在投资分析工作中，我们常常需要用到“串联”和“并联”结构。

比如，我们时常会看到策略分析师在年度策略中做出类似的预判：一季度是什么情况，然后在此基础上二季度怎么走，然后三季度可以见到高点或低点，最后四季度再回落或反弹，全年呈现“M”（或“N”、或 “W”）型走势。

某些券商研究机构会在前一年年底或当年的年初发布“XX年度十大预测”，其中的任意一个预测并不直接依赖于其他预测，这是典型的并联结构。等到年底复盘时，分析师也会对年初预测正确的内容进行回顾，以增强客户的信任感。

我们在完成复杂任务的过程中，不可避免地需要进行任务分解，而分解的第一步，往往需要采用串联结构。我们可能需要花一些精力去思考，自己在从信息获取到投资决策（或建议）的过程中，建立了一个什么形式的串联路径，串联路径上有哪些环节，每一个环节上的结论有多高的可信度。这里提到的串联路径，如果用如下公式来表达：

投资成功的概率 = 环节1判断的准确度 × 环节2判断的准确度 × …… × 环节n判断的准确度。

为了提高成功概率，我们需要适度减少判断环节，但又不能过度，我们在第一期的投研备忘录——《快慢之辩，如何面对投资中的复杂任务》中曾对此做过讨论。我们需要尊重复杂问题的复杂性，建立一条尽量简化、又能较好衡量公司价值的串联路径。

警惕过度简化，

“捷径”往往不可行

为了提高投资成功的概率，我们可以尝试去减少判断的环节，或者提高每个环节判断的准确度，但最终还是要在二者之间寻求一个最优解。减少判断环节并不等于可以走捷径，投资里面看似诱人的捷径往往并不可行。

伯顿·马尔基尔大力推荐长期持有指数，这不失为一种省时省力且长期看也有可观收益的极简投资方法。但执行的关键点有两个：一是要真正做到买入后长期持有，二是申购时点并不是在市场过热阶段，且申赎行为不要被市场情绪所影响。不过，买入指数并长期持有的方法可能并不适合专业投资者，因为指数不可能超越指数本身，采用这种方法自然也不太可能带来超额收益。

此外，还有三种不同的简化投资方法：

第一种方式是依照简单技术指标（例如KDJ、MACD等）或者某些构造出来的复杂技术指标确定买卖时点。这个方法够简洁，只有一个环节，但这个唯一环节的准确率就显得至关重要。回想在2004年刚接触资本市场时，我尝试过很多技术分析的方法，最终的结果是，靠指标择时、定仓位基本无法跑赢指数。原因很简单，此方法属于无真实逻辑支撑的交易行为，可能阶段性跑赢或阶段性跑输，但平均来看每次决策具有接近50%的正确率。此外，还要付出交易成本。时间越长，交易成本的复利效应越明显。

第二种方式是买入并持有低PE（或PB）的股票。这种策略的着眼点是基本面指标，多年的研究经验告诉我，基本面分析是一条正路。但这种简单的“低估值”策略也存在局限性：即会出现阶段性失效，而且失效时会造成明显的负收益。例如，2019年至今的A股市场，低估值策略整体表现不理想。同理，买入并持有高估值的股票，在某些阶段也会伤得很惨。市盈率或市净率指标不够有效的原因在于，这两个指标的读数显示的是当期盈利或净资产与股价的比值，没有反映基本面研究的前瞻性。而股票价值是否被低估，取决于未来各期的现金流折现值的合计值与股价的比值。也就是说，眼前的PE或PB读数与上述比值并无必然的对应关系，因而，以PE或PB等指标衡量的“低估值”并不等同于“低估”。

第三种方式是限定投资范围，只投资于业务模式相对稳定、增速稳定且盈利质量高、低估值的公司。具体做法上，我们可以挑选出财务报表简单易懂、市盈率在一定倍数以下、增速稳定在一定水平以上、ROE或ROIC在某个阈值以上、现金流指标好于利润指标的公司。在经济稳定增长且经济结构也很稳定的阶段，符合上述标准的公司或许能找到。例如，上世纪80年代之后的二三十年，巴菲特等投资大师们能找到大量类似的公司。但在经济结构正在发生重大变革阶段，历史数据的重要性就会下降，前瞻性的研判就变得尤为重要。

适度简化，合理安排分析路径

为此，我们还是需要尊重复杂问题的复杂性，摒弃走捷径的选项。关于基本面分析的方法论，投资大师们指点的方向是：“股价由公司的价值决定”“购买严重低估的、健康的、同时有增长潜力的股票”。可见，基本面分析的核心是找到“低估”的机会。为此，我们需要建立一条尽量简化、又能较好衡量公司价值的串联路径：

