 1	确定股票池	全市场A股，剔除ST、*ST、退市风险股、上市不满1年的新股
Step 2	按市值排序	计算总市值（或流通市值），从小到大排列
Step 3	选择Top N	买入市值最小的N只股票（常用10只、20只或50只）
Step 4	定期轮动	每周或每月调仓一次，卖出不在Top N中的股票，买入新进入的

关于Top N的选择：

N=10：弹性最大，但波动也最大，单只股票踩雷影响显著
N=20：常见选择，平衡了弹性和分散度
N=50：更稳健，但单只股票的贡献被稀释

进阶过滤条件：

过滤条件	作用	说明
流动性过滤	避免“想卖卖不出”	剔除日均成交额过低的股票
基本面过滤	降低踩雷风险	剔除亏损过大、负债率过高的公司
动量过滤	避免“接飞刀”	只买有一定上涨动量的股票
估值过滤	提高安全边际	结合低PE、低PB筛选

4.2 仓位管理

小市值策略的仓位管理相对简单：

等权重配置：每个选中的标的分配相同资金
定期再平衡：每周或每月调仓时恢复等权重
单只上限：单只股票不超过总仓位的5%-10%（防止踩雷）

关于“大饼模式” ：有经验的交易者建议，视资金量多少选择排名前20只、10只或5只股票等权配置。持有的股票数量越多，单只踩雷的影响越小，但每只股票的收益贡献也被稀释。

4.3 止损设计

小市值策略的止损与其他策略不同——它的核心风控手段是轮动和分散：

风控方式	触发条件	说明
轮动止损	持仓股票市值变大，跌出Top N	自动卖出，换入更小市值的股票
最大回撤止损	策略总回撤超过阈值（如-30%）	全部清仓，等待市场环境改善
流动性止损	持仓股票日均成交额低于阈值	提前卖出，避免流动性危机
基本面止损	持仓股票被ST或出现财务风险	立即卖出，不计成本

4.4 择时：小市值策略的胜负手

小市值策略是否需要择时？数据显示是的。

小市值策略的回测结果高度依赖于起点的选择——如果从2015年牛市起点开始回测，年化收益非常诱人；但如果从2016年高点之后开始，收益就大打折扣。小市值策略在2017年前后遭遇了明显的风格切换，经典的小市值策略开始失效。2019-2020年，大盘成长风格主导市场，小市值策略的表现相对平淡。

一个可行的择时思路：当市场整体流动性充裕、小市值股票整体市值稳定时（如最低10%分位市值在20亿左右横盘），策略表现较好。当全市场市值普遍下行时（如10%分位市值从20亿降到15亿），策略面临较大风险。

老陈点评：
小市值策略的择时本质上是对“市场流动性环境”的判断。当流动性充裕时，小市值股票弹性最大；当流动性收紧时，小市值股票下跌最猛。你可以用两融余额、市场成交量等指标来 proxy 流动性环境，作为是否启用小市值策略的参考。

五、策略的来历、设计者与趣闻

小市值效应的发现可以追溯到1981年，金融学家Rolf Banz在研究NYSE股票时首次发现了这一现象：在美股市场中，小市值公司的长期收益率显著高于大市值公司。 这一发现后来成为了Fama和French在1992年实证研究（1993年正式发表）中提出的三因子模型的核心组成部分。

在A股市场，小市值策略的流行始于2015年的大牛市。那一年，小市值策略整体收益率极为可观（部分回测显示超过100%）。从此，“炒小”成为A股市场的一种信仰。

趣闻：小市值策略有一个著名的“回测陷阱”——起点选择决定一切。如果你的回测起点是2015年，年化收益非常诱人。但如果你的回测起点是2016年，收益就大打折扣。这说明小市值策略的有效性高度依赖于市场环境，而不是一个“永远有效”的规律。

小市值策略的悖论：策略拥挤的自我毁灭

小市值策略的超额收益部分来自“流动性溢价”——投资者因为小股票流动性差而要求更高的收益补偿。但当太多资金涌入小市值策略时，小股票的流动性反而变好了（因为交易活跃了），流动性溢价随之消失。

更致命的是：大量资金追逐小市值股票会推高它们的估值，使得未来的预期收益下降。这正是“策略拥挤”的典型表现——一个策略越有效，知道的人越多，涌入的资金越多，策略的有效性就越低。

⚠️ 美股的警示：小市值效应并非永恒

Banz在1981年发现小市值效应时，使用的是1926-1975年的美股数据。但后续研究表明，1980年代之后，美股的小市值效应大幅减弱甚至消失。

A股的小市值效应还能持续多久？没有人知道答案。但美股的教训告诉我们：一个因子在某个市场的长期有效，不代表它在另一个市场也同样有效，更不代表它会永远有效。

老陈点评：
Fama-French三因子模型在A股金融业股票市场同样有效——市场收益率与股票组合超额收益率呈正相关，在小市值公司中规模效应更显著。但学术验证的是“长期统计规律”，不是“每年都赚钱”。小市值因子的超额收益在3-5年的滚动周期中效应显著，但在单一年份中可能大幅回撤。 美股的警示告诉我们，没有任何因子是永恒的。

