PB 之变：精细分拆，新生华彩——量化研究系列报告之十三

创建于 2025-07-18T13:53:43.154232+08:00 更新于 2025-07-18T15:28:16.826943+08:00

摘要

本报告通过对PB因子进行深度拆解，构建公司真实价值估计模型，创新性拆分为市值/真实价值(M/V)和真实价值/账面价值(V/B)两部分，进而剥离行业时序估值波动，融合增长潜力，重塑新估值因子VAL。VAL因子在全市场及主要指数均展示了更优收益和稳定性，且与ROE结合进一步增强因子表现，显著提升了估值准确性和投资回报，为量化选股和指数增强策略提供有效支持 [page::0][page::5][page::20][page::22][page::27][page::31][page::36]

速读内容

PB因子存在明显局限及其二元拆解逻辑 [page::4][page::5]

传统PB因子以账面价值为锚，表现出周期性且盈利下行期回撤显著，2013-2023年Rank IC为-4.2%。

- 拆解为M/V（市值与真实价值比）和V/B（真实价值与账面价值比），M/V优于传统PB，能更准确捕捉估值偏差，降低回撤风险。

价值估算模型及其回归解释力度分析 [page::6][page::8]

行业分域回归模型考虑账面价值、净利润绝对值、净利润负值指示和杠杆比率，模型解释力强(R2均值0.78)，传统行业拟合效果优于成长行业。

- 账面价值贡献最大，杠杆影响微弱；负净利润样本对模型稳定性及多头表现负面影响，建议剔除或分域处理。

M/V及V/B因子绩效及市场敏感度 [page::10][page::11][page::14]

M/V因子表现优于PB，行业市值中性化后多头年化收益15.43%，多头胜率82%。

- 纳入预告和快报净利润后，M/V因子Rank IC提升至-5.2%，多头年化收益17.44%，显示市场对及时财务信息高度敏感。

V/B因子整体表现较弱，但拆解后长期价值/账面价值(Vts/B)体现了显著的正向选股能力，年化收益达21.13%。

PB三项拆解及新估值因子VAL构建 [page::18][page::20][page::22]

进一步拆分V/B为V/Vts和Vts/B，剥离行业时序估值波动影响，结合M/V与Vts/B构建新估值因子VAL。

- VAL因子Rank IC达到-6.3%，多头年化23.16%，超额收益12.4%，大幅优于传统PB和M/V。

VAL与PB相关性较低，为全新估值视角，增强策略中提升信息比和超额收益表现明显。

“估值-ROE”模型及因子联合表现 [page::23][page::27][page::28]

基于行业和PE分域回归残差模型提升估值因子稳定性，M/V-ROE残差因子表现优于PB-ROE，年化收益达21.93%。

- 简单rank结合方式表现优于复杂残差模型，M/VROErank因子Rank IC达到-6.4%，多头年化超额11.3%，IC胜率84.7%。

VAL基因纳入ROE虽提升稳定性，但收益增量有限，ROE因子失效年份表现负面。

VAL估值因子在主要指数增强中的边际贡献 [page::30][page::31][page::33][page::34][page::35]

VALnewcomp因子较原估值组合在全A及沪深300、中证500、中证1000、国证2000指数增强策略中均表现出显著提升。

- 超额收益分别提升1.38%-3.33%，信息比和多头胜率明显改善，最大回撤降低。

改进策略在市场盈利下行期表现更为稳健，呈现持续alpha贡献。

量化因子构建与性能评估总结 [page::6][page::20][page::22][page::27]

