估值偏离因子构建与优化 [page::0][page::6][page::8][page::9][page::11][page::12]

• 利用估值PE的均值回复特性，构造估值偏离因子EPD，回测年化收益17.21%，信息比率2.58，胜率80.99%，最大回撤4.16%。

- 通过剔除价格涨跌极端和波动稳定的股票影响，构造缓慢偏离因子EPDS，提升收益稳定性，年化收益16.55%，信息比率3.13，最大回撤2.38%。

• 进一步剔除Beta、价值和成长Barra风格，构造估值异常因子EPA，年化收益18.29%，信息比率3.76，胜率86.99%，最大回撤1.53%，表现更优。

因子收益与错误定价假说 [page::14][page::15][page::16]

• 因子多空组合收益长期稳健，非周期敏感，难以支持风险补偿假说。

- EPA因子在市场关注度低的样本中表现显著优于高关注度样本，支持因子来源于有限注意力导致的错误定价。

• 关注度低样本的分析师覆盖人数及覆盖率显著低于其他分组，错误定价更明显。

因子参数和风格敏感性检验 [page::16][page::17][page::18]

• 参数窗口（EPD和IR时间窗口）调整对信息比率影响有限，因子稳定性强。

- 估值异常因子分组年化换手率较高，月度单边达40%左右。

• 去除传统因子ret20和ROE_yoy后，EPA因子表现有所减弱但仍具增量信息，年化收益率降低至7.28%。

行业与样本空间表现差异 [page::19][page::20]

• 估值异常因子在金融地产板块效果最差，因该板块多用PB估值。

- 在沪深300、中证500、中证1000中表现逐级提升，中证1000年化收益达18.31%，信息比率2.88。

• 基于中证500构建因子多头组合，年化收益19.43%，超额收益年化11.86%，信息比率2.03。

“基本面选股因子”系列（一）——从布林带到估值异常因子

---

一、元数据与报告概览

• 报告标题：“基本面选股因子”系列（一）——从布林带到估值异常因子

- 作者：高子剑（证券分析师）、张翔宇（研究助理）

• 发布机构：东吴证券研究所

- 发布时间：2022年6月17日

• 主题：该报告旨在利用CTA（Commodity Trading Advisors）常用的布林带均值回复策略，结合基本面估值修复逻辑，创新构建新的选股因子，提升选股模型的有效性与稳定性。

核心论点简介：

作者认为股票估值指标PE（市盈率）存在均值回复特征，基于此逻辑构建了多个估值偏离相关因子（EPD、EPDS、EPA）。这些因子均展现出了良好的选股绩效和高稳定性，尤其是剔除与个股估值逻辑和风格相关因子的影响后形成的估值异常EPA因子表现最佳。同时，因子收益主要源自有限注意力造成的市场错误定价而非风险补偿，适合结合资金管理及风险控制策略实际应用。[page::0,1]

---

二、逐章节深度解读

1. 引言与布林带均值回复策略基础（第1章）

• 内容总结：报告首先回顾经典的布林带均值回复策略，该策略通过价格的滚动均值和标准差构造波动区间（上下轨），用价格穿破轨道作为买卖信号，实现高胜率的交易策略。用几何布朗运动模型解释其盈利机制，强调均值回复策略受益于波动率大且漂移率小的资产。
• 逻辑框架：作者借用布林带策略对价量波动的“均值回复”特性，提出股票估值（PE指标）亦可能存在均值回复，从而延伸至估值偏离因子的构建。
• 图表解读：

- 图2：经典均值回复布林带策略展示了股价如何围绕中轨上下波动，上轨/下轨突破分别对应卖出/买入信号，中轨回归时平仓，直观说明均值回复交易逻辑。[page::3]

2. 估值偏离因子的理论基础及构建（第2章）

2.1 估值存在均值回复性

• 关键论点：PE估值本质源自简化的DCF模型，价值满足折现净利润的永续增长模型（公式详见报告第4页），理论上PE应伴随基本面（盈利、增长、折现率）变化波动，但在合理区间震荡，呈均值回复特征。市场短期情绪冲击可能使PE偏离合理估值，但长期有修复逻辑。
• 重要假设：

- 使用净利润代替现金流建立估值模型。
- 剔除净利润为负的样本以保证估值模型有效。
- 采用PE倒数EP作为估值代理，避免EPS跨0产生极端PE值的问题。

2.2 估值布林带模型

• 模型设计：类比价格布林带，构建基于EP的均值和标准差，定义EP的上下轨，判断估值是否处于异常区间，基于“估值均值回复”假设，EP处于轨道异常区则估计未来具有回归概率。
• 异常估值情况区分：

