预期PE与静态PE因子表现差异较大 [page::2][page::3]

• 预期PE与静态PE月相对收益相关系数高达0.86，但多头组合表现差异明显。

- 2007年以来，预期PE多头累计收益为365%，静态PE多头为182%。

• PB因子表现差异较小，预期PB和静态PB多头及空头重合率超过80%。

极端样本处理对因子收益影响显著 [page::4][page::5]

| 处理方式 | 不作处理 | 加无穷大值 | 剔除 |
|----------|----------|------------|------|
| 静态PE | 0.99% | 0.44% | 1.06%|
| 预期PE | 1.18% | 1.58% | 1.67%|
| 静态PB | 1.83% | 1.86% | 1.83%|
| 预期PB | 2.10% | 2.06% | 1.98%|

• 预期PE<0样本表现较差，合理放置于空头组提升因子区分度。

- 静态PE<0样本表现居中，对高估值股票无代表性，建议剔除。

微利股对PE因子表现的影响及剔除效果 [page::5][page::6][page::7]

| 预期PE组别 | 第一组 | 第二组 | 第三组 | 第四组 | 第五组 | 第六组 | 第七组 | 第八组 | 第九组 | 第十组 |
|------------|--------|--------|--------|--------|--------|--------|--------|--------|--------|--------|
| 微利股占比 | 0.00% | 0.00% | 0.00% | 0.00% | 0.02% | 0.00% | 0.07% | 0.30% | 1.37% | 26.48% |

• 绝大部分微利股落在PE最高组，对该组表现影响偏大。

- 微利股表现更接近中等PE组股票，非高估值代表。

• 剔除微利股后，预期PE因子月均相对收益由1.67%提高至2.01%，选股区分度增强。

低静态PE中高静态ROE股票抑制低估值优势 [page::8][page::9]

• 静态PE最低组中约45%的股票为高静态ROE股票，高ROE股票表现接近市场平均。

- 低静态PE中非高ROE股票表现优于高ROE股票，削弱整体低静态PE组表现。

• 预期PE中高预期ROE股票表现优于非高预期ROE股票，增强低预期PE股票表现。

因子体系与量化策略构建简述 [page::10][page::11]

• 因子体系涵盖估值、盈利、成长、运营、动量、规模、红利、股权和量价九大类31个因子。

- 采用等权重多空组合计算相对收益，考虑行业中性，剔除极端样本及流动性弱股票。

• 组合构建示例：估值因子赋50%权重，动量因子赋-20%，其他因子各10%，并结合流动性规避控制风险。

报告分析 — 《模型细节处理创造价值——市场驱动因子分析之八》

---

1. 元数据与概览

• 报告标题：《模型细节处理创造价值——市场驱动因子分析之八》

- 作者：刘敦（首席分析师）、提云涛、林永钦、刘均伟（研究和支持团队）

• 发布机构：上海申银万国证券研究所有限公司

- 发布时间：2012年12月27日

• 研究对象：估值因子，尤其是预期市盈率（预期PE）与静态市盈率（静态PE）的差异表现及极端样本（如负PE、微利股）处理方式对因子表现的影响

- 核心主题：量化策略中的估值因子细节处理对因子有效性的影响，特别是预期PE与静态PE的表现差异，极端样本处理策略及微利股对因子表现的冲击，以及由此提出的投资建议和优化方法

• 核心论点：

- 预期PE因子多头组合表现明显优于静态PE，但极端样本和微利股的处理对因子表现影响显著；
- 针对极端样本，合理的剔除或归类方式能更好体现因子真实效用；
- 微利股表现并非高估值股票的典型代表，剔除后因子表现单调性和区分度提升；
- 静态PE最低一组中高ROE股票表现不同程度削弱了低估优势。

本报告意在对量化因子投资中估值因子的细节做深刻探讨，剖析不同估值指标的表现及优化用法，从而提升量化选股模型的效果和准确性。[page::0,1,2,9]