新估值因子核心在于结合公司特定估值偏差及行业增长潜力，剥离时序估值扰动。

- 通过行业分域基于账面价值和盈利建模真实价值，形成不同层级估值因子。

联合ROE构建稳健因子组合，实现更高收益、更低回撤和更好稳定性。

- 实证中展示了因子有效性和策略实用性，为量化投资提供重要参考。

深度阅读

PB之变：精细分拆，新生华彩——量化研究系列报告之十三详尽解析

---

一、报告元数据与概览

报告标题：《PB之变：精细分拆，新生华彩——量化研究系列报告之十三》

- 发布日期： 2023年12月17日

分析师与机构：杉执业证书号S0010522110001（Au骆th昱or）、严佳炜（S0010520070001），华安证券研究所

- 核心主题：围绕传统估值因子——特别是𝑃𝐵因子的深度拆解与重构，提出基于公司“真实价值”的多维估值模型。着力剔除估值噪声，捕捉公司特定估值偏差和增长潜力，构建新估值因子，提升因子收益质量和稳定性。

主要观点总结：

1. 𝑃𝐵分解为两大核心部分：$M/V$（市值/真实价值）衡量市场对公司的估值偏差，$V/B$（真实价值/账面价值）反映潜在增长。
2. 基于行业分域回归估算“真实价值”，推动$M/V$因子性能超越传统$PB$。
3. 深入剥离行业时序估值波动，进一步细化$V/B$，发展包含增长潜力的新估值因子$VAL$。
4. 该新因子在多种指数域实现乘数级的收益和稳定性提升，且结合𝑅𝑂𝐸构造的估值-盈利模型增强了因子的预测能力。
5. 风险提示强调模型基于历史数据，存在未来失效可能。[page::0, 36]

---

二、报告正文逐章深度解析

1. 传统估值因子的局限性

传统估值因子（$PB$、$PE$、$PS$、$PCF$）均基于单一估值锚点（账面价值、盈利、销售收入、现金流），试图捕捉市场定价偏差。

- $PB$因子以账面价值为锚，长期有效但存在显著周期性，其整体胜率、稳定性和多头表现欠佳，尤其在盈利下行期表现不佳，比如2019年以来，$PB$因子出现多次回撤，其中2020年多头超额收益为-6.4%。

这主要是因为账面价值锚点无法适应盈利恶化时期的估值变化，从而导致误判。

- 各估值因子的投资逻辑和估值锚点的结构也强调单一指标的不足，导致估值性能有限，且对不同行业和盈利模式的股票应用存在局限。

因此，报告提出需要从估值的个性化、多维化视角入手，实现更精准的跨行业估值测算。

- 图表3-4显示，$PB$因子的Rank IC逐渐走弱，近年表现逐步低迷，2013-2023年Rank IC均值仅-4.2%。[page::4,5]

2. 𝑷𝑩二元解构模型：$PB = M/V \times V/B$

2.1 估算“真实价值”模型构建

利用行业分域回归方法，基于账面价值($B$)、净利润($NI$)、杠杆率($LEV$)等财务指标，通过以下模型估算公司“真实价值”$V$的对数值：

\[
v{it} = \alpha{0jt} + \alpha{1jt} b{it} + \alpha{2jt} \ln(NI{it}^+) + \alpha{3jt} I{(NI{it}<0)} + \alpha{4jt} LEV{it} + \epsilon{it}
\]

该模型承认行业与时间的异质性，令回归系数随行业$j$和时间$t$波动，体现不同行业风险调整。

- 模型呈现出较强解释力，整体$R^2$平均0.78，最高可达1，账面价值与净利润的绝对值为最显著变量，杠杆变量贡献较弱。

负净利润通过指示函数单独处理，反映其不同性质。

- 图表5清晰展现了各变量均值、t值及$R^2$的稳定性与行业差异。[page::6-8]

2.2 $M/V$与$V/B$因子优势差异详解

$M/V$因子（市值/真实价值）更能精准反映市场对公司股价的定价偏差，绩效明显优于传统$PB$，特别是行业市值中性化后，$M/V$的Rank IC提升1.3个百分点，年化多头收益提升至15.43%。