- 基本面逻辑不变（价格异动或盈利漂移带来的估值偏离）
- 基本面逻辑改变（市场层面、行业层面、个股层面）

• 针对市场层面估值逻辑变化，采用横截面选股中的标准化方法，规避整体估值偏移的影响。结合行业中性化处理剔除行业估值逻辑变化影响，剔除个股层面变化采用后续方法。
• 图3：基于估值的布林带模型结构，详见EP中轨与上下轨间的震荡概念，预示特定区间内估值的“正常”波动范围；超出上下轨则判定为异常区域。[page::4,5]
• 图4：横截面选股规避市场层面影响，通过比较个股在截面中的距离标准差，量化异常程度，辅助判别异常区间股票。[page::6]

2.3 估值偏离因子（EPD）构建

• 核心步骤：

1. 以252个交易日（约1年）为窗口计算EP的均值与标准差。
2. 计算当前EP相对历史均值的标准差偏离（EPD）。
3. 对EPD进行行业和市值中性化处理，剔除行业影响，控市值用 Box-Cox 标准化。
4. 得到估值偏离因子EPD。

• 回测数据：

- 时间：2010年1月至2022年5月
- 绩效指标（表1）：RankIC均值6.56%、年化收益17.21%、信息比率2.58、胜率80.99%、最大回撤4.16%
- 图5清晰显示5组分层净值增长，其中因子值最高组表现突出，表明因子有效捕捉估值偏离带来的投资机会。

• 性能亮点：

- 高胜率和较低最大回撤体现均值回复策略的稳健性。
- 因子可持续输出超额收益，具备实用价值。[page::6,7]

3. 优化估值偏离因子（第3章）

3.1 剔除个股估值逻辑变动影响

• 背景问题：部分股票因基本面重大转变（如宁德时代股价上涨带动估值逻辑重塑）使估值偏离不再是均值回复，而是趋势突破。
• 案例：

- 图6（宁德时代）：EPD因子错误判定为高估，做空信号频繁出现，表现不佳。
- 图7（长春高新）：估值逻辑崩塌致估值异常，EPD因子错误诱发做多。

• 解决办法：构建个股估值逻辑改变的代理指标，基于过去126交易日（约6个月）的收益率均值与波动率计算信息比率IR，评估趋势稳定性与强度。高IR意味着估值逻辑更可能被改变，更趋向突破非均值回复。
• 调整方式：用当期EPD回归IR，提取残差，构造缓慢偏离因子EPDS。
• 绩效对比（表2，图8）：

- EPDS月度RankIC均值5.76%，IR提升至4.02，信息比率3.13，胜率82.19%，最大回撤2.38%，在稳定性上相较EPD显著提升，[page::8,9]

3.2 剔除Barra风格因子的影响

• 相关性检验（表3）：

- EPD、EPDS与盈利、动量风格相关较高。
- EPD与波动性风格相关也较显著。

• 处理办法：

- 对EPD、EPDS每月与Barra风格因子及申万一级行业虚拟变量回归，提取残差形成纯净版本。

• 结果展示（图9、图10，表4）：

- 纯净因子表现更优，年化收益率16%左右，信息比率均超过3，胜率超85%，最大回撤控制在2%以内，明显优于原始EPD/EPDS。[page::9,10,11]

• 进一步剔除：发现剔除Beta、价值、成长风格后，信息比率进一步提升（表5），其中：

- Beta高因市场波动影响估值弹性。
- 价值因子涉及估值期望差异。
- 成长因公司生命周期不同影响估值弹性。

• 最终估值异常EPA因子由EPDS残差回归Beta、价值、成长残差构成，表现最佳（表6，图11）：

- 月度RankIC6.13%、IR4.75，年化收益18.29%，信息比率3.76，胜率87%，最大回撤仅1.53%[page::11,12,13]

4. 收益来源讨论（第4章）

• 风险补偿假说：

- EPA多头股票估值偏低承担更多基本面风险可能获得补偿。
- 反证在经济周期不同阶段因子收益并无明显大幅波动（图12），说明非风险补偿。

• 错误定价假说：

- 部分股票由于市场关注度低，有限注意力导致定价错误。
- 将样本分为高关注度和低关注度（基于分析师覆盖人数），观察估值异常EPA因子表现（图13，表7）：
- 低关注度样本中因子表现显著优于高关注度样本，且高关注度样本在2017年后表现弱化。
- 分析师平均覆盖人数（图14）及覆盖率（图15）更低的极端分组因子值显示估值异常突出。

• 结论：估值异常因子核心收益是利用市场有限注意力引发的定价扭曲。[page::13,14,15,16]

