红利低波策略研究：从股息指标到组合优化

股息指标 · 数据工程 · 组合优化

红利低波 · 股息率 · 股息支付率 · 因子构建

2026年10月

在 Smart Beta 的诸多分支里，红利低波是被讨论得比较多的一支。它的两层约束都很直白：一层是"红利"，要求标的具备持续而稳定的现金分红能力；另一层是"低波"，在股息条件相近的品种中，优先留下价格走势更平稳的那些。两条约束叠加之后，组合往往呈现同一种气质——收益未必冲到最前，但回撤与波动相对收敛。

这篇文章沿一条完整的工程链路往下走。先回答最基础也最容易出错的问题：股息支付率以及几个相关股利指标，究竟怎么算，口径的差别藏在哪一步。再谈数据——这些指标散落在分红表、估值表与财务表中，如何在取数成本受限的环境下把它们稳定地拼起来。最后落到策略本身：它由哪些条件筛出标的，长期绩效如何，以及两条常见的改进思路各自走到了哪里。

第一章：一条主线——红利低波的两层含义

1.1 从"分红意愿"到"波动水平"

红利低波不是单一因子，而是一套带方向的筛选流程，可以概括为两步。

第一步是初筛。在可投资范围内先剔除市值过小、成交清淡的样本，再把分红不连续的公司排除出去。这一步的目的不在于挑出最好的股票，而在于先把"有分红习惯"的池子框定出来——一家公司能否多年连续派现，本身就是分红意愿的粗略代理。

第二步是精选。在初筛得到的池子里，进一步处理两类样本：一类是偶发性的异常分红，其股息率数值可能很高但缺乏延续性；另一类是分红意愿正在走弱的公司，其历史派现记录尚可，但边际趋势已经转向。剔除之后，再从剩余的标的中按"股息率高、波动率低"的双重标准做最终筛选。

这套流程的取向很清楚：它不追求在短期内抓到涨幅最猛的品种，而是希望持有一批现金流稳定、价格波动温和的公司，把分红再投资的收益长期累积起来。

1.2 一个长期的绩效观察

把观测窗口拉长，红利低波的收益特征会显露出一个容易被忽略的细节：分红再投资的贡献相当大。

在 2014 年初至 2025 年 11 月中旬的区间内，红利低波价格指数的年化收益约为 8.60%，同期年化波动 20.06%、最大回撤 −43.62%、夏普比率 0.33；而计入分红再投资的全收益口径，年化收益升至 13.60%，年化波动 19.99%、最大回撤 −42.49%、夏普比率 0.58。作为对照，同期沪深 300 价格指数年化 6.21%、全收益口径 8.77%。

两个数字值得停下来看：其一，全收益口径比价格口径高出约 5 个百分点，这正是分红被持续再投资所累积的差额；其二，全收益与价格口径在回撤与波动上几乎相同——也就是说，多出来的收益并非来自承担更多风险，而是来自分红这条独立的收益来源。因此，凡是拿红利策略与宽基做比较的场合，口径若不同一，结论就会失真。

需要同时留意的是行业结构。从近一期成分的权重分布看，接近一半落在银行，行业集中度明显偏高。这意味着组合在顺风时受益于金融板块的稳定现金流，而在该板块承压时也缺少足够的分散度。

第二章：从股息支付率到几个相关指标

2.1 两种视角下的股息支付率

计算股息支付率（也常被称为分红率）可以从两个视角入手，二者在数学上应当完全一致。

公司整体视角（总体法）：

股息支付率 ＝ 现金股利合计 ÷ 归属于母公司的净利润 × 100%

股东个体视角（每股法）：

股息支付率 ＝ 每股现金派发额 ÷ 摊薄每股盈利 × 100%

两个式子的关系并不神秘：按每股口径来算，相当于把整体口径的分子与分母同时按股本数做了约分。既然除数相同，结果自然相等。实操中一旦两者出现明显差异，问题通常不在算式本身，而在于分子与分母所依据的股本时点或报告期归属并不一致——一边拿的是旧股本、一边拿的是新股本，或者两者落在不同的报告期里。

两点量纲与口径的提醒：

• 除数必须落在归属于母公司的净利润上，也就是把少数股东权益剔除之后的那一部分。只有这一部分利润，才是普通股股东真正可以分享的；拿它当分母，指标才对应到普通股股东实际能分到的那部分收益。
• 算式的分子只能是现金股利，股本形式的回报不计入；除数则是净利润，并非营业收入。送股与资本公积转增只是股本结构的内部调整，不产生现金流出，因此不进分子。