基本面信息梳理——>基本面特征刻画——>预测关键信息——>确定合理的估值区间

通过简化目标和传导途径，理论上可以降低上述任务的工作量。但上面的环节已经无法进一步压缩，且每一环节还需要进一步分解成若干个串联与并联结合的小任务，才能够更好地完成阶段性目标。例如，在“基本面信息梳理”中，我们需要对公司的历史沿革、现任管理层、经营策略、产品竞争力、所在行业及主要竞争对手等情况有足够的了解，如果我们省略掉这个环节，那么我们很难知道公司在行业中处于什么地位、竞争力如何。在“预测关键信息”这一环节，我们需要合理预测公司的利润区间、利润增速区间、增速的稳定性区间、增长年限区间，这些信息缺一不可。

最终，我们将得出公司合理的估值区间，但区间的置信度如何，很大程度上取决于前面各个环节完成的质量。如果有一个环节准确率特别低，则估值区间就没有参考价值，投资就成为碰运气。

我们做情景分析时，不可避免地会假设几个场景，在每一个场景下，未来会是什么情况。同时，在某些场景下可能会再做进一步假设，由此构建了一条串联路径。但过多环节的情景分析，一定会导致结论的质量下降，因为每个环节发生的概率估计都有偏差，乘积之后的偏差就更大。

在解决问题的过程中，我们需要尊重上述的串联路径，认真对待每一个节点上的任务。我们需要适度简化任务，首先尝试分解成多个并联的小任务，而不再是串联任务，以提高成功率。如果必须串联，那一定要清楚最后正确的概率是一个乘积结果，准确度一定会打很大的折扣。从信息获取到形成最终的投资建议，我们需要合理地安排串联和并联路径，适度简化而不过度简化，才可能使投研活动不流于形式，最终转化为投资业绩。

经济与股票表现

我们对串联与并联结构的讨论，落在日常的研究和投资工作中，从我们观察到的某个确定的现象，到形成有用的投资建议，可能存在很多中间变量。举例说明，股票表现与经济之间具有怎样的关系？股市是不是经济的晴雨表？

从美国股市近百年的历史表现来看，股市基本上可以领先于经济增速或者与之同步。如图1所示，标普500指数的波动明显大于GDP的波动，但上行的趋势基本一致。

上世纪20年代，美国经历了一战后的“柯立芝繁荣”，股市同期表现相当好；随后的大萧条中，失业率猛增，股市表现非常惨淡；二战后，美国股市的表现与经济走势基本同方向，其间的背离基本不影响大趋势的吻合。次贷危机后的十几年间，经济增长与股市表现方向上基本一致，但斜率上有显著的差异：经济逐渐恢复，绝对增速并不高，而股市则基本上是一路高歌猛进。

图1：美国GDP与标准普尔500指数走势对比

数据来源：wind

在中国，关于晴雨表这个结论的验证效果稍差，如图2所示。过去二十年，指数涨幅在一倍左右，而GDP涨幅在十倍左右，幅度上的差异巨大，但在大方向上展现出了一致性。

图2：上证指数、wind全A指数与GDP对比

数据来源：wind

我们对比了年GDP增速与上证指数年收益率的变化，如图3所示，在上世纪90年代、2002-2005年以及近十年这几个阶段，二者的同步性都比较差。如果考虑到股价可能有一定的领先性，我们把GDP数据进行适当的前移，除在2007-2009年阶段同步性较高之外，其余时段并不明显。

图3：GDP同比与上证指数同比对比

数据来源：wind

寻找隐藏的中间变量

我们注意到，不管是中国还是美国，如果把衡量的阶段缩短到10年内，则经济增长与股市收益率间的不同步性往往会很明显，或者说“晴雨表”失灵。

失灵的原因在于，一方面，除经济增速外，股市也受很多其他因素的影响，例如通胀率、政治局势等。上世纪70年代全球通胀对股市的杀伤力巨大；一战、二战对股市也有明显影响。另一方面，经济增长并不直接影响股市，从经济表现到股市表现的传导过程中，还有很多中间变量，整个传导链条很长。

我们尝试梳理下这个链条的构成：

宏观经济向好 ——> 上市公司受益 ——> 公司利润增加 ——> 股东利益增加 ——> 股价相对低估 ——> 对股票的需求增加（相对于股票供给增加更多）——> 股价上行