六、Python回测示例

⚠️ 以下为策略逻辑框架，非完整可执行回测代码

本代码演示小市值因子策略的核心逻辑框架。完整回测需要接入专业量化平台（如聚宽、优矿）获取全量历史数据（含退市股），并实现完整的净值计算。

数据字段说明：

code：股票代码
market_cap：总市值
close：收盘价
volume：成交量
is_st：是否ST股
listed_days：上市天数
avg_volume_20d：20日平均成交额

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# 注意：本代码为策略逻辑框架，非完整可执行回测代码
# 完整回测需要接入聚宽（JoinQuant）、优矿（Uqer）等专业量化平台
# 获取全量历史数据（含退市股），并实现完整的净值计算

def small_cap_strategy(
    stock_pool,           # 股票池DataFrame，含'code', 'market_cap', 'close', 'volume', 'is_st'等列
    top_n=20,             # 选择市值最小的N只股票
    rebalance_freq='M',   # 调仓频率：'W'周频，'M'月频
    min_listed_days=365,  # 上市最少天数
    min_volume=1000000,   # 最小日均成交额（元）
    exclude_st=True       # 是否剔除ST股
):
    """
    小市值因子策略（框架）
    参数：
        stock_pool: 每日全市场股票数据（需包含code, market_cap, close, volume, is_st, listed_days, avg_volume_20d）
        top_n: 持仓股票数量
        rebalance_freq: 调仓频率
        min_listed_days: 上市最少天数
        min_volume: 最小日均成交额（流动性过滤）
        exclude_st: 是否剔除ST股
    返回：持仓列表（完整回测需返回净值曲线）
    """
    # 1. 数据预处理
    # 剔除ST股（如果启用）
    if exclude_st:
        stock_pool = stock_pool[~stock_pool['is_st']]
    
    # 剔除上市不满min_listed_days的股票
    stock_pool = stock_pool[stock_pool['listed_days'] >= min_listed_days]
    
    # 剔除流动性不足的股票（需要提前计算avg_volume_20d）
    stock_pool = stock_pool[stock_pool['avg_volume_20d'] >= min_volume]
    
    # 2. 按日期分组，每日按市值排序
    dates = stock_pool['date'].unique()
    if rebalance_freq == 'W':
        rebalance_dates = [d for d in dates if pd.to_datetime(d).weekday() == 4]
    else:  # 'M' 月频
        rebalance_dates = [d for d in dates if pd.to_datetime(d).is_month_end]
    
    # 3. 模拟持仓
    positions = {}
    current_holdings = []
    
    for date in dates:
        if date in rebalance_dates:
            day_data = stock_pool[stock_pool['date'] == date]
            sorted_data = day_data.sort_values('market_cap')
            selected = sorted_data.head(top_n)['code'].tolist()
            current_holdings = selected
        
        positions[date] = current_holdings.copy()
    
    # 4. 完整回测需要逐日计算持仓收益率，并输出净值曲线
    # 建议使用聚宽/优矿平台实现完整回测
    
    print(f"策略框架构建完成，调仓频率：{rebalance_freq}，持仓数量：{top_n}")
    print(f"共 {len(rebalance_dates)} 个调仓日")
    
    return positions

# 使用示例（聚宽平台）：
# 
# from jqdatasdk import *
# auth('username', 'password')
# 
# # 获取全市场股票数据（含退市股，避免生存者偏差）
# stocks = get_all_securities(['stock'])
# df = get_price(stocks, start_date='2015-01-01', end_date='2024-12-31', 
#                frequency='daily', fields=['close', 'volume', 'market_cap'])
# 
# # 运行策略
# result = small_cap_strategy(df, top_n=20, rebalance_freq='M')

回测结果参考（基于公开数据，不同数据源口径略有差异）：

年份	小市值策略表现	说明
2019	显著正收益	小市值风格占优
2020	正收益	大盘成长风格主导，小市值表现相对平淡
2021	正收益	小市值风格回归
2022	小幅正收益	震荡市中表现稳健
2023	显著正收益	小市值风格占优
2024	显著回撤	小市值策略遭遇风格切换

代码说明：
本代码为策略逻辑框架，展示了小市值策略的核心步骤：数据清洗、市值排序、定期轮动。完整回测需要接入专业量化平台（聚宽、优矿等）获取全量历史数据（含退市股，避免生存者偏差），并实现完整的净值计算。不建议直接用本代码进行实盘交易。

