寻找业绩与估值的错配：非理性估值溢价因子
创建于 更新于
摘要
本报告基于现金流贴现模型，构建了剥离基本面与风险因素后的非理性估值溢价因子（PE_Resid、PB_Resid、PS_Resid），显著超越传统估值因子表现。以PE_Resid为代表的非理性估值因子在多板块均表现优异，基于该因子构建的价值错配Top30组合历史年化收益达26.54%，显著跑赢中证500指数，显示出强大的选股能力和稳健的风险调整表现[page::0][page::6][page::12][page::13][page::17]。
速读内容
估值倍数来源与影响因素解析 [page::3][page::4]
- 以股息贴现模型为根基推导出市盈率（PE）、市净率（PB）、市销率（PS），分别受到净利润预期增长率、ROE、净利润率、股息支付率及风险溢价的综合影响。
- 估值倍数不能直接反映高低估，需剔除基本面和风险因素予以规范对比。
非理性估值溢价因子构建方法 [page::5][page::6][page::8][page::10]
- 采用多变量线性回归方法，将PE、PB、PS分别回归其对应的基本面变量与风险变量，取回归残差作为非理性估值溢价因子PEResid、PBResid、PSResid。
- 风险变量覆盖业绩不可持续风险、边际恶化风险、资产质量风险、盈利模式风险及流动性风险相关指标。
- 通过行业市值中性化，确保因子在截面上具备可比性。
- PEResid因子最优，IC均值-5.44%，年化ICIR-3.25，IC胜率83%，多头年化收益22.15%。
非理性估值溢价因子表现及多标的比较 [page::7][page::9][page::11][page::12]
| 因子名称 | IC均值 | IC胜率 | ICIR | 多头月均超额收益 | 年化收益率 |
| -------- | ------- | ------ | ------ | ---------------- | ---------- |
| PEResid | -5.44% | 83% | -0.94 | 0.96% | 22.15% |
| PBResid | -4.01% | 59% | -0.42 | 0.42% | 14.75% |
| PSResid | -3.81% | 65% | -0.48 | 0.45% | 15.10% |
- 非理性溢价因子在中证500、中证1000等小盘股池中表现更佳，且在周期、制造、科技、消费、医药等多个板块均表现稳健。
- 与原始PE、PB、PS因子相比，非理性估值因子均有显著改进。
价值错配 Top30 选股策略及实证表现 [page::13][page::14]
- 策略基于PE
- 历史回测显示，组合年化收益达到26.54%，超越中证500年化超额收益22.42%，最大回撤较低，风险调整表现优异。
分板块价值错配组合表现 [page::14][page::16]
| 板块 | 年化超额收益 | 代表图示 |
| -------- | ------------ | --------------------------------------------------|
| 制造 | 10.16% |
|| 科技 | 13.30% |
|| 周期 | 13.20% |
|| 消费 | 9.26% |
|| 医药 | 15.43% |
|- 均显著跑赢板块基准指数，充分体现非理性估值溢价因子在行业内的选股效力。
总结观点 [page::17]
- 通过剥离基本面与风险因素，非理性估值因子捕捉到估值与业绩增长错配市场机会，提升估值因子应用的解释力与预测能力。
- PE_Resid因子效果突出，选股能力强，构建的价值错配组合表现优越，适用于非金融领域多行业股票池的投资配置策略。
深度阅读
《寻找业绩与估值的错配：非理性估值溢价因子》研究报告详尽分析
---
1. 元数据与报告概览
- 报告标题：《寻找业绩与估值的错配：非理性估值溢价因子》
- 发布机构：国信证券经济研究所
- 研究员：张欣慰
- 发布日期：2021年12月15日
- 研究主题：金融工程领域，重点在量化投资中对估值倍数因子（PE、PB、PS）进行深度拆解，从基本面和风险角度划分估值的“理性”与“非理性”部分，构造非理性估值溢价因子，旨在找到价格与业绩间存在错配的投资机会。