- $V/B$因子（真实价值/账面价值）反映公司增长潜力，但在截面上对收益贡献有限，甚至成为拖累因素。

保留负净利润样本会弱化$M/V$收益端表现，通过剔除负盈利公司，模型$R^2$获得提升，且多头收益及胜率明显上升。

- 杠杆项虽计入模型，但贡献不显著，剔除后因子表现相近，为保留融资成本信息，仍建议保留。

图表6-12详述了$PB$、$M/V$、$V/B$因子的时序和分组收益差异，刷新了市场对估值因子理解的范式。

- 通过引入预告和快报等更及时的财务信息，$M/V$因子收益表现更上一层楼，多头年化收益达到17.44%，超额收益超6%。

但引入分析师对未来盈利预测，并未显著提升因子表现，甚至表现逊于仅基于财务快报与正式报告的数据，可能为预测本身的不确定性与偏差所致。

- 图表13-24呈现了净利润负样本比例、剔除负净利润后的模型成果及不同数据来源对绩效的影响。[page::9-16]

2.3 $M/V$是否可替代传统估值因子？

$M/V$与传统$PB$因子高度相关（约0.74），但与$PEQ$相关度较低，且多头持仓重叠度中等，指向其独立性。

- 剔除传统估值因子后的$M/V$因子仍具稳健表现，暗示其确具有独特的风险溢价捕捉能力。
报告结合分位估值因子比较，发现基于$M/V$的因子ICIR及多头年化收益明显优于$PB$及分域估值因子，稳定性和收益优势显著。

- 图表27-30详细呈现对比数据，支持基于“真实价值”构建$M/V$的估值因子更为有效。[page::16-17]

3. 𝑷𝑩三项拆解与新估值因子$VAL$的构建

将$V/B$拆解为$V/V{ts}$（当前估值与长期行业估值偏差）与$V{ts}/B$（长期估值潜力），三因子拆解公式如下：

\[
\frac{M}{B} = \frac{M}{V} \times \frac{V}{V{ts}} \times \frac{V{ts}}{B}
\]

$M/V$反映公司特定估值偏差（横截面部分）；

- $V/V{ts}$反映行业时序估值波动（时间序列部分），无显著预测能力；

$V{ts}/B$反映行业估值中基于长期历史的增长潜力，绩效优秀，具备正向选股能力。

- 组合$M/V$与$V{ts}/B$构成新估值因子$VAL$，有效剥离行业时序估值噪声，实现截面估值偏差与时序增长潜力的融合。

$VAL$在收益和稳定性指标上均领先传统$PB$与$M/V$因子，Rank IC达-6.3%，多头年化收益率超23%，夏普率及胜率明显提升，年年度胜率达100%。

- 图表31-41和图表42集中展现拆解逻辑与效能验证，$VAL$因子确立了新一代估值因子标杆。[page::18-22]

4. “估值-ROE”模型探索

理论基础：经典PB-ROE定价模型根据$\ln(P/B) = ROE \times T - k \times T$模型理解估值合理性，残差代表估值偏误。

- 报告尝试将$PB$替换为新构造$M/V$和$VAL$运用行业分域或PE分域回归，探索ROE能否为估值因子增添解释能力。

行业分域回归提升模型解释力，M/V-ROE组合收益明显优于PB-ROE组合，ICIR大幅提升，年化超额收益显著，回撤降低。

- PE分域进一步略微提升模型拟合，但对M/V-ROE提升更显著。

$VAL$因子与ROE结合后，增量有限甚至有所牺牲，可能因$VAL$本身表现已优，且近年ROE敏感度降低所致。

- 简单权重合成（rank形式）较回归残差模型更优且稳健，$M/V\ROE\rank$表现最佳，Rank IC达-6.4%，多头年化超额11.3%，胜率72%。

图表43-57细致论证上述内容，强调在$M/V$基础上结合$ROE$的巨大协同效应以及对$VAL$的有限增益。[page::23-29]