老陈点评：
回测时要注意：小市值策略的回测结果对数据质量极其敏感。生存者偏差（只包含现在还在交易的股票）会严重高估策略收益——退市的股票在历史数据中往往表现很差，如果被剔除，回测结果会失真。建议使用含退市股的全量历史数据进行回测。

老王补充：
实盘中最容易被忽视的问题是冲击成本。小市值股票的流动性差，你买100万可能就把价格推上去几个点，卖的时候又把价格砸下来几个点。回测里的完美成交价，在实盘中根本拿不到。 建议小资金（几十万以内）做Top 20，大资金（几百万以上）做Top 50或更多。

七、本章小结与思考题

小结

项目	核心要点
策略类型	单因子选股，基于规模溢价
核心逻辑	买入市值最小的N只股票，定期轮动
历史表现	2010-2020年Top 100年化29.7%（兴业证券数据），是同期沪深300的3倍
核心优势	长期超额收益显著，逻辑简单，资金门槛低
最大风险	波动剧烈、流动性危机、择时困境、策略拥挤
资金门槛	低至中等，适合小资金起步
改进方向	加入流动性过滤、基本面过滤、择时判断

小市值因子策略是A股市场最“纯粹”的单因子策略之一——它只有一个判断标准：市值越小越好。 这种纯粹性让它在大趋势中表现出色，但也让它在风格切换时脆弱不堪。

小市值策略就像用买彩票的钱去买一群有潜力的创业公司——大部分可能平庸，少数可能爆发。你不可能每只都押中，但只要押中一两只“十倍股”，整个组合的收益就被拉上去了。但它和彩票的关键区别是：彩票的期望收益为负，小市值策略的期望收益为正（长期来看）。

老陈总结：
小市值因子在Fama-French三因子模型中占有重要地位，但它不是一个“买入并忘记”的策略。随着注册制改革的推进、壳价值的贬值，小市值效应的逻辑正在发生变化。未来小市值策略的超额收益将更加回归基本面的属性——单纯“炒小”的时代可能正在过去。

老王总结：
小市值策略是我最纠结的一个策略——我知道它长期有效，但我也知道它短期能让人崩溃。我的建议是：只拿总资金的一小部分（比如10%-20%）做小市值策略，剩下的钱配置到其他低相关性的策略上。这样即使小市值策略某年亏了30%，对整体账户的影响也是可控的。

💡 思考题

小市值策略在2010-2020年间年化收益29.7%，但在2024年大幅回撤。你认为这种“长期有效、短期暴毙”的特征，对投资者的心理意味着什么？
随着注册制改革的推进，A股的“壳价值”正在贬值。你认为这会削弱还是增强小市值因子的有效性？为什么？
如果你有50万资金，你会选择Top 10（10只股票，每只5万）还是Top 50（50只股票，每只1万）来做小市值策略？请说明你的理由。
小市值策略的本质是“买小”，但“小”并不等于“好”。你认为在小市值策略中加入哪些过滤条件（如盈利、现金流、负债率等），可以在不显著牺牲收益的前提下降低踩雷风险？请设计一个“小市值+基本面过滤”的改进方案。
美股的小市值效应在1980年代后大幅减弱。你认为A股的小市值效应是否也会走上同样的道路？如果会，大概会在什么时候？如果不会，A股有什么特殊因素可以延缓这一过程？
（展望题） 随着量化私募在小市值策略上的布局越来越密集，个人投资者在小市值策略上还有优势吗？如果有，优势在哪里？如果没有，你认为个人投资者应该转向什么方向？

八、引用/参考出处

网上内容：

知乎《小公司逆袭定律：市值因子》：https://zhuanlan.zhihu.com/p/32446060062
知乎《分时段择优小市值策略》：https://mf.bigquant.com/wiki/doc/47DBw1C43d
钛媒体《如何看待2024年盛行的高股息策略？》：https://www.tmtpost.com/7216087.html
集思录《股票小而美策略，今年收益91.91%》：https://www.jisilu.cn/question/512804
证券时报《上半年中小市值策略“大口吃肉” 量化私募优化模型控制回撤》：https://stcn.com/article/detail/2497239.html

学术论文与图书（元信息）：

Banz, R. W. (1981). “The relationship between return and market value of common stocks.” Journal of Financial Economics, 9(1), 3-18.（小市值效应的最早发现）
Fama, E. F., & French, K. R. (1992). “The cross-section of expected stock returns.” Journal of Finance, 47(2), 427-465.（规模因子的实证发现）
Fama, E. F., & French, K. R. (1993). “Common risk factors in the returns on stocks and bonds.” Journal of Financial Economics, 33(1), 3-56.（三因子模型的正式发表）

文章版权归作者所有，未经允许请勿转载。

THE END