---

2. 逐节深度解读

2.1 预期PE与静态PE月相对收益差异较大

• 关键论点：

- 预期估值因子（基于未来EPS/BPS）与静态估值因子（基于历史EPS/BPS）虽表现相关，但收益差异明显；
- 预期PE因子相关系数0.86，预期PB因子相关系数0.95，说明估值视角不同但关联性强；
- 2007年以来，预期PE因子月均相对收益为1.67%，明显高于静态PE的1.06%；
- 预期PE和静态PE多空组合重合度仅约50%，PB因子重合度超过80%；
- 预期PE因子多头累计收益365%，静态PE多头仅182%，多头差异是主要表现差异源。

• 推理依据：

- 预期EPS反映了未来盈利预期，更能捕捉股票真实价值变动的预期；
- 静态EPS基于历史数据，反映过去盈利，滞后于市场变化；
- 多空组合差异推动收益差异显著，空头差异较小。

• 图表说明：

- 图1、2（第2页）显示预期PE/PB与静态PE/PB月相对收益的时间序列比较，预期因子波动与回报更优；
- 图3（第3页）显示预期PE与静态PE多头与空头表现差异，明显多头拉开差距；
- 图4显示PB因子表现较一致。

• 总结：

预期PE因子更能捕捉未来收益预期带来的价值变动，因此多头表现显著领先，值得量化投资参考和采用。[page::2,3]

---

2.2 极端样本的处理方式影响因子相对收益

• 关键论点：

- 极端因子值（如PE<0，即亏损股）样本数量较多，对因子因收益贡献显著；
- 不同处理方式（无处理、赋无穷大、剔除）导致因子表现差异明显；
- 预期PE<0样本占比约2.5%，静态PE<0占比达10.7%，预期PB与静态PB中极端样本几乎无；
- 预期PE<0股票表现较差，更接近高估值股票，合理归入估值最高组（空头），
- 静态PE<0股票表现中等，不完全代表高估值，建议剔除。

• 推理依据：

- 亏损股如果归入多头（低PE）组反而拉低多头表现并降低收益；
- 将亏损股赋无穷大PE归入空头则合理匹配其高风险特征；
- 静态PE<0样本表现较中性，历史亏损已反映价格中，不宜简单归类。

• 数据与图表：

- 表2展示不同处理方式下相关因子月均收益差异，剔除极端样本对收益提升明显；
- 图5和图6（第5页）分别展示预期和静态PE极端样本不同处理下多空组合表现的动态变化。

• 总结：

对预期PE<0极端样本赋极值及归入空头，静态PE<0样本则以剔除处理为宜，可以显著优化因子表现和选股收益。[page::3,4,5]

---

2.3 剔除微利股后PE因子表现单调性增强

• 关键论点：

- 微利股定义为预期ROE低于2%（极低盈利能力股），其PE值多为极高，但PB指标中无明显聚集；
- 微利股主要集中在PE最高的第十组，占该组约26.48%；
- 微利股的收益表现接近于中等PE组股，非典型高估值股；
- 微利股显著拉高估值最高组的平均表现，降低估值因子的分辨能力；
- 剔除微利股使预期PE因子的月均相对收益由1.67%提升至2.01%，增加收益的单调性和区分度。

• 数据与图表：

- 表3展示各组中微利股占比，明确集中于PE最高组；
- 图7显示微利股与各组股票表现对比，明显更接近中间组表现；
- 图8比较剔除与不剔除微利股后预期PE各组月均收益，剔除效果明显。

• 总结：

微利股的存在扭曲了PE因子的典型表现，剔除它们可以使估值因子表现更显著、更符合逻辑，建议量化模型中务必剔除微利股样本以优化选股效果。[page::5,6,7]

---

2.4 低静态PE组中高静态ROE股票未表现出低估优势

• 关键论点：

- 静态PE最低组的表现不及次低组和第三组，低估值优势不明显；
- 静态ROE与静态PE相关强烈，近0.7以上；
- 静态PE最低组中约45%为静态ROE最高10%的股票，高盈利但估值很低；
- 高静态ROE在低静态PE中未能显出低估优势，其表现与市场接近，反映估值合理或盈利已固化；
- 高ROE股票未来盈利可能下滑，PE可能反弹，削弱低估优势。

• 数据与图表：

- 图9展示静态PE最低前三组累计收益，第二组明显优于第一组；
- 图10展示高静态ROE在不同静态PE组中的分布，第一组集中度极高；
- 图11显示低静态PE中高ROE与非高ROE股票表现，后者表现较好。

