A股低估值策略2019年起大幅回撤及估值泡沫形成 [page::3][page::4]

• 美股PB估值因子自2007年后大幅失效，A股从2019年延续类似趋势，因子多空收益转负。

- 估值因子多空收益中盈利贡献项为负，估值贡献项下降显著，显示盈利能力衰退是主因。

• 盈利好坏差异推升估值差距，经济下行背景下低估值公司陷入“价值陷阱”。

- 中证全指盈利项领先估值因子半年，证明盈利周期显著影响估值因子表现。

PB-ROE模型理论及实证分析 [page::7][page::8][page::9][page::10]

• PB-ROE模型基于盈利能力与估值中枢的理论线性关系，但实证中全球及A股拟合度偏低，平均R²仅9.2%。

- 全市场不同公司ROE和PB差异巨大，存在银行等行业高ROE低PB的现象，说明同ROE假设不合理。

• 未来净利润增速和有息负债率影响PB，放宽假设后模型拟合优度提升至17%左右。

- 控制ROE后实证显示高净利润增速对应更高PB，高有息负债率公司折现率高，PB较低。

PE中枢作为PB-ROE模型分域的高频代理变量 [page::13][page::14]

• 市盈率PE可视为未来盈利增速与折现率的综合代理，PE较高者未来盈利增速高、有息负债率低。

- 基于PE中枢分域的PB-ROE模型拟合优度显著提升，R方均值超过30%。

• PE中枢反映了未来盈利、风险和市场情绪等复合信息，增强估值因子表达能力。

基于PE分域的修正PB-ROE因子性能提升及收益分解 [page::15][page::16]

| 因子名称 | IC | IC-T值 | IC胜率 | 多空收益 | 多空波动率 | 最大回撤 | 多头超额 |
|------------------|-------|--------|---------|----------|------------|----------|----------|
| pb | 0.0176| 2.25 | 53.2% | 6.9% | 9.8% | -21.3% | 2.5% |
| pb-roe | 0.0311| 3.58 | 59.5% | 12.8% | 13.6% | -18.0% | 5.5% |
| pb-roe-ep (改进) | 0.0405| 5.76 | 64.3% | 17.9% | 10.8% | -9.6% | 8.2% |

• 修正后的pbroeep因子IC显著提升，表现优于传统pb及pb_roe，且估值贡献和盈利贡献均较优。

- 修正因子降低了市场盈利低迷期的回撤风险，延缓估值因子顺周期性影响。

修正因子在不同盈利周期的表现与主动选股构建 [page::16][page::17][page::18]

• 修正因子在盈利强周期和弱周期均优于传统估值因子，但顺周期性依然存在，表明市场盈利仍为关键变量。

- 修正的PB-ROE主动选股模型虽提升估值安全边际选股能力，但仍面临异方差问题导致低ROE股票集中。

• 通过rank方法转换指标分布后，选股范围扩展至高ROE高安全边际区域，实现理想戴维斯双击。

- 修改后的策略年化超额收益提升至13%，收益贡献来自盈利和估值共同驱动。

PB-ROE策略收益贡献个股复盘及组合介绍 [page::19][page::20][page::21][page::22]

| 股票代码 | 股票名称 | 持仓月份 | 行业 | 持仓收益 | ROE跳跃特征 |
|------------|----------|-------------------|----------------|-----------|-------------|
| 002605.SZ | 姚记科技 | 2019.7-2020.1等 | 轻工制造 | 404.1% | 是 |
| 002214.SZ | 大立科技 | 2019.5-2020.8 | 国防军工 | 341.5% | 是 |
| ... | ... | ... | ... | ... | ... |

• 回测显示高ROE跳跃个股收益显著，模型倾向于捕捉短期业绩爆发、细分行业龙头特征股票。

- 贵州茅台等白马股长期处于模型估值中枢较高组别，表明模型偏重业绩驱动非大盘蓝筹。

• 采用排除最近及未来ROE下滑股票的方法构建PB-ROE-50组合，年化收益达30%，并保持高稳定性。

PB-ROE成长50与价值30组合表现及年度业绩 [page::22][page::23]

| 年份 | 绝对收益 | 超额收益 | 月度胜率 |
|------------|-----------|----------|----------|
| 2010 | 38.9% | 21.9% | 75% |
| 2011 | -15.6% | 13.3% | 75% |
| ... | ... | ... | ... |