- 报告核心论点：
- 估值倍数如市盈率（PE）、市净率（PB）和市销率（PS）系内在价值模型（DDM股息贴现模型）衍生的相对估值方法的表现，与基本面变量（增速、ROE、净利率、股息支付率等）及风险因素密切相关。
- 作者创新性地用回归剥离估值倍数中理性部分，对残差—即不可用基本面和风险解释的非理性部分进行捕捉，生成了非理性估值溢价因子PEResid、PBResid、PSResid。
- 三因子在业绩预测准确率（IC）和收益表现上显著优于传统估值因子，尤其是PEResid。
- 基于PEResid构建的“价值错配Top30”组合在剔除流动性不足、大金融板块等风险后能稳定跑赢中证500，年化超额收益达22.42%。
- 投资评级：报告中提及的方法和组合表现均显示强正面收益，对投资者具有较高参考价值，但声明不构成直接投资建议。
- 风险提示：市场环境变动风险，使用自身判断，基于历史表现的量化策略仍存在不确定性 [page::0,19]
---
2. 逐章节详细解读
2.1 追本溯源：从股息贴现模型（DDM）到估值倍数
- 本章回归估值理论本源，引用早期经典股息贴现模型及戈登增长模型，公式明确展示了内在价值为未来股息按贴现率减去增长率贴现的现值。
- 重要变量包括股息支付率(Div)、股息增长率(g)、预期回报率(r)，其金融意义为反映现金流大小、增长可持续性及风险水平。
- 从该模型推导相对估值倍数：
- 市盈率（PE）由股息支付率、净利润增长和贴现率决定；
- 市净率（PB）与ROE、增长率、股息支付率和贴现率相关；
- 市销率（PS）由净利润率、增长率和贴现率影响。
- 估值倍数将基本面和风险两部分因素合并体现，因此如果无法对不同公司基于其基本面风险归一化，单纯比较估值倍数可能导致误判投资价值。
- 风险因素分类详尽且具体，包括业绩波动风险、边际恶化风险、资产质量风险、盈利模式风险及流动性风险，均对估值水平产生影响，强调估值的多维风险构成 [page::3,4]
2.2 寻找估值与业绩错配：非理性估值溢价因子构建
- 作者的核心创新是采用回归分析，将原始估值因子对基本面变量（增长率、股息支付率、ROE等）和多种定量风险指标进行线性回归，拆解估值因子为：
- 基本面驱动的理性部分
- 代表风险的风险因子部分
- 残差部分（无法解释的估值溢价）
- “残差”对应非理性的估值溢价，包含市场情绪、流动性冲击等短期扰动，更具“跨公司可比性”，因此构造成为截面选股因子的候选。
- 对PE、PB、PS三种估值倍数因子，均采用相似回归剔除法，涵盖市值、行业哑变量中性化过程，最终用残差残值表示构造出的“非理性估值溢价因子”PEResid、PBResid、PSResid。
- 具体的基本面变量和风险因子选取透明细致，如PE的基本面回归变量为一致预期净利润三年复合增速(G)与股息支付率(Div)，风险变量囊括业绩增速不持续、业绩边际恶化，资产负债率，商誉比率，经营现金流变化，换手率等[page::5,6]
2.3 因子检验及性能表现
- PEResid因子：
- 时间区间2010-2021年回测，按月计算因子IC值及分组收益。
- 加入风险因子后，PEResid的平均信息系数（IC）为-5.44%，年化ICIR为-3.25，IC胜率达到83%，多头月度超额收益0.96%，年化收益率22.15%。
- 在不同指数（中证500、中证1000）及分析师覆盖股票池中表现优异，特别在低关注度、小市值股票池效果更佳，符合定价错误更可能存在的逻辑。
- 在制造、周期、科技、消费、医药板块均表现优异，在大金融板块表现较弱。
- 图4展示累计IC呈持续负增长趋势，体现因子较强的选股能力，图5分组超额收益高度单调，第一组获得最大超额收益，验证了因子的预测能力。
- PBResid因子：
- 用ROE、增长率与股息支付率为基本面变量，其余风险因子同PE。
- 加入风险因子后IC均值由-3.92%提升至-4.01%，多头月均超额收益由0.38%提升到0.42%，年化收益约14.75%。
- 在小市值板块如中证1000表现更佳。
- 图9月度超额收益分组呈现稳健的单调递减趋势，表明因子有较好的区分能力。
- PBResid在大金融板块表现好于PEResid。
- PS
- 回归变量为净利率、增长和股息支付率。
- 加入风险因子后IC均值提升至-3.81%，IC胜率65%，多头月均超额收益约0.45%，年化收益约15.10%。
