📑 本文目录
反弹率左侧交易股性扫描贵州茅台选股因子均值回归CSI800量化策略

大跌后10次反弹9次：贵州茅台为何是A股最强左侧标的——CSI800股性扫描揭秘反弹率选股因子

一个反直觉的数字：茅台大跌后，10次反弹9次

做量化的人喜欢谈动量、谈因子、谈IC值，但很少谈一个朴素到近乎直觉的问题：一只股票大跌之后，第二天到底会不会反弹？

这个问题看似简单，答案却出人意料。我最近跑了一遍CSI800成分股的月度股性扫描（715只有完整数据的标的），其中有一个字段叫 dn_rebound_rate——即”大跌后次日上涨的概率”。排名出来后，贵州茅台以 0.90 的反弹率高居第一。

这意味着：在茅台的历史上下跌达到”大跌”标准的日子里，10次里有9次第二天是涨的，而且平均次日收益 +1.045%。

这不是”价值投资”的玄学叙事，也不是财经媒体爱讲的”核心资产永远涨”——而是一个可以用865个交易日数据复现的统计事实。本文就来拆解这个被严重低估的选股维度：反弹率因子。

什么是”反弹率”：一个被因子库遗忘的朴素指标

先定义清楚。股性扫描里有两个相关字段：

字段含义与传统指标的区别
dn_rebound_rate大跌后T+1日上涨的概率（0到1）胜率思维，不看幅度只看方向
dn_next_mean大跌后T+1日的平均收益（百分比）期望值思维，兼顾方向和幅度

它和”胜率”不同：胜率是所有交易日的上涨占比，而反弹率只统计大跌之后那一天。它本质上衡量的是一只股票在遭遇抛售后的”自我修复能力”——或者说，市场对这只股票的”抄底共识强度”。

大跌的标准不是固定百分比阈值，而是结合该股票自身波动率的异常跌幅判定（股性扫描脚本的内部逻辑），这样能避免用同一个-5%阈值去衡量低波动的长江电力和高波线的北交所标的——对前者-3%就是大跌，对后者-5%才算。这也是为什么茅台的CSV显示大跌次数约10次（big_dn_freq=0.0116 × 865天），反弹9次，反弹率0.90。

不同跌幅阈值下的验证

为了验证这个0.90不是小样本幻觉，我用 stock_daily 表对茅台做了独立交叉验证，按固定百分比阈值统计：

跌幅阈值大跌次数反弹次数反弹率平均次日收益
跌幅小于-3%27514753.5%+0.064%
跌幅小于-4%1216957.0%+0.537%
跌幅小于-5%553970.9%+1.347%

数据揭示了一个清晰的规律：跌得越狠，反弹概率越高。在-5%阈值下（55次样本），反弹率已达70.9%，平均次日收益+1.35%。而股性扫描的0.90对应的是更严格的”异常大跌”标准（约10次样本，9次反弹），两者方向完全一致——茅台在极端下跌后几乎必反弹。

几个最近的实例：

大跌日期当日跌幅次日涨幅结果
2026-06-26-3.59%+2.25%反弹
2026-04-27-3.79%+0.13%微涨
2025-04-07-4.39%+3.00%强反弹
2024-10-09-7.42%+2.81%强反弹

唯一需要注意的：样本越严格（跌幅阈值越高），次数越少，统计置信度下降。-5%阈值下55次还算充足，但更极端的-7%以上就只剩个位数样本了，0.90这个数字要带着”小样本敬畏”去看。

CSI800反弹率TOP10全景：什么股票”跌了能涨回来”

看完茅台个案，来看全市场。以下是715只CSI800成分股中反弹率最高的10只（过滤了大跌次数不足的标的）：

排名代码名称反弹率次日均收30日波动率体质波动型
1600519贵州茅台0.90+1.045%21.2%混合型低波动
2600926杭州银行0.86+1.982%20.0%均值回归型低波动
3601816京沪高铁0.86+1.029%18.3%均值回归型低波动
4601607上海医药0.85+1.138%19.8%混合型低波动
5600905三峡能源0.80+1.339%15.3%均值回归型低波动
6600642申能股份0.80+0.945%24.3%均值回归型中波动
7600901江苏金租0.78+1.105%27.3%混合型中波动
8002252上海莱士0.75+0.726%20.7%混合型低波动
9601018宁波港0.75+1.880%18.7%均值回归型低波动
10600177雅戈尔0.75+0.950%18.1%均值回归型低波动

共性一眼可见：

  1. 清一色低波动（10只里7只低波动，3只中波动，没有一只高波动）
  2. 防御性行业集中——银行（杭州银行、苏州银行）、公用事业（三峡能源、申能）、交通运输（京沪高铁、宁波港）、医药（上海医药、上海莱士）、消费（茅台、雅戈尔）
  3. 均值回归型占比高（10只里6只均值回归型，而全样本均值回归型仅占13.1%）