2.2 从分红字段还原分红总额

在数据层面，分红的原始记录通常以"每 10 股派息多少元"的形式给出，要还原成公司层面的分红总额，需要两个字段相乘：派息比例与分配股本基数。

分红总额（元） = 派息比例（元/10股） × 分配股本基数（万股） × 10000 ÷ 10

其中 × 10000 把"万股"折算成"股"，÷ 10 则把"每 10 股派息"折算成"每股派息"。

一个可直接复核的样例：某只大盘银行股在 2018 年年末做了一次派现，除权实施落在 2019 年 6 月下旬，每 10 股派息 1.45 元，分配股本基数约 1,717,041.14 万股。代入上式：

1.45 × 1,717,041.1366 × 10000 ÷ 10 = 2,489,709,648.07 元

换算得到的分红总额约为 24.90 亿元，与主流行情终端给出的口径可以对齐。这个换算式看起来简单，却是后面所有股息率计算的地基——一旦股本基数取错时点，整条链路都会偏。

2.3 四处容易踩空的口径

以下四点中，前两点是关于时间与统计口径的结构性问题，后两点是关于数据完整性的操作性问题。

第一，报告期与实际派发时点的分离。 分红记录一般挂在报告期名下，而现金真正到账、股价随之除权，则发生在实施日或股权登记日。两者之间有时隔开数月。做静态的平均值计算时，以哪一端为锚影响不大；但一旦进入滚动窗口的时序计算，锚点选择就会直接决定分红何时"进入"和"离开"窗口，处理不当会人为制造出阶跃式的跳变。

第二，单季口径与累计口径不可混用。 有些接口给出的本身就是单季数据，而另一些接口给出的是从年初累加至今的口径。两者不能简单相加：累计数必须先还原成单季，才能与其他季度并列。这是最容易在拼接环节悄悄引入错误的地方。

第三，分配股本基数不等于期末总股本。 分红记录里的股本基数，取的是派现落地那一刻的实际分配股本，与报告期末的总股本可能并不相同：期间若发生回购、增发或送转，两者就会出现差额。直接拿期末总股本去乘派息比例，会得到一个偏离实际的分红总额。

第四，单次查询的返回条数有上限。 全市场分红记录无法一次取回，必须分批。分批本身不难，风险在于遗漏——一旦某个批次漏取，分子或分母就缺了项，算出来的支付率随之失真，而这类错误往往不会报错，只会安静地污染结果。

2.4 平均股息率：两条取数路径

一个常见的编制要求是"过去三个年度的平均现金股息率（按税后口径）"。围绕这个表述，至少存在两种算法，它们的取值口径不同，结果也不相等。

算法一：截面法（偏静态）

① 拉取近三年全部派现记录
② 逐笔金额加总后除以三，得年均派现额
③ 年均派现额 ÷ 期末总市值 × 100%

它的视角是以最新一期为观察点，向回看满三个年度，把三年派现摊平成年度均值，再与当期市值相比。

算法二：滚动法（偏动态）

把最近 720 个交易日逐日摊开，每日重算一次股息率 TTM，最后取其均值
（某一期派现算不算进当日数值，看它的股权登记日有没有落在窗口里）

它的视角是让市值与分红在时间轴上同步滚动，逐日重算，最后取长期均值。

以同一只大盘银行股为例，基准日为 2025 年 11 月 20 日，最新报告期 2025 年三季度，最新总市值约 2,299 亿元：

• 截面法：三年里，年末派现出现 3 次、年中派现出现 2 次，加总金额约 359 亿元，年均约 120 亿元，除以 2,299 亿元，得股息率约 5.19%。
• 滚动法：把股权登记日限定在最近 720 个交易日的窗口之内，窗口里覆盖了最近两期派现，加总约 116 亿元，除以 2,299 亿元，得股息率约 5.05%。

两者相差不大，但性质不同：截面法反映的是"过去三年的平均分红水平"对照当期估值，滚动法反映的是"最近一年窗口内实际可计入的分红"对照当期估值。

滚动法有一个需要留意的副产品：时序曲线上会出现若干尖点。原因是分红随股权登记日进出窗口时会产生阶跃——当一期内分红恰好在这一天被纳入统计，TTM 数值会短暂抬高；过了窗口边界，该期分红退出，数值又落回。曾在 2025 年 6 月中旬观察到这样一个尖点：某一期的股权登记日出现在 2024 年 6 月中旬，在 2025 年 6 月 12 日计算 TTM 时该期分红仍被计入，数值偏高；到 6 月 14 日窗口边界推移、该期分红退出，数值随即回落。由于滚动法本质上是长期求平均，这类短期尖点对最终值的影响有限。