• 总结：

静态PE最低组由于含大量高静态ROE股票，未能充分体现低估价值，反而可能因盈利预期变化导致其表现受限。此为静态PE表现较弱的主要原因。[page::7,8,9]

---

2.5 预期PE低组中高预期ROE股票提升表现

• 关键论点：

- 预期PE与预期ROE的相关性亦较高；
- 低预期PE中含高预期ROE股票表现优于非高预期ROE股票；
- 预期ROE体现未来盈利预期，具备成长性支撑，提升低预期PE组整体表现。

• 数据与图表：

- 图12展示低预期PE组中，高预期ROE与非高预期ROE股票的表现对比，前者明显优胜。

• 总结：

预期PE因子更好地反映未来盈利潜力，对高预期ROE股票赋予正面预期，因而提升整体低估值组的表现，显示预期指标的优势。[page::9]

---

3. 图表深度解读

• 图1-2（第2页）：相对收益时间序列直观对比预期PE/PB与静态PE/PB因子表现，体现预期因子在多数时间段稳定优于静态因子；

- 图3-4（第3页）：多头与空头累积收益曲线，确认预期PE多头优势明显，PB因子表现较为接近；

• 图5-6（第5页）：极端样本不同处理方式（未处理、赋无穷大值、剔除）对多空组合表现的影响，显著影响预期PE表现，说明样本处理重要性；

- 图7（第6页）：微利股表现曲线处于中间位置，未表现出极端高估值与收益；

• 图8（第7页）：微利股剔除前后各组收益比较，剔除后表现单调且收益分化更加合理；

- 图9-11（第7-9页）：展示静态PE因子不同股票组别收益及高ROE股票在各组分布与表现，揭示静态PE组别划分不足及内部结构复杂性；

• 图12（第9页）：预期PE低组中高预期ROE股票表现更优，进一步说明预期指标优势所在。

这些图表通过时间序列和分组累积收益充分说明了报告论点，为理解估值因子应用中的复杂因素提供了有力的数据支持。[page::2,3,5,6,7,8,9]

---

4. 估值分析

• 估值方法：

- 主要基于估值因子：市盈率（PE）、市净率（PB），静态PE/PB基于历史财务数据，预期PE/PB基于未来预期数据；
- 市盈率以股价除以每股净利润衡量，净利润基于静态（历史）或预期（未来）数据；
- PB以股价除以每股净资产衡量。

• 估值因子的处理和优化：

- 剔除极端样本（负PE、PB的股票）或对其赋极值处理，保证因子有效性；
- 剔除微利股避免高PE指标对估值分组的误导；
- 对静态PE最低组内部根据静态ROE进行区分，揭示该组内结构复杂，影响了估值优势。

• 核心假设与驱动力：

- 预期EPS/BPS更能反映未来价值，带来更佳的因子表现；
- 极端样本不代表典型估值样本，应合理处理；
- 微利股高PE主要因盈利极低，非高估值代表，应剔除；
- 高ROE股票盈利能力强，虽然PE低，但盈利持续性风险影响其未来表现。

整体估值分析体现了多角度深入考量估值因子的稳定性和适用性，提出了科学严谨的处理方法以提升量化因子投资的有效性。[page::0,2,3,4,5,6,9,10]

---

5. 风险因素评估

• 极端样本风险：

- 极端（负PE、PB）样本数量较多，若处理不当，因子表现失真，投资策略效果降低。

• 微利股风险：

- PE异常偏高，但不代表真正高估值，若未剔除影响估值判断，导致组别收益扭曲。

• 盈利可持续性风险：

- 静态PE最低组多数为高ROE股票，存在盈利下滑风险，可能破坏基于低PE的投资判断。

• 预期数据不准确风险：

- 预期EPS/BPS数据存在不确定性，过度依赖可能造成选股偏差。

• 模型假设局限性：

- 部分因子假设市场效率和盈利预测准确性，实际应用中可能偏离。

报告针对极端样本、微利股和高ROE股票分别提出了处理建议—剔除极端样本中表现不能代表高估值的股票、去除微利股、细化静态PE组内部结构，有效缓解了潜在风险。[page::0,4,5,8,9]