在美国资本市场近100年的时间里，这些中间变量及前后传导过程的稳定性相对较好，因为美国股市的初创期和成长期出现在更久之前，近100年已经处于相对成熟的阶段。而在中国，从1990年资本市场起步以来的几十年里，很多变量及传导过程都发生了较大变化。下面我们尝试分析每个链条的传导过程。

（1）从宏观经济向好到上市公司受益的传导。

美国股票市场起源于18世纪末期，到20世纪初已经经历100多年的发展。从1929年至今，美国股票总市值与名义GDP的比例基本上在30%-70%之间波动；上世纪90年代之后，这一比例逐步提升到100%-200%的区间。此外，美股从上市开始，基本就是全流通状态。而A股市场从起步到1997年之前，总市值占GDP的比例均不足20%；如果只考虑流通市值，则到2006年之前，占比均不足20%。近十年来，A股总市值在名义GDP中的占比基本上以50%为中心的宽幅区间内波动，但近两年抬升较为明显。一国经济中的主要经营主体状况的变化在很大程度上能够反映GDP的变化，但如果这些主体中很大一部分未上市，则宏观经济向好向上市公司受益这一链条的传导则难以通畅。

（2）从上市公司受益到公司利润增加的传导。

美国历史上有很多上市公司转移利益的案例。2006年之前的中国股市，同股不同权的股权分置问题长期没有解决，导致大股东有动机侵占上市公司的利益进而损害中小股东的利益。股权分置改革后，仍有部分企业由于激励机制未理顺，以至于获取利润并不是公司经营的首要目标。

（3）从公司利润增加到股东利益增加的传导。

上市公司的利润增加并不一定意味着股东利益的增加。如果公司每年盈利都很好，但每年都有非常大且投资回报率不高的资本开支，则增加的公司利润可能在新的低效投资中被消耗。因此，上市公司的利润增加，并不必然意味着股东利益增加。

（4）从股东利益增加到股价相对低估的传导。

对于盈利能力强、质地好的公司，如果估值水平高高在上，则可能会出现经济向好、盈利向好但估值压缩，导致股价不涨的局面。同时，我们也需要横向对比其他资产的投资吸引力，比如2017年之前，房地产市场具有相当的吸引力，银行理财、信托、P2P融资等在某些阶段能提供很高的投资收益。因此，即使上市公司业绩很好，新的资本开支决策也很正确，但估值因素过高也会影响股票的相对价值。

（5）从股价相对低估到对股票的需求增加的传导。

供给和需求对资产价格的影响更为直接，但供给和需求背后的影响因素往往很复杂。对于一个低估的资产，如果短期内市场供给相对于需求而言数量过大，例如某公司短期内有大量前期增发的股票解禁，股价短期也可能会被拖累。

（6）对股票的需求增加（相对于供给增加的更多）到股价上行的传导。

前面说过，供需对价格有最直接的影响，如果能够直接预判供需格局，则胜率会大大提高。但现实情况是，我们很难直接判断供需的变化。

扩展并修正“常识”，提高投资的胜率

在经济金融领域，我们很难找到一般性的规律，如果期待获得从一个现象直接到另一个现象的一般规律，就更不可能。我们在投资分析过程中，通过对数据、信息的整理和加工，试图得到有用的投资建议，本质上都是从现象推导结论。从现象到结论，中间可能有很多被忽视的变量，这些变量短期内可能会相对稳定，但一旦起变化，就会导致经验推导过程失效。

近年来，在量化投资领域中，运用机器学习的方法确定买入（卖出）标的和时机，成为一种流行的投资方法。此方法下，输入变量是众多的、未经加工的原始信息，而输出的信息已经较为接近确定的投资建议，中间的传导过程成为我们看不到的“黑箱”。在中间变量相对稳定时期，此方法能够带来较好的风险收益特征；但由于中间的传导过程极为复杂，一旦发生机器识别不到的变化，则给出的投资建议可能会明显失效，因此量化投资者需要不断地发掘新的投资传导路径，以提高策略的有效性。

作为主动管理的投研人员，我们无法像机器一样在无数条传导路径中去寻找一定时期内有效的路径，我们也无法基于自己不理解的逻辑去用真金白银下注。在全球“激发态”开启的背景下，我们只有通过对真实世界的识别，不断扩展并修正“常识”，一步一步地找到有用的投资线索，构造出尽量简化和可靠的串联与并联结构，最终形成有用的投资建议。

（风险提示：文章涉及的观点和判断仅代表投资经理个人的看法。本文仅用于沟通交流之目的，不构成任何投资建议。投资有风险，入市须谨慎。）