• PB-ROE-50成长组合从2010年以来稳定提供超额收益，月度胜率平均达77%。

- PB-ROE-30价值组合在中证800成分股中表现出色，年化收益23%，曾创造2019年以来164%的累计收益。

• 两种组合分别定位成长股及价值股，给予投资者资产配置和选股策略参考。

量化专题报告：《从价值陷阱现象谈到 PB-ROE 框架》深度解析

---

一、元数据与报告概览

报告标题： 从价值陷阱现象谈到 PB-ROE 框架
作者/分析师： 段伟良（执业证书编号：S0680518080001）、刘富兵（执业证书编号：S0680518030007）
发布机构： 国盛证券研究所
发布日期： 2020年（具体时间未标明）
研究主题： 研究 A 股市场自2019年以来估值因子失效的现象，探讨 PB-ROE 模型的理论基础及其改进，提出包含盈利增长和财务风险因素的 PB-ROE 框架，旨在搭建具备戴维斯双击效应的投资组合。

核心论点总结：

• 估值因子（尤其是PB因子）在2019年以后显著失效，主要原因在于盈利因素的拖累，表现出强烈的顺周期性。

- 传统 PB-ROE 模型基于简化假设，拟合度低，解释力不足。

• 引入净利润增速和有息负债率两大代理变量，放宽假设，提升拟合效果。

- 使用 PE 的历史中枢作为市场预期代理变量进行分域处理，显著提升PB-ROE模型的预测能力。

• 基于上述模型构建的估值因子 pbroeep，业绩明显优于传统 pb 因子，且降低了周期性风险。

- 利用 rank 校正残差异方差性问题，实现了同时选取高 ROE 和低估值股票的目标，取得了年化超额收益显著的两类组合——成长50和价值30。

• 报告提示模型基于历史规律，存在未来失效风险[page::0,1,3,4,5,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24]。

---

二、逐节深度解读

1. 市场现象：A股低估值策略自2019年以来回撤巨大

1.1 估值因子历史表现与失效现象

通过对比美股与A股，报告指出美股PB因子自2007年起表现疲软，回撤接近50%；A股自2019年起，PB因子回撤约20%，多头及多空超额收益均为负。数据表明估值因子失效引发市场热议。

图表1 显示，美股估值因子表现自全球金融危机后逐渐下滑，至2020年3月跌至较低水平。
图表2 则体现了A股PB因子自2019年以来的类似疲软姿态，确认估值因子在中国市场同样失效。

报告归纳了估值因子失效的可能原因，涵盖宏观经济（低利率、产业变革）、市场效率、因子设计缺陷和时间因素（估值泡沫）等。最后归结为“成长股溢价导致的估值泡沫”，符合国际学术观点及市场观察。实证数据显示，A股估值因子多空估值差突破历史高点，估值分化加剧[page::3,4]。

1.2 估值因子收益分解：盈利拖累与估值贡献变化

借鉴Arnott等(2020)收益分解法，将投资组合收益拆为估值贡献（包含估值中枢和迁移）和盈利贡献。公式明确说明：

\[
\log(1 + r{t^+}) = [\log(P/B){t^-} - \log(P/B){t-1}] + [\log(B{t^-}/B{t-1}) + \log(1 + D{t^-}/P{t^-})]
\]

• 估值贡献驱动因子正向表现，长期约46.3%年化；

- 盈利贡献长期负面，约-38.6%年化。

2019年后，低估值股票盈利贡献出现负值，估值贡献大幅缩减，导致因子整体表现下滑。值得关注的是空头端估值贡献转正，高估值公司估值溢价抬升，这强化了“价值陷阱”理论：市场倾向于为盈利好且成长的企业支付高估，低估值公司面临盈利恶化风险。

图表5 详细区分全样本与样本区间表现，多空头收益与盈利和估值贡献展现明显差异。
图表6 显示市场整体盈利能力自2018年以来持续恶化，亏损企业占比攀升至20%以上。
图表7 明确盈利差异导致价值差异，投资者偏好盈利好的公司，在市场压力下推高优质企业估值溢价。

实证回归结果表明，中证全指盈利项领先半年对估值因子收益具备显著正预测能力，验证盈利周期在估值因子表现中的驱动作用[page::5,6]。

---

2. PB-ROE 模型及其改进

2.1 PB-ROE模型回顾与限制

PB-ROE模型由Wilcox（1984）提出，理论基础是：

\[
\log(P/B) = (ROE - k) \times T
\]

其中，\(k\)是折现率，\(T\)是投资期限假设变量。模型假设\(ROE\)为未来持续盈利水平，所有公司面临相同折现率。

作者实证中发现，该模型在一整市场应用拟合度较低（平均R²仅9.2%），主要限制：

• \(ROE\)为静态预测指标，难准确反映未来；

- 假设统一折现率不符合市场差异化风险定价；

• 模型回归残差呈异方差，低ROE区间残差方差较大，导致模型偏向选低ROE股票。

各节点图（图表9-12）呈现了PB-ROE模型与实际数据拟合情况及异方差性特征[page::7,8,9,18]。

2.2 影响 PB-ROE 模型的关键代理变量：净利润增速与有息负债率

2.2.1 净利润增速影响未来ROE与估值

表明同ROE水平下，净利润增速越高，公司未来ROE增速可能更强，对应PB也应更高。以银行与食品饮料行业比较，食品饮料因盈利增速高，ROE保持上升趋势，而银行ROE逐步下降，对应PB估值中枢偏低。