5. 一些重要讨论（第5章）

5.1 参数敏感性检验

• 参数为EPD窗口n及IR窗口m，不同参数组合信息比率均较稳定，表明因子对参数变化不敏感，[page::16]

5.2 换手率分析

• 估值异常EPA因子极端分组1、5换手率约500%年化（合月度单边40%），交易频繁，需关注交易成本，[page::17]

5.3 因子分年度业绩表现

• 多数年份多空组合收益率均在10%以上，信息比率多在3以上，尤其2010、2014、2015年表现亮眼（表8）。风险控制良好，持续性好。[page::17]

5.4 剔除传统因子后增量信息

• 估值异常EPA因子与反转因子ret20、盈利改善指标ROEyoy相关性分别约17%、44% （表9）。

- 剔除后因子表现虽下降但仍有正收益，表明所含信息具备独立性（图18，表10）。[page::18]

5.5 不同行业板块表现

• 在金融地产板块表现较差，因金融地产多采用PB估值，不适应PE估值模型，其他行业均表现良好（图19）。[page::19]

5.6 不同指数样本表现

• 中证1000样本表现最佳（年化收益18.31%，IR2.88)，中证500次之，沪深300较弱（年化收益10.58%，IR1.49）；

- 差异缘由领域关注度不同及金融地产权重差异（表11）。[page::19,20]

5.7 中证500投资组合构建

• 在中证500中选择估值异常因子值最大的100只股票月度调仓等权构建组合。

- 回测2006-2022年，组合年化收益19.43%，超额基准中证500收益11.86%，信息比率2.03（表12，图20）。

• 说明该因子具备实际投资可行性。[page::20,21]

---

三、图表深度解读

1. 图1（page 0）

显示估值异常EPA因子5分组及多空对冲的净值走势。分组中因子值最大的第一组净值增长最快，因子值最小的第五组最慢，表明因子价值具备较强的收益区分能力。多空组合线稳定上升，体现因子多空对冲策略有效性。

2. 图2（page 3）

经典布林带交易策略应用于价格，展示价格围绕中轨波动，穿越上下轨提供交易信号，说明均值回复交易的基准逻辑。

3. 图3（page 5）

基于估值EP构建的布林带结构。显示估值水平围绕中轨上下轨波动，超出轨道认为处于异常区间，可预测其回归概率。

4. 图4（page 6）

行业截面横向比较显示如何规避市场层面整体估值逻辑变化，若仅用整体偏离容易错误判断个股估值异常。

5. 图5（page 7）

EPD因子5分组及多空对冲净值。第一组明显跑赢其他组和多空组合，表明因子具备扎实的择时和分层能力。

6. 图6-7（page 8）

分别示范EPD因子对宁德时代和长春高新的失误，展示需通过IR指标修正估值逻辑改变带来的误判。

7. 图8（page 9）

缓慢偏离EPDS因子5分组表现，多空组合净值更平滑，最大回撤显著下降，稳定性优于EPD。

8. 图9-10（page 10-11）

剔除行业与Barra风格后纯净EPD、EPDS因子表现，显示因子选股效果和稳定性明显增强。

9. 图11（page 13）

最终估值异常EPA因子5分组股价净值走势，策略稳定性、总体收益进一步提升。

10. 图12（page 14）

EPA因子多空组合收益稳定，验证非简单的风险补偿机制。

11. 图13（page 15）

高低市场关注样本中估值异常因子表现差异极大，支撑错误定价假设。

12. 图14-15（page 16）

分析师覆盖数及覆盖率各分组差异，揭示低覆盖组更容易出现估值异常。

13. 图16-18（page 16-18）

参数稳健性、换手率高、剔除传统因子后持继续表现说明因子具有效用及潜在交易成本考量。

14. 图19（page 19）

不同行业估值异常因子表现差异，金融地产因估值方法不同表现欠佳。

15. 图20（page 20）

构建中证500组合净值以及相对基准超额收益走势，因子实用性强。

---

四、估值分析

本报告主要采用截面因子排序及多空对冲回测方式评价估值因子有效性。

• 估值因子基于PE倒数（EP）构建布林带，界定估值中枢及异常区间，核心为“估值均值回复”假设。

- 通过多步剔除行业、市值、Barra常见风格因子影响，构建纯净估值异常EPA因子。

• 因子关键参数为EP均值、标准差计算窗口（252日）及IR计算窗口（126日）。

- 估值异常EPA因子表现出最高的信息比率（4.75）和年化收益（18.29%）。

• 剔除与传统反转和盈利改善因子重叠部分后仍保持显著超额收益，表明因子含有独立信息。

因子形式上就类似于基于多因子模型的因子剥离技术，综合考虑多维估值逻辑及行情面特征，提高选股纯度与稳定性。[page::4-13,16-18]

