合均获得沪深300 指数的超额收益，尤其是Q50、GQ50、aGARP 和VGQ10 四个组合连续八年战胜沪深300 指数。
从不同市场行情表现来看（见表15），十个组合均可获得相对沪深300 指数的超额收益。其中，G50 和VQ50 组合在牛市行情下的超额收益要明显大于熊市，显示出很强的进攻特性；而Q50 和GQ50 组合在熊市里的超额收益大于牛市，表现出较好的防御特性；V50、VG50、VGQ50 和sGARP 四个组合在牛市和熊市里的超额收益差别不大，但都好于调整行情。aGARP 和VGQ10 两个组合在三种市场行情下的超额收益都非常大，不过相对来说牛市行情仍然更为出色。
利用沪深300 指数的历史月度收益率数据将市场分为上升市场和下降市场，来看不同市场环境下各个量化组合的风险收益特征（见表16）。 在上升市场中，除V50 外，其余组合的Alpha 均大于1%，其中GQ50 组合的Alpha接近2%。从Beta 角度来看，V50、sGARP 以及VGQ50 的Beta 系数较大，而G50、Q50 以及GQ50 的Beta 系数均小于1。由于Beta 系数较小，上升市场中Q50 和G50战胜沪深300 的频率都较低，不到60%，而V50、VG50 以及sGARP 战胜市场的频率到超过70%。
在下降市场中，sGARP 和GQ50 的Alpha 均超过2%，V50 的Alpha 较小，不到0.3%。
从Beta 角度来看，V50、aGARP、Q50 以及VGQ50 的Beta 系数都小于1，由于Beta系数较小，除aGARP 外其余3 个组合在下降市场中战胜沪深300 的频率都较高。而CQ50 由于Alpha 较大而Beta 较小，在下降市场中战胜沪深300 的频率最高，达到72.97%。 将量化组合的Beta 和Alpha 表示在一个图中（见图13、14），我们可以明显看到，下降市场中Q50 组合表现最好，它的Alpha 较大，但Beta 较小，这样即可有效对抗市场下跌风险，又能获得稳定超额收益。而在上升市场中，应该优先选择aGARP、VGQ10、sGARP 等组合，他们不但Beta 大，而且Alpha 收益也高，这样可以在市场上升趋势中更大幅度的超越指数。
组合相关性分析
从绝对收益角度看，由于A 股市场系统性风险较大，各个量化组合也表现出与市场齐涨齐跌的现象，10 个量化组合只有VGQ10 与沪深300 指数月收益率的相关系数低于0.9(见表17)。量化组合绝对收益率之间的相关性也较大，除V50 与GQ50 以及V50与VGQ10 之间相关系数为0.88 和0.89 外，其余组合间相关系数均大于0.9。
由于十个量化组合分别代表不同的风格，所以从相对沪深300 指数的超额收益角度来看，不同组合间的相关性要远小于绝对收益间的相关性（见表18）。其中V50 与GQ50超额收益间相关性最小，相关系数仅为0.19。 组合市场容量
由于量化组合对选中的股票进行等权重配置，若组合中包含的某些股票流动性较差，在实际的投资中可能会对组合的构建造成一定的影响。为此，我们根据木桶原理，以组合中流动性最差的股票所能建仓的资金量来测算组合的市场容量。
对于每一个量化组合，假设组合中流动性最差的股票在构建组合当日所有成交量全部被买入，则将其成交金额数乘以组合股票个数即是组合所能容纳的资金量。实际中，买入某一股票某天的全部成交量不太现实，投资时可以选择流动性好的股票当天成交，部分流动性较差的股票分几天建仓来实现。假设组合中所有股票均分5 天建仓，则建仓期的延长可能对组合的建仓成本造成影响。经过我们测算，如果组合中所有股票均分5 天平均建仓，则建仓期的延长对组合月平均收益的影响大约在20 个BP 左右（见图15）。
用最近6 个月组合容量的平均值表示当前量化组合的市场资金容量，则V50、Q50、VG50、VQ50、GQ50 的资金容量均在7 亿以上，G60 和VGQ50 的资金容量在6 亿以上，sGARP 的资金容量在4 到5 亿间，aGARP 和VGQ10 由于包含股票较少，市场容量均在2 到3 亿间。
组合特征比较
参考各个组合的历史表现，我们分别以测试期间的月均收益、标准差、战胜指数频率来衡量组合的预期收益、波动性和稳定性，以组合历史上不同市场行情下的表现来考核组合所适合的市场行情，并以组合市场容量来表示其所能容纳的投资资金（见表19）。从比较结果来看，各个组合各有所长，投资者可根据自身情况和市场预期进行选择。 三、总结与组合推荐 总结
我们以自下而上的选股方式，分别构建了八个量化选股模型，通过不同的参数选择，构建出十个量化组合。
1）从历史统计检验结果来看，各个量化选股模型都是显著有效的。量化选股的主要目标是战胜比较基准，即沪深300 指数，而通过对各个选股模型采用近八年的历史数据进行实证检验，结果表明这些选股方式是有效和可行的，尤其是以50 只或较少的股票构建组合时，其相对沪深300 指数的超额收益都能通过99%置信度下的统计检验。 2）从历史模拟测试效果来看，量化组合的表现是稳定和出色的。在接近八年的历史模拟测试中，根据八大选股模型所构建的十个量化组合都获得了远远超越沪深300 指数的累计收益，尤其是股票数量较小的aGARP 和VGQ50 组合，其累计收益和月均收益都数倍于指数。即使以风险调整收益夏普比率来看，十个量化组合中有三个达到沪深300 指数两倍以上，另外七个也都超过1.7 倍。
3）十个量化组合具有不同的风险收益特征，适合不同的市场环境和投资需求。从收益、风险、稳定性以及不同市场行情，不同时间阶段的表现来看，各个量化组合各有特点。比如质量模型的稳定、价值模型的抗跌、成长模型的激进以及各个叠加模型的攻守平衡等，总之，根据投资者的风险偏好，可以利用这些模型设计不同的投资产品。 4）量化选股模型构建并非一劳永逸，选股方式和模型参数亟待不断完善。今后我们将对量化选股模型继续进行深入研究。一方面，探讨市场动量反转效应以及股票交易特征等因素对选股模型的影响，以期对
模型进行改进；另一方面，持续跟踪十个量化组合的实际表现，通过量化月报的形式，及时总结组合表现，给出新的组合。 组合推荐
参照各个量化组合历史模拟测试所表现出来的风险收益特征，考虑目前所处的市场环境，我们认为中小投资资金可以优先考虑aGARP 和VGQ10 组合，其中aGARP 组合更值得关注，而较大规模的资金可以在V50 以及四个叠加模型中进行选择，我们优先推荐VG50 和VGQ50 组合。