在两者之间做取舍时，关键看用途：如果股息率要作为权重参与组合构建，滚动法更合适——它逐日重算、长期平滑，不会因为某一年的一次大额分红而给出持续三年的偏高权重。

2.5 每股股利的成长性：用回归斜率衡量

衡量股利的成长性，直觉做法是先算每年增长率再取平均。另一条路径是线性回归：把时间与每股股利做个拟合，让斜率代表平均每年的增长金额，再换算成百分比。

第一步：还原每年的每股股利。

某年每股股利 ＝ 该年中期派现 ＋ 该年年度派现（若当年还有）

时间边界要卡准：若观测时点已是当年年末派息之前，则当年数据不完整，不纳入计算。示例中 2022—2024 三年的每股股利分别为 0.285 元、0.719 元、0.608 元（其中 2024 年由中期 0.246 元与年度 0.362 元构成）。

第二步：对"时间—股利"样本做线性拟合。

y = a + b·x
b ＝ 平均每年的增长金额

代入本例数据，斜率 b = 0.1615 元/年——也就是说，从平均趋势看，每股股利平均每年抬升约 0.1615 元。

第三步：把斜率折成百分比。

平均年增长率 ＝ 拟合斜率 ÷ 起始年度每股股利 × 100%
             ＝ 0.1615 ÷ 0.285 × 100%
             ≈ 57%

换一条路径作对照：先分别求出各年的增速、再做算术平均，得到的数字是 54%。两者接近，但性质有别：逐年算出的增速，各年之间起伏很大；而回归斜率把三年的点摊在同一条直线上，对个别年份的异常涨落更不敏感。对于单年股利起伏较大的标的，回归法给出的数字更稳定，也更贴近"平均趋势"这一本意。

2.6 公式速查

第三章：面向月频调仓的取数工程

第二章的每个指标都需要历史数据支撑。放到真实环境里，问题立刻变成：调仓频率是月度的，而每次选股都要用到过去一到三年的数据，这些数据在相邻两期之间高度重叠。若每次调仓都从头取一遍，回测耗时会被重复劳动拖垮——对于每天可跑回测的时间有额度的平台来说，时间本身就是一道硬约束。

解决思路可以拆成三条：按所需时长反推批次规模、只取新增区间、按业务周期组织取数。

3.1 市值与成交额：两条提速手段

取数接口对单次返回条数有上限。假设某接口一次最多返回约 10,000 条记录，而每只股票、每个交易日占一条，那么"一批能装多少只股票"就完全取决于本次需要多少个交易日：

批次规模 ＝ 接口单次能返回的条数 ÷ 本次需要覆盖的交易日数

• 需要**一年（约 250 个交易日）**时，每批约 10000 ÷ 250 ≈ 40 只；
• 只需要**一个月（约 22 个交易日）**时，每批可达 10000 ÷ 22 ≈ 455 只。

取数完成后按批次纵向拼接，再用"保留后出现者"的方式去重合并进全量表，避免同一标的的同一交易日出现两行。交易日的清单则由交易所日历表取得，保证窗口长度精确可控。

在此基础上再加一层增量逻辑：首次取数时取满一年；此后每次只取"上回覆盖到的最后一天 + 1 日"到"前一交易日"这一小段。实测效果相当可观——首次获取一年数据约需 12 秒；此后每期只补一个月的新增区间，约需 2 秒。

这一步的收益不只是快。它把"每次调仓重取全量"变成了"每期只补增量"，回测长周期策略时的耗时下降接近一个数量级，而结果完全等价。

3.2 分红数据：跟着报告期走

分红数据的取数与市值类似，差别在于它多了一层报告期判断。原因很直接：派现预案的公布时点基本跟着定期报告一起走，因此记录天然按报告期落位，取数也应顺着这个周期走。

第一步：确定当期能拿到哪一期的报告。 做法是顺着各期定期报告的披露截止时间往前推算：

分界点落在 4 月 30 日——一季报与年报的法定披露截止日相同，因此 4 月底之前能拿到的最新数据仍是上一年的三季报，进入 5 月才更新为一季报，之后依此类推。

第二步：以报告期为区间发起查询。 以"报告期大于起点、小于等于终点、派息比例为正、标的在样本内"为筛选条件，按代码与报告期排序取回。

第三步：增量。 首轮先把三年补齐；此后只在新一期报告期向前推移时，补取从已取到的上界到该期之间的一段。分红记录的数量远小于行情与估值数据——并非每家公司每期都有分红，一次跨一年的查询通常只有数千条，因此首次取数可以按年度分批推进。

3.3 净利润：单季口径与分批取全

净利润是股息支付率的分母，取数时要盯住两件事。

一是口径。 接口返回的值通常就是单季口径的母公司净利润，可以直接用于单季指标计算。若换用某个返回累计值的数据源，必须先做差分还原，否则多个季度的数据相加会得到重复计算的结果。