---

五、风险因素评估

报告指出的主要风险：

• 历史表现不代表未来表现：所有统计结论均基于历史数据，未来市场结构、信息效率或政策环境剧变，可能使因子失效。
• 单因子波动风险：因子收益存在波动，可能出现较大回撤，实际运用须配合资金管理及风险控制。
• 换手率较高带来的交易成本风险：核心交易集中于极端分组，换手率约500%年化，实际操作需考虑成本影响。
• 行业及样本限定：因子在金融地产板块效果欠佳，需避免盲目跨行业应用。

无过多缓解策略，强调结合资金管理与风险控制是必要方式。[page::0,21]

---

六、批判性视角与细微差别

• 因子构建复杂，剔除多重关联因子固然能提升表现，但也可能导致对部分有效信号的丢失，需警惕过度拟合。
• 因子换手率高，实际策略面临较高交易成本压力，论文未详细讨论成本对净收益影响。
• 未来市场结构变化、盈利确认周期变异，可能影响均值回复假设的稳定性。
• 部分剔除的风格因子（如盈利、价值）本身与估值密切相关，剔除后信息比率变化可能仅反映因子间的嵌套关系，需结合实证验证。
• 因子在高关注度样本表现疲软，显示因子存在市场信息效率层面局限，需结合市场环境动态应用。
• 报告清晰区分了估值异常的来源，但对于宏观经济、流动性冲击对估值逻辑改变的动态影响分析不足。

---

七、结论性综合

本报告系统地借鉴CTA领域布林带均值回复策略核心思想，结合中国股市基本面估值逻辑，创新构建估值偏离因子体系。通过三个核心因子（EPD、EPDS、EPA）逐级剔除市场、行业及个股估值逻辑变动和传统风格因子影响，成功提炼出一种高度纯净且稳定的选股因子——估值异常EPA因子。

该因子基于估值指标PE的均值回复特性，以PE倒数EP构建布林带，定义估值异常区间，量化估值修复机会。回测期间（2010-2022），该因子月度RankIC均值达到6.13%，信息比率高达4.75，年化收益稳定超过18%，最大回撤控制在1.53%。因子胜率高达87%，表现出显著预测能力和较强的抗风险能力。

剔除传统反转因子ret20与盈利改善指标ROEyoy后，EPA因子仍具有独立增量信息，且在关注度较低的样本中表现更加卓越，充分印证了市场有限注意力导致错误定价是因子收益的主要来源。该因子在中证500、中证1000等不同样本表现稳定，尤其在市场关注度偏低的中证1000中效果最佳。同时，基于该因子构建的中证500投资组合年化收益接近20%，相对沪深500指数获得约12%的年化超额收益，表明其具备较强的实际投资价值。

报告在风险部分提醒，该因子基于历史数据，未来市场结构、盈利模型和风险情况可能发生变化，且换手率较高，实际应用需要配合资金及风险管理体系。

图表显示，从原始估值偏离因子（EPD）到缓慢偏离因子（EPDS），再到最终剔除Beta、价值和成长三个Barra风格的估值异常因子（EPA），净值曲线风险调整收益持续提升，最大回撤明显下降，稳定性加强，充分体现了各步提纯过程的有效性。

综上，报告成功借用CTA领域策略和基本面估值修复逻辑，提出了一个新颖且实证有效的估值异常选股因子体系，能够为中长期选股和组合构建提供坚实的量化工具，实现收益与风险的均衡管理。

---

参考重要图表

• 

图1：估值异常 EPA 因子的5分组及多空对冲净值走势，展示因子分层效果，因子值最大组持续超额收益稳定增长。

• 

图5：估值偏离 EPD 因子的5分组及多空对冲净值走势，展现初步构建因子效果，第一组与多空组合线差异明显。

• 

图8：缓慢偏离 EPDS 因子的5分组及多空对冲净值走势，因子稳定性较EPD提升，体现效果优化。

• 

图9：纯净 EPD 因子的5分组及多空对冲净值走势，剔除行业及风格因素后的纯净因子净值走势。

• 

图11：估值异常 EPA 因子的5分组及多空对冲净值走势，最优因子净值表现，稳健且有力。

• 

图13：估值异常 EPA 因子在不同关注度样本中的5分组多空净值表现，低关注度组表现明显优于高关注组。

• 

图20：“估值异常”投资组合净值及超额收益走势，示范因子实际应用能力，组合稳定胜出基准。

---

综上所述，该报告通过系统建模与严谨数据实验，论证了基于估值异常的均值回复选股策略的有效性和实用性，具有较高的参考价值和实际应用前景。[page::0-22]

报告