在标普500指数的50年历史中被证明有效的高股息率策略，经过数据检测，在A股市场的沪深300成分股中也非常有效。当然，高股息率股票组的有效性，主要发生在股息率绝对值很高的时候。

　　在价值投资的经典著作《股市长线法宝》（Stocks for the Long Run）一书中，作者杰里米·西格尔教授（现为沃顿商学院教授）进行了一个有趣的统计，指出了高股息率的用处。

　　西格尔教授在每年年底，把标普500指数的成分股，按当时股息率高低，分成5组。然后，统计这5组股票在下一年的表现，并且在长期进行加总。

　　结果显示，在半个世纪的时间里（1957年到年），股息率从高到低的5组股票，分别可以把1美元变成675美元、419美元、136美元、97美元、93美元。而标普500指数的全收益回报，则会把1美元变成176美元。

　　在中国市场，这个规律是否也适用？

　　检测模型设计说明

　　A股的沪深300指数是和美股的标普500指数几乎同等地位的存在。因此，我利用沪深300指数的历史成分股进行了研究。结果显示，高股息率带来高回报率的规律，在中国市场同样适用。

　　根据资讯提供的信息，沪深300指数于2005年4月8日发布，基日为年12月31日。同时，其成分股的细节信息，最早可得到的数据起始于2005年。因此，本研究以2005年12月31日作为起始日期。

　　然后，我按照西格尔教授的模型，把沪深300指数的300个成分股，在每年的12月31日，按当时的股票价格、以及上一年的股息，按股息率从高到低分为5组，然后计算每组股票在下一年的价格表现平均值。

　　比如，在年12月31日，就使用2005年全年的股息，和年12月31日的股票价格，计算出年12月31日当日的股息率。根据股息率高低将股票分组后，计算每组股票在年12月31日到年12月31日的价格表现。

　　如此采取数据的原因，是为了尽可能的还原当时的交易状态，让模型计算出真实可交易的结果。

　　也就是说，如果在年12月31日，采取年、而不是2005年全年的股息，模型就会面临一个问题：在实际交易中，年的全年股息要等年4月左右才会全部知道。如此设计的模型，因为未来才知道的信息被带入了当时的交易中，因此在实际交易中是不可执行的。

　　此外，在统计时，我在每个时间点，都采用了当时沪深300指数的成分股，而非用现在的成分股，去统计过去十几年中的表现。如此统计，会包含进一些当时在指数中、但是现在已经不在指数中、甚至已经退市的股票，最大限度还原真实交易的情况。

　　需要指出的是，当统计5个股票组的股票价格时，遇到了一个小小的技术问题。这个问题其实可以忽略，但是为了模型计算的严谨，在此一并指出。

　　当我把沪深300的300只成分股，按股息率高低分为5组、每组60只股票时，会遇到股息率为0%的股票数量过多的问题。

　　比如，在2005年12月31日，按当时的股价和年全年的股息，股息率为0%的股票共有69只。那么，这69只中，哪60只应该分配在最后1组？哪9只分配在倒数第2组？

　　显然，这个问题本身无解：为了解决这个头疼、但是无关痛痒的小问题，我在模型中加入了一个随机数，随机将类似情况下的股息率为0%的股票，进行了一个排序。

　　由于绝大多数股票是有派息的，因此这个随机排序对整体的结果，并没有显著的影响。但是，如果有读者试图复制这里的研究，会发现最后1组的股票价格表现，可能会与本文中的结果稍有不同，其原因正在于此，特意说明。

　　高股息率股票在长期取得显著超额收益

　　高股息率股票的表现究竟如何？结果显示，沪深300指数中的高股息率股票，在长期显著战胜了其他股票、以及沪深300指数（此处采用了包含股息率回报的全收益指数，以便和股票复权价格对比）。

　　模型测算的结果显示，从2005年12月31日到年5月14日（下称2005年到年），在17.4年中，沪深300全收益指数变成了原来的5.8倍，对应的CAGR（年均复合增长速度）为。

　　而股息率从高到底的5组、每组60个股票，分别把初始资本变成了原来的14.6倍、9.9倍、5.7倍、4.7倍、4.7倍。对应的CAGR分别为16.7%、14.1%、、9.3%、9.3%。

　　考虑到以上的分析，在A股的持续时间只有17.4年，西格尔教授在标普500指数的研究则横跨50年，因此如果按以上的CAGR，计算在50年时间里各组股票会取得的回报，会得到一个更加惊人的数字。

　　结果显示，以上的5组股票的CAGR，在50年的时间里，会把资本投入分别变成原来的2246倍、746倍、148倍、87倍、86倍，同期指数则为157倍。与之相对的，在标普500指数中得到的5组股票结果分别为675倍、419倍、136倍、97倍、93倍，全收益指数则为176倍。

　　可以看到，在50年的假设测算中，沪深300全收益指数的回报和标普500全收益指数相差无几，但是高股息率策略明显在中国市场更加有效，这应当是由于中国市场相对不够成熟的投资氛围造成的。