这和直觉吻合：能在大跌后迅速反弹的，都是那些”跌了有人接”的股票——要么是机构必配的核心资产（茅台），要么是稳定分红的公用事业（三峡能源），要么是有明确底部的银行股（杭州银行）。

反面教材：反弹率最低的10只

对比看一下反弹率垫底的标的：

代码名称反弹率次日均收体质
600930华电新能0.23-0.582%动量型
603345安井食品0.26-0.845%动量型
601988中国银行0.29-0.404%动量型
000958电投产融0.29-0.750%动量型
601066中信建投0.33+0.154%动量型

注意两个特征：全部是动量型体质，而且次日平均收益为负——这意味着这些股票大跌之后不仅不反弹，还会继续跌。中国银行反弹率0.29可能让人意外（银行不是防御股吗？），原因是大盘银行股波动极小，一旦出现”大跌”往往意味着系统性风险来临，第二天自然继续杀跌。这与杭州银行（小盘银行、均值回归型0.86）形成鲜明对比：同为银行，体质不同反弹率天差地别。

反弹率 vs 体质 vs 波动率：三层结构拆解

单看个股排名还不够，要看群体规律。按体质和波动率分组统计：

体质维度

体质数量占比平均反弹率平均次日收益
均值回归型9413.1%0.600+0.529%
混合型30242.2%0.539+0.309%
动量型31944.6%0.470-0.010%

均值回归型不仅反弹率高（0.60 vs 动量型0.47），更重要的是次日期望收益为正且显著（+0.53% vs 动量型几乎为零）。动量型的-0.010%意味着：动量股大跌之后抄底，期望收益约等于零——典型的”接飞刀”。

波动率维度

波动型数量占比平均反弹率平均次日收益
低波动7510.5%0.583+0.570%
中波动22731.7%0.513+0.198%
高波动41357.8%0.506+0.126%

低波动股的反弹率（0.583）和次日收益（+0.57%）全面碾压高波动股。这与行为金融学的解释一致：低波动股的持有者多为长期机构和价值投资者，大跌时他们不会恐慌抛售反而会加仓；高波动股的持有者多为短线游资，大跌时踩踏出逃，第二天继续杀。

一个朴素的结论浮现：要找”跌了能涨回来”的股票，就找”低波动 + 均值回归型”的标的。 这两类在全市场各占约10-13%，交集更小，但正是这个交集贡献了反弹率TOP10的大部分成员。

“低估 + 高反弹”：构建双因子左侧选股池

反弹率单独用价值有限——一只反弹率0.90但估值已经到99%分位的股票，大跌后反弹也只是在高位震荡，赚不到大钱。真正有价值的是把反弹率和估值结合：低估值提供安全边际，高反弹率提供入场时机的胜率。

白酒板块的当下验证

以白酒行业为例。截至2026-08-03，估值周报显示：

行业估值分位信号
白酒7.8%🟡低估
保险15.1%🟡低估
白色家电16.5%🟡低估
中药17.0%🟡低估

白酒处于7.8%的历史极低分位。而白酒板块内的反弹率数据：

标的反弹率次日均收体质波动型
贵州茅台0.90+1.045%混合型低波动
珠江啤酒0.609+0.654%混合型中波动
青岛啤酒0.615+0.383%混合型中波动
重庆啤酒0.526+0.262%动量型中波动
山西汾酒0.435-0.235%动量型中波动
古井贡酒0.39-0.357%动量型高波动

白酒板块内部严重分化：茅台0.90一骑绝尘，古井贡酒0.39接近接飞刀。 同样的低估值环境下，选茅台和选古井贡酒，左侧抄底的胜率完全不同。这就是反弹率因子的增量价值——在低估值板块内部做二次筛选，找到”跌了真的能涨回来”的那只。

双因子选股池构建逻辑

选股条件：
  估值分位 小于 20%（低估区间）
  反弹率 大于 0.75（大跌后高概率反弹）
  大跌次数 大于 5次（样本充足，排除小样本噪音）
  波动类型 = 低波动 或 中波动（排除高波动接飞刀型）

输出：
  白酒 → 贵州茅台（估值7.8% ∩ 反弹率0.90）
  银行 → 杭州银行、苏州银行（均值回归+低波动）
  公用事业 → 三峡能源、申能股份
  交运 → 京沪高铁、宁波港

这个池子的逻辑是：在市场恐慌、这些股票出现大跌时买入，赌的是次日反弹的统计规律 + 估值修复的中期空间。 它不是追涨策略，而是纯粹的左侧抄底策略——前提是你要等得到那个”大跌日”。