- 同样在小市值股票表现更优，且在制造、科技、周期、消费板块表现稳定，但在医药及大金融板块表现较差。
- 对比分析：
- 所有非理性估值溢价因子均较对应原始估值因子表现有显著提升：
- PEResid IC均值提升约1个百分点，IC胜率提升6%，多头月度超额收益提升0.26%，年化超额收益显著。
- PBResid和PSResid同样有所改善。
- 图14展示传统估值因子的多空收益在2019年后遭遇回撤，而非理性残差因子稳定性更强。
- 因此，报告确认构造方法有效，将估值因子理性和非理性部分分离，使选股更加稳健且具有持久盈利能力[page::7-12]
2.4 非理性估值溢价因子的应用：价值错配Top30组合
- 以PE
- 组合配置每月调仓，交易成本按双边0.13%计算，反映实际可行策略。
- 图16显示价值错配组合整体净值远超中证500指数，历史年化收益为26.54%，超额收益高达22.42%，最大回撤控制在10.58%以内，呈现良好的风险收益特征。
- 细分板块：
- 制造板块Top30年化超额收益约10.16%，大部分时间跑赢行业基准。
- 科技板块Top30年化超额收益13.30%。
- 周期板块Top30年化超额收益13.20%。
- 消费板块Top30年化超额收益9.26%。
- 医药板块Top30表现最优，年化超额收益达15.43%。
- 各板块均实现战胜对应行业基准指数，且组合净值曲线体现长期稳健增长，验证了该因子及策略的广泛适用性与有效性[page::13-16]
2.5 方法论总结与数据处理说明
- 对各因子数据做严格的缺失值填充、去极值和标准化处理：
- 去极值采用绝对中位数法（MAD），将极端值压缩并保序。
- 标准化采用Z-score方法，统一量纲。
- 行业划分明确，覆盖主要细分行业及板块，便于行业分析与横向比较：
- 大金融、制造、科技、消费、医药及周期板块分明。
- 研究体现了通过严格统计及量化方法，提升估值因子适用性和稳健性的思路[page::17,18]
---
3. 图表深度解读
- 图1：由内在价值推导估值倍数
- 展示股息贴现模型中的内在价值推导到估值倍数（PE、PB、PS）的公式关系，揭示估值倍数的基本决定变量（Div，g，ROE，净利率等）及贴现率r。
- 支撑章节中理论基底，奠定定量因子拆解逻辑基础。
- 图2~图3：估值溢价拆分与PE
- 用图示形象展示PE估值分解为基本面因素+风险因素+非理性溢价的框架。
- PEResid构建表达式的回归模型具备清晰的变量含义，强调了市值和行业中性处理。
- 图4（PE
- 累计信息系数图表呈现IC随着时间累计持续负增长，体现因子稳定且显著的预测能力。
- 图5（PEResid分组月度超额收益）
- 按因子值分组月度超额收益图明显呈现因子值低组获得最大超额收益，符合因子价值选股预期。
- 图6~图7，图8~图9，图10~图11，图12~图13等图表
- 分别对应PB、PS及其非理性溢价因子的构建与回测，均展示了统计显著性及选股效果验证。
- 图14（PE、PB、PS因子多空收益对比）
- 对比传统估值因子和新构造因子多空收益表现，展示新因子更为稳健，特别是在2019年后的市场环境中明显优于传统因子。
- 图15（价值错配Top30组合构建方法）
- 详细步骤图，清晰展示过滤条件、分析师覆盖及风险剔除的综合筛选过程，有助于投资者理解和复现策略。
- 图16~图21（各板块价值错配Top30组合净值曲线）
- 净值历史表现图展现各板块选股策略均较基准行业指数有明显超额回报，且相对强弱指标显示出良好的选股能力。
- 表格内容清晰呈现因子回归变量、风险变量定义及因子性能统计指标（IC均值、ICIR、胜率、月度超额收益等）
- 各类风险指标量化定义合理，既覆盖业绩波动也涵盖资产质量和流动性风险，增强了模型解释力和预测能力。
- 图表整体配合文本逻辑，形成理论、方法、结果完整链条，充分支撑论文结论[page::4-16]
---
4. 估值方法及其假设解析
- 估值基础依赖经典的股息贴现模型（DDM）与戈登增长模型，做相对估值时，将公司价值转化为估值倍数，并进而量化剖析：
- 关键公式：$V0 = \frac{D1}{r - g}$，通过与财报指标等关联，推导估值倍数形式。