　　各个时间段的具体表现分析

　　从每年的回报率来看，高股息率股票（第1组和第2组）体现出了比较明显的“熊市少赔钱、牛市多赚钱”的规律。不过，这种规律并不是永远有效。以下，是对从2005年年底到年各个具体阶段的分析。

　　在年到年的大牛市里（2005年12月31日至年12月31日，以下均遵从此规律），高股息率股票显著跑赢了指数和其他股票。股息率最高的一组股票，在这两年的回报率分别是115.9%、233.0%，而同期沪深300全收益指数的回报只有125.2%、163.3%。

　　在年的大熊市里，高股息率股票带来的优势并不明显。这可能是由于在年年底，所谓“股息率相对最高的股票”，绝对股息率也并不高。在年年底，股息率最高的一组股票，股息率也只有。相比之下，这个数字在2005年则是7.9%。

　　由此可见，股息率带来的、在熊市中的保护，可能更加需要绝对值意义上的高股息，而不是股息率相对其他股票较高。

　　在随后年的牛市中，高股息率股票再次跑赢市场，当年股息率最高的一组股票表现为142.4%，最低一组则为123.5%。有意思的是，同期沪深300全收益指数的表现只有98.6%，这是由于部分权重特别大的股票表现较弱造成的：沪深300指数并不是一个等权重指数，而本计算中各组股息率股票的回报率，则是按等权重方式计算的。

　　在2010年到年的4年弱市中，高股息率股票并没有表现出明显的优势，股息率最高的一组股票在4年中累计下跌了30.2%，最低的一组累计下跌了28.3%，同时沪深300全收益指数也下跌了30.2%。

　　同样，这一现象的原因，可能还是高股息率股票在年年底“实际上并不高的股息率”造成的。当时最高一组股息率的股票，股息率的平均值也只有。而在年年底，这个数字则是，之后的年则高股息率股票表现优秀。

　　在年到年的大牛市中，高股息率股票表现优异。最高股息率的一组股票，两年平均表现分别为67.8%、17.2%，次高组分别为64.4%、30.8%。相比之下，最低组则只有40.2%、，指数则为55.8%、。

　　在之后的年到年的3年震荡市中，高股息率股票再次表现出牛市多涨、熊市少跌的特点。

　　在年到年的高估值股票牛市中，高股息率股票则遭到了滑铁卢。在这3年中，市场追捧短期表现好、股价高、同时估值也高的股票，市场上甚至流行“只买贵的不买便宜的股票”“怕高就是苦命人”的观点。

　　在年，股息率最高的一组股票的回报率为26.0%，最低一组则为42.0%，同时股票指数的回报率则为39.2%，高股息率股票大幅跑输市场。在年，股息率最高的一组股票回报率仅为14.0%，同时指数回报率为29.9%。在年，股息率最高、最低的两组股票，回报率分别为、12.4%。

　　经历了3年的低迷之后，到了年和年（截至5月14日，下同），高股息率股票的超额收益再次回归。在年，股息率最高的一组股票下跌6.6%，最高的一组则下跌23.6%，指数则下跌19.8%，高股息率带来显著的抗风险能力。

　　在年的上涨中，最高一组股息率股票上涨了，次高组上涨了10.8%，最低组则只上涨了1.0%，同时全收益指数只上涨了。

　　综合上述分析总结如下：

　　首先，在标普500指数的50年历史中被证明有效的高股息率策略，经过数据检测，在A股市场的沪深300成分股中也非常有效。

　　其次，高股息率策略在沪深300指数成分股中的有效性，由于市场相对不成熟，因而比在标普500指数中表现出来的更高。

　　第三，与之相对的，低股息率股票在长期的回报率，则会比指数更差。

　　第四，高股息率股票组的有效性，主要发生在股息率绝对值很高的时候（比如5%到7%）。在大牛市的顶点，当几乎所有股票的股息率都很低、最高一组也不过2%左右时，相对股息率较高、但是绝对股息率不高的股票，则超额收益并不明显。

　　第五，高股息率股票策略并不是在所有时候都有效。当市场出现年到年的极度追高风格时，高股息率策略也会在几年的时间里承压。对于很多投资者来说，过短的考核周期（比如几个月或者一两年）会让他们在这种高股息率策略无效的情况下，感到巨大的压力。

　　最后，以上高股息率策略是非常机械的统计规律，其最重要的意义，是指出了“高股息率”这个特质所能带来的超额股票回报，而不是提出一个机械的交易执行规则。当然，如果投资者仅仅机械的执行以上的策略，从历史回测的论证来看，也会取得不错的投资回报。但是，聪明的投资者有理由做得比机械的模型更好。

　　如果投资者能够从主观判断的角度，选出长期股息率更高（股息率更高和每股自由现金流更好在很大程度上是重叠的）的一部分股票，并且根据股价和股息率的波动适时进行调整，那么他收益必然会高于根据简单年度财务数据筛选的60只股票组成的投资组合。这正如查理·芒格所说：“人们往往会把可以量化的东西看得过重，因为他们想发扬自己在学校里面学的统计技巧，于是忽略了那些虽然无法量化，但是更加重要的东西。我一生都致力于避免这种错误，我觉得我这么干挺不错的。”