反弹率因子的三个陷阱

诚实地说，反弹率不是万能因子，它至少有三个陷阱。

陷阱一：反弹率高不等于能赚大钱

茅台反弹率0.90、次日均收+1.045%听起来很美，但一年里茅台出现”大跌”的日子可能只有3-5天。如果只在大跌日次日卖出，全年从这个信号里能获取的收益也就3-5%。反弹率衡量的是单次交易的胜率和微小期望，不是趋势性收益。要赚大钱还得靠估值修复的大波段，反弹率只是帮你选一个”入场胜率更高的买点”。

陷阱二：小样本偏差

反弹率0.90如果只基于10次大跌，95%置信区间约是[0.55, 0.99]——区间极宽，真实反弹率可能是0.55也可能是0.99。CSV里 big_dn_freq 字段就是用来判断样本充足度的。我的过滤条件是 big_dn_freq 大于 0.005（865天里至少4-5次大跌），但更严格的标准应该是至少10次以上。对那些上市不足2年、还没经历过足够大跌的新股，反弹率数据基本不可用。

陷阱三：体质漂移

一只股票的体质（均值回归/动量/混合）不是永恒的。茅台过去3年是混合型，但如果它的基本面发生质变（比如增速从20%降到5%），持有者结构改变，它的反弹行为也会变。用历史反弹率预测未来，隐含假设是”这只股票的持有者行为模式没变”。2024年茅台从”核心资产信仰”转向”增速放缓担忧”，其反弹率是否依然维持0.90，需要持续跟踪验证——这也是为什么股性扫描要每月更新一次。

实操：如何获取和使用反弹率数据

数据获取

股性扫描CSV由月度cron（job 27786b150f16）生成，路径：

/home/user/quant/results/guxing_analysis/csi800_guxing_YYYYMMDD.csv

每次更新约715只CSI800成分股的40+个股性指标，dn_rebound_rate 和 dn_next_mean 是其中的两个字段。

DuckDB查询模板

把股性扫描数据和估值数据做JOIN，可以快速构建双因子选股池。核心查询逻辑如下：

import duckdb
import pandas as pd

con = duckdb.connect('/mnt/c/Users/Administrator/clawd/data/quant/quant_v2.duckdb', read_only=True)

# 读取股性扫描CSV
guxing = pd.read_csv('/home/user/quant/results/guxing_analysis/csi800_guxing_20260801.csv')
con.register('guxing', guxing)

# 读取行业估值
val = con.execute("""
    SELECT code, price_percentile, signal
    FROM valuation_scores
    WHERE type='industry' AND date='2026-08-03'
""").fetchdf()

# 双因子JOIN：低估值行业 + 高反弹率个股
# 注意估值表code是行业名（如"白酒"），需手动映射到个股

由于估值周报的行业分类和股性扫描的个股代码不在同一张表里，实际操作中需要一张”个股到行业的映射表”来做JOIN。这是目前数据管道的一个缺口——如果后续把行业归属写进股性扫描CSV，这个查询就能完全自动化。

信号使用场景

反弹率因子最适合的场景不是每天都看，而是等到市场大跌日才激活：

  • 某日大盘跌幅超过2%，触发”扫描模式”
  • 在双因子选股池中，查找当日跌幅进入该股票”大跌区间”的标的（参考股性扫描的 support 字段）
  • 次日开盘买入，赌反弹统计规律
  • 反弹率告诉你”买哪个”，估值告诉你”值不值得等”

小结：被遗忘的朴素智慧

回到开篇的问题——大跌之后会不会反弹？答案是：取决于你买的是什么股票。

CSI800的715只成分股告诉我们：

  • 均值回归型 + 低波动的股票，大跌后反弹率约60%，次日期望收益+0.5%以上
  • 动量型 + 高波动的股票，大跌后反弹率不到50%，次日期望收益接近零——抄底等于赌博
  • 茅台0.90的反弹率并非孤例，杭州银行0.86、京沪高铁0.86同样亮眼，它们共同的特征是”低波动 + 防御行业 + 机构重仓”

当白酒行业趴在7.8%估值分位、宏观评分一周内从+6.0砸到-6.5的当下，“低估 + 高反弹”双因子选股池给出的信号很清晰：如果要在这个位置做左侧，茅台是胜率最高的标的——但前提是，你要等到它大跌的那一天。

反弹率因子不会告诉你趋势在哪里，它只告诉你一件事：当恐慌来临时，哪些股票会有人接。 在一个均值回归越来越弱、动量越来越强的A股市场里，这个朴素的信息，可能比任何复杂因子都更有用。

相关阅读：

💬 评论