---

6. 批判性视角与细微差别

• 报告强调预期PE因子优于静态PE，但该结论基于大量的预期盈利数据，现实中预期盈利易受非系统风险影响，存在一定不确定性，需谨慎对待；

- 极端样本的剔除虽然提高了因子表现，但剔除标准的主观性可能影响模型稳定性，若剔除过多可能遗漏潜在投资机会；

• 微利股定义和剔除策略虽有效避免了PE偏态，但对成长型或周期性企业的盈利起伏未充分考虑，可能出现样本偏差；

- 静态PE最低组高ROE股票表现不佳的解释合理论据充分，但未深入探讨其盈利下滑的具体动力，未来研究可进一步细分盈利质量因素；

• 关联性指标如PE与ROE、PB与微利股分布的关系清晰，但未涉及更多宏观和行业因素对估值因子的可能影响，存在一定局限；

- 本报告数据时间范围截至2012年12月，后续市场环境变化可能影响因子表现，需结合最新市场动态调整策略。

整体上，报告逻辑严谨，数据与图表支撑充分，但对预期数据不确定性及宏观环境因素考虑有限，模型适用性需要结合实际动态评估。[page::0-10]

---

7. 结论性综合

本报告系统深度剖析了量化投资中估值因子的关键细节及优化路径，主要结论如下：

• 预期PE与静态PE因子表现存在显著差异，预期PE因子多头组合自2007年以来累计收益达365%，远超静态PE因子182%，显示预期数据对投资绩效提升的价值；

- 极端样本处理影响深远，预期PE负数样本表现差，归为高估值组合理；静态PE负数样本表现中性，建议剔除；合理处理极端样本显著提升因子表现和收益率；

• 微利股导致PE因子表现扭曲，其高PE无法代表高估值，剔除后预期PE因子收益率和组间单调性均得到提升，显示微利股必须剔除以保证估值因子指标的纯净性与精确性；

- 静态PE最低组的内部结构复杂，几乎一半股票为高静态ROE，盈利稳定性和估值关系影响了组别的低估值表现，静态PE指标在特定细分中失效，预期PE基于未来盈利预期则表现更稳健；

• 报告通过丰富图表全面展示了因子表现趋势、极端样本与微利股分布、处理方式的动态影响以及静态PE与ROE指标间的复杂关系，为估值因子在量化投资中的应用提供了详实的实证基础和优化手法；

- 研究结论推动量化投资者深入理解估值因子构造中的细节处理要求，提升模型的识别力和收益潜力，为构建科学、实用的量化选股策略提供新思路。

综上所述，报告主张采用预期PE为核心估值指标，慎重处理极端样本和剔除微利股，并关注静态指标内部结构复杂性，这些操作显著提升因子实用价值和投资回报表现，是量化策略设计不可忽视的关键细节。报告提供的方法论、数据与结论对于专业投资者与研究人员均具有较高参考价值。[page::0-10]

---

附：重要图表索引

| 图表编号 | 内容简介 | 页码 |
|---------|-------------------------------------------------------|-------|
| 图1 | 静态PE与预期PE因子相对收益对比 | 2 |
| 图2 | 静态PB与预期PB因子相对收益对比 | 2 |
| 图3 | 预期PE多头与空头累计表现对比 | 3 |
| 图4 | 静态PB与预期PB多头与空头表现对比 | 3 |
| 图5 | 预期PE极端样本（不同处理方式）多空表现 | 5 |
| 图6 | 静态PE极端样本（不同处理方式）多空表现 | 5 |
| 图7 | 微利股与各PE组股票累计表现比较 | 6 |
| 图8 | 剔除与未剔除微利股后预期PE各组月均收益比较 | 7 |
| 图9 | 静态PE最低前3组股票累计表现 | 7 |
| 图10 | 高静态ROE股票在静态PE各组中的分布 | 8 |
| 图11 | 低静态PE中高/非高静态ROE股票表现对比 | 9 |
| 图12 | 低预期PE中高/非高预期ROE股票表现对比 | 9 |

---

免责声明

本分析严格基于所提供报告内容，客观解读数据与观点，不注入个人观点或未披露信息，且所有结论均引用自报告正文，并以页码标注便于追溯。

---

以上为本次《模型细节处理创造价值——市场驱动因子分析之八》报告的全面详尽解读与分析。

报告