二是完整性。 全市场标的无法一次取回，因此采用"取一批、把尚未覆盖的证券记下来、再取下一批"的循环，直到全部覆盖为止。返回字段至少要有交易日、报告期，以及母公司口径的净利润三项。

3.4 取数层的四个要点

把上面三条串起来，可以归纳出一套通用的取数约定：

这四条与具体的因子逻辑无关，是可以独立复用的一层——把它做成通用的取数底座，之后每新增一个因子，成本都只是因子本身的计算量。

第四章：组合的构成、绩效与两项优化

指标算清楚了，数据也取顺了，接下来才是策略本身。

4.1 选样的两步

如前所述，红利低波的选样可以归为初筛 + 精选两步：先按市值与流动性设一条下限，把偏小、偏冷清的标的排除，并留下派现记录连续的公司，使池内标的具备分红意愿；再剔除偶发的高额分红与分红意愿走弱的样本，最后按股息率与波动率的双重标准完成精选。

4.2 绩效与两点不足

长期绩效已在第一章给出（全收益口径年化 13.60%，夏普 0.58）。把观测窗口收窄到 2019 年初至 2025 年 11 月末，红利低波全收益的累计收益 124.51%、年化 12.96%、年化波动 17.19%、最大回撤 −19.66%、夏普 0.64；同期价格口径的累计收益 57.98%、年化 7.13%、年化波动 17.29%、最大回撤 −22.96%、夏普 0.30。

这套编制方案有两点可以被指出的不足。

其一，调样周期偏长。 调整窗口固定在每年年末，而最终组合的确定依据是此前一年的波动率。如果成分股在新的一年里波动率上行、股价大幅波动，指数无法及时把它请出组合——风险要等到下一个调整窗口才可能被处理。

其二，低波因子的代理变量偏传统。 挑选低波标的时所用的代理指标，是个股日收益率的滚动标准差——最朴素的那一类波动尺度。它的选股表现并不稳定，在不同市场阶段差异较大，阶段性失效时有发生。

4.3 优化路径一：调仓频率由年度改为月度

第一条改进直击"调样周期偏长"这个短板：把年末调整一次改为月度调整。

实测结果是正向的：与逐年调整的版本相比，换成月调之后年化回报抬升了大约 2 个百分点，同时回撤与波动都有回落，净值曲线表现得更为平稳。这条改进的逻辑并不复杂——更频繁的重排让组合能更快地对成分股的风险变化做出反应。

4.4 优化路径二：提高波动率的更新频率

第二条改进针对低波因子本身：既然以日度标准差为代表的传统度量不稳定，能否换一个更新更快的代理？

这项改进的出发点值得记录。支付率与股息率一类的量都属于慢变量——它们跟着定期报告一起动，一年只更新几次。而能长期维持高分红的企业，多半经营稳健、业务步入成熟期，其股价在较长的周期里也较少剧烈起伏——这让"低波动"与"高股息"在统计上天然相关。但波动率本身是高频变量：一旦公司基本面走弱，市场捕捉到信号后会迅速反映到价格上，标的就会从"低波"翻转为"高波"。因此，理论上用一个更新频率更高的波动率因子，应当能更快地识别并剔除这类标的。

实测结果却没有支持这一设想：把波动率的更新频率提上去之后，最终并未拿到实质增强，回撤与波动反倒有所上行。

这个负结果本身是有价值的。它提示，低波因子此前的不稳定，未必来自度量频率太低；更可能的问题在于代理变量本身是否刻画了想要的那件事——日度收益率标准差描述的是价格的波动幅度，而策略真正想规避的或许是基本面与预期的波动。频率提上去了，但量纲没换，改善自然有限。

把两条路径放在一起，能得到一个相当克制的看法：这些修补都换来了某种程度的改善，却都谈不上质变。红利低波作为一类 Smart Beta，其价值主要来自稳定的分红收益与相对温和的波动，而非某个因子的精妙调参。

若要继续往下走，一条尚未充分展开的方向是把股息率、波动率这类量因子化，在已构建的池子之上与其他因子组合，构建多因子选股模型——这相当于把"红利低波"从一套固定的编制规则，转为一个开放的因子框架。这条路的效果尚待验证，但至少方向是清楚的。

来源说明

来源说明：本文由公开渠道的研究报告与公开资料整理而成，全文经重新组织与改写，不构成对任何来源的引用或转载。

本文仅供研究交流之用，不构成投资建议，也不是任何形式的荐股依据。文中涉及的数据与公式来自公开渠道的研究材料，相关权利分别归其权利人所有；第三方数据可能有遗漏、延迟与偏差，请以原始披露为准。