5. 不同指数域的$VAL$估值因子边际贡献

对全A、沪深300、中证500、中证1000、国证2000等指数进行回测，应用新估值因子$VAL$及其改进版本$VAL\new\comp$。

- 所有指数域，$VAL\new\comp$均较原始组合实现收益提升，尤其在中小市值指数（中证500、1000、国证2000）表现尤佳，年化超额收益提升1.38%-3.33%。

各指数中，新估值因子的Rank IC、ICIR、多头胜率均显著优于旧型估值因素，回撤指标优化。

- 指数增强策略在2013年至2023年多次市场环境中验证了新估值因子带来的稳定alpha增量，特别在亏损期的表现恢复能力突出。

具体策略细节反复强调风险约束、多因子组合优化下的因子应用，确保实用性。

- 相关图表60-67清晰对比了新旧估值因子策略净值曲线与年度表现。[page::30-35]

---

三、重要图表深度解读举例

图表5 公司价值估计方程的$t$统计量和模型$R^{2}$

展示账面价值、净利润绝对值、杠杆和负净利润指示函数的系数均值与$t$值，以及整体模型的拟合优度。

- 账面价值贡献最大，$t$均值8.4，表明其对市场价值有强解释力；

净利润绝对值对估值有积极贡献，$t$均值3.0，显示盈利是影响估值的重要驱动；

- 杠杆项贡献不显著，理论上反映融资成本，但实际样本中对估值解释力弱；

$R^{2}$均值0.78，行业间从0.3至1.0不等，说明模型整体能较好拟合市值变动，但部分行业拟合度较低。[page::8]

图表9 𝑷𝑩拆解因子表现（$M/V\cdot V/B$）

对比行业市值中性化和非中性化状态下的因子表现，$M/V$因子均显著优于传统$PB$；

- 行业市值中性化中，$M/V$的Rank IC由-4.2%提升至-5.5%，多头年化超额收益3%以上改善；

$V/B$因子整体表现较弱，甚至成为拖累；

- 非中性化下，$M/V$因子表现更为突出，多头年化收益24.16%，极大优于$PB$的13.43%；

体现$M/V$因子对市场盈利下行及行业估值波动的更好捕获能力。[page::11]

图表32 $M/V$、$V/V{ts}$与$V{ts}/B$的直方图（2023.10.31）

直观呈现三因子分布，$M/V$因子呈较为稳定的偏态分布；

- $V/V{ts}$和$V{ts}/B$分布更为分散且呈现明显离群值，显示时间序列行业估值的剧烈波动和公司之间增长潜力差异；

表明行业时序估值波动($V/V{ts}$)为噪声，$V{ts}/B$为有价值的增长潜力信号；

- 配合后续因子绩效验证，强调三因素拆解的理论与实证意义。[page::20]

图表38 $VAL$因子的绩效指标对比

$VAL$因子Rank IC达-6.3%，较传统PB(-4.2%)和$M/V$(-5.2%)均有显著提升；

- ICIR提升至-2.75，胜率涨至74.8%；

多头年化收益率高达23.16%，超额收益12.36%；

- 多头胜率73.8%，年化胜率100%；

多空回撤明显降低至-9.4%，夏普比率0.79，显示组合更稳健；

- 充分验证了$VAL$因子优于传统估值因子的投资价值。[page::22]

---

四、估值分析

主要运用分项拆解和因子回归为估值方法核心，结合社会科学中的面板回归思想（时间与行业分域），分行业与分PE区间估计公司“真实价值”，基于估值锚的分解进行因子构建与验证。

- 运用多因子合成与rank合并，融合市场特定偏差和行业长期潜力信号，构成新估值因子$VAL$，充分剥离估值噪声。

估值-盈利结合采用经典的$\ln(PB)$对$ROE$线性回归，但回归方式结合行业/PE分域，解决异质性。

- 采用策略回测展示估值因子和综合因子在沪深300、中证系列指数的边际增益，回测设定合理，交易成本与市值中性、行业中性严格控制风险。

敏感性体现在剔除负净利润样本与调整季报数据源，此外，$ROE$引入后对不同因子贡献差异也体现了模型的稳健应用。

- 整体估值体系结合宏观行业特征与细分公司估值偏差，打造了适应市场动态的新框架。[page::6,24,31]