- 估值倍数（PE, PB, PS）内涵结合基本面指标（净利润增速、ROE、净利润率、股息支付率）与预期回报率，二者决定合理估值水平。
- 回归剔除过程实际上是对估值倍数部分影响因素预测的剥离，残差代表市场情绪和非理性因素，反映估值溢价中的“非理性”成分。
- 采用行业与市值双重中性化，确保因子残差部分不受行业或规模效应扭曲，提升因子跨行业普适性与解释力。
- 风险因素选取基于经验和数据驱动，涵盖业绩增速一致性，边际变化，资产负债水平及商誉，现金流与毛利率变化，流动性指标，力求全面捕捉风险溢价的来源。
- 线性回归形式尽管假设简约，但因子效果验证表明足够适用且泛化能力强，且后续模型灵活加入哑变量实现非线性风险捕捉。
---
5. 风险因素评估
报告明确指出其模型和策略的局限风险：
- 市场环境变动风险，因子过去表现并不能保证未来收益，宏观周期、政策环境波动均可能影响因子效果。
- 数据与模型假设风险，回归模型依赖历史数据及量化指标，可能因数据更新或样本外情况导致效果下降。
- 非理性估值溢价的短期波动风险，由于包含情绪及流动性因素，因子可能出现暂时失效或估值回归风险。
- 流动性约束及交易成本风险，组合流动性剔除措施有限，高换手率可能导致实际收益折价。
- 风险剥离措施及因子构建加强了模型的稳健性，但整体投资策略仍需配合投资者的风险承受能力及市场判断[page::0,19]
---
6. 批判性视角与细微差别
- 报告优势：
- 清晰的理论基础结合实证回归拆解，逻辑严密，方法创新。
- 使用行业及市值双重中性化处理，增强因子跨行业适用性。
- 定量风险因子细致分类，反映实际基本面与市场风险构成。
- 因子回测时间长（2010-2021），兼顾多市场环境，多样化股票池测试。
- 板块内测试进一步验证因子选股能力，丰富策略实用性。
- 潜在局限：
- 回归模型均为线性设定，忽略了金融市场可能存在的非线性及交互效应。
- 因子主要基于中国资本市场数据，跨市场普适性尚需验证。
- 对于新兴行业及高成长公司的特殊估值机制未特别讨论，可能影响因子解释力。
- 流动性剔除虽然设置，但实际操作中大幅调仓仍存在执行风险。
- IC指标呈负值但负的均值与高胜率的矛盾解释需更加明确，可能反映因子排序方向性调整问题。
- 报告中提及PE
- 报告披露严格，风险提示充分，态度客观中立。
---
7. 结论性综合
本报告从理论模型出发，结合基本面和风险因子对估值倍数进行系统分解，成功构造了三大非理性估值溢价因子PEResid、PBResid和PSResid。通过详尽的因子测试，作者发现：
- 非理性估值溢价因子相较传统估值因子表现出更高的预测准确性（信息系数IC）的稳定提升和更优的多空收益结构，尤其PE
- 因子在不同股票池和行业板块均表现出稳健的区分能力，尤其在制造、周期、科技、消费和医药等板块中体现较强的选股信号。
- 基于PEResid构建的价值错配Top30股票组合实现了长期显著跑赢中证500指数的成绩，年化超额收益高达22.42%，且在各行业板块均获得超额收益，验证了非理性估值溢价因子在实战中的有效性。
- 报告提供了完整的数据处理流程及风险控制策略，极大增强了研究的科学性和实用性。
- 该方法为价值投资提供了新的视角：非理性估值溢价因子有助于捕捉价格与业绩或基本面风险错配的机会，补充传统估值方法的不足。
- 投资者应注意市场环境和模型假设的变化对因子表现可能产生的影响，合理控制风险，结合多因子和多策略构建投资组合。
整体而言，报告成功实现了从估值理论到量化因子的创新应用，实现了传统估值因子的升级与优化，值得专业机构及量化投资者深入研究与参考，具有较强的应用前景和投资指导价值。[page::0-18]
---
参考图表示例（markdown格式展示图片）
- 图1：由内在价值推导估值倍数
- 图4：PEResid累计IC
- 图5：PE_Resid分组月度超额收益
- 图16：价值错配Top30组合策略净值
- 图21：医药板块价值错配Top30策略净值
---
综上，本研究报告借助严密的理论模型和丰富的实证检验，有效提升了传统估值因子在A股市场的适用性与预测力。非理性估值溢价因子揭示了被市场忽视的定价偏差，帮助投资者发掘超额收益机会，同时严格的风险剥离提高了因子稳健性。对于专业量化投资者及研究机构，该报告方法及其成果具有重要的实践指导和研究启示价值。