---

五、风险因素评估

量化模型基于历史数据构建，过去回测绩效不能保证未来表现。

- 市场环境、公司财务政策及信息披露变化可能导致模型失效。

估值因子深度拆解虽剔除部分估值噪音，但引入了参数估计误差，模型稳定性依赖行业分域准确性。

- 负净利润与杠杆率变量潜在的数据异质及极端值影响模型稳定，需谨慎采纳。

定价模型对$ROE$敏感性高，ROE近年来波动及失效风险可能拉低模型表现。

- 模型假设行业机会成本、增长率稳定，但实际存在结构性断裂风险。

报告提示策略仅供参考，投资须注意模型风险和未来不可预见因素。[page::0,36]

---

六、批判性视角与细微差别

报告对负净利润公司处理灵活，既有保留也提供剔除样本的多版本测试，展现模型适应性的同时也凸显负盈利数据对因子构造风险。

- 杠杆率虽统计不显著，但被保留，仅因经济直觉合理，风险在于可能引入噪声。

引入分析师预测并未提升因子表现，暗示市场对未来预期的预测偏误需警惕。

- $VAL$因子虽然表现优异，但$ROE$的增益有限，存在盈利因子时效性波动带来的增量乏力；未来应探索更稳定盈利指标与$VAL$结合可能。

报告对于行业赋权和分域回归的选择影响估值精准性，实际应用中对行业划分的敏感性尚需进一步研究。

- 估值-ROE残差模型解释力相对有限，简易rank结合反而更稳健，提示非线性与多元影响因素需更多关注。

尽管$M/V$与传统$PB$相关性高，但依赖模型估算的“真实价值”仍受模型设定和数据质量制约。

- 图表及数据主要集中于A股市场，跨境适用性和结构差异未涉及，限制了模型的普适推广。[page::12,28,36]

---

七、结论性综合

本报告深入剖析了传统$PB$估值因子的结构性缺陷，通过引入公司“真实价值”的估计，提出了$PB$的双项及三项拆解，分别捕捉公司市场定价偏差（$M/V$）和行业增长潜力（$V{ts}/B$），有效剥离行业时序估值波动的噪声($V/V{ts}$)。
采用分行业和分PE区间回归，构建了基于账面价值、净利润及杠杆率的“真实价值”估算模型，显著提升估值锚的针对性和解释力，进而提升$M/V$因子的预测能力和收益表现。相较于传统$PB$因子，$M/V$不仅实现了更高的收益和胜率，还较好避免了盈利下滑期的估值陷阱。
进一步结合行业历史乘数建立的长期价值潜力因子$V{ts}/B$，形成新估值因子$VAL$，在多个绩效指标中超越了环境变化敏感的传统因子。
结合盈利能力指标$ROE$，设计估值-盈利因子模型，尤其是$M/V\ROE\_rank$因子，形成综合性价比评价体系，表现更为稳健和高效。
多指数域实证表明，$VAL$及其改进版估值合成因子带来显著的指数超额收益增厚，特别是在中小市值股票池中表现优异。
图表明晰显示，新估值因子极大提升了策略表现的稳定性和收益，回撤控制更优，信息比提高，符合投资者对估值工具现代化升级的期待。
报告严肃提醒量化模型的历史局限性和潜在风险，建议投资者在实践中结合市场环境灵活应用。整体来看，本报告成功展开了$PB$估值因子的深度“解构—重构”新范式，提供了兼具理论深度和实操性的新型价值因子体系，为A股市场估值研究和量化选股策略提供了有力支持。[page::0-37]

---