回归实证显示，在控制ROE后，高净利润增速组PB显著高于低增速组，具备统计显著性（T值通过检验）。

2.2.2 有息负债率作为折现率的代理指标

行业杠杆率对比显示银行业杠杆远高于食品饮料，财务风险更大，长期ROE下行，PB偏低。将杠杆细分为有息负债率（剔除产业链上下游非付息负债），以更准确反映财务风险。

实证验证两点：

• 有息负债率越高，未来ROE下行风险越大；

- 有息负债率越高，当前PB估值越低。

图表16-18 展示净利润增速趋势、有息负债率变化及对应估值水平的关系[page::9,10,11,12]。

2.2.3 单一财务指标分域模型提升有限

尝试采用净利润增速或有息负债率单独分域改善模型，虽有拟合度提升（R²从9.2%提升至11%-17%），仍不足以显著提升解释能力，凸显数据局限性。

原因包括净利润增速不完全代表未来趋势，财务风险不止有息负债一种表现，需寻找更综合指标[page::12]。

2.3 以市盈率 PE 为媒介的 PB-ROE 模型改进

2.3.1 PE涵盖盈利预期和折现率，具复合代理优势

基于永续增长模型，PE \(= 1/(r - g)\)，其中折现率\(r\)和盈利增长率\(g\)均被PE隐含。实证显示，控制ROE后：

• 高PE组企业有息负债率低，财务风险小；

- 同时高PE组未来净利润增速高。

表明PE是净利润增速与折现率的高频代理指标，对改进PB-ROE模型具有重要意义。

2.3.2 PE中枢分域大幅提升PB-ROE拟合度

通过将股票根据历史PE中枢划分组别，分别对PB-ROE模型进行独立拟合，整体R²提高到32.4%。

各组回归斜率呈现明显单调，高PE组斜率远大于低PE组，表明投资期限T的市场预期含义得到验证。

图表20-24 详细展示PE与、有息负债率、未来盈利增速关系，及PE分域后模型显著提升的拟合结果，辅以框架图说明其作为主成分的功能[page::13,14]。

---

3. 基于PE分域PB-ROE模型的实务应用

3.1 量化因子层面

引入PE中枢分域变量构建 pbroeep 因子，回归残差作为估值安全边际度量，控制市值与行业影响。

• 因子IC从0.0176提升至0.0405，IC的T值和胜率显著上升；

- 多空组合年化收益由传统pb的7%提升至pbroeep的17.9%；

• 2019年后，pbroeep因子仍保持正收益，回撤减小至9.6%。

收益分解显示pbroeep的盈利贡献项显著改善，估值贡献项稳定；且在盈利低迷周期明显优于传统pb因子，体现改善了估值因子顺周期性但未完全根除的问题[page::15,16,17]。

3.2 主动选股层面：构建修正PB-ROE投资组合

3.2.1 原始PB-ROE模型持仓及其局限

简单基于PB-ROE残差选股，年化收益18.7%，但盈利贡献仅6.3%，未达成理想的戴维斯双击。

持仓ROE中位数仅42%，股票集中在低ROE低PB区间，符合异方差特征，说明模型对高ROE优质股覆盖不足。

3.2.2 异方差校正与rank修正模型

通过对ROE和PB-ROE残差均作rank变换，并构造 pbroeeprank = rank(残差) - rank(ROE)，实现分布均匀性。

修正后持仓明显偏向高ROE低PB区，年化多头超额13.0%，绝对年化23.6%。且盈利贡献和估值贡献均提升至10%以上，实现理论层面的戴维斯双击。

3.2.3 收益个股特征与市场蓝筹配置偏好

2019年后贡献最大个股表现出ROE明显向上跳跃特征，实现盈利增长与估值提升同步。

典型案例“姚记科技”在业绩创新和PB修复过程中实现戴维斯双击。

此外，PB-ROE模型较少覆盖传统大白马如贵州茅台，因其估值相对合理且长期享有护城河溢价，模型更偏好成长中具备估值安全边际的个股。

3.2.4 静态ROE缺陷及未来ROE导向组合

理想情况下，使用未来真实ROE的选股组合年化收益高达33.6%。

实际中通过排除近期ROE下滑及未来高有息负债率风险公司，选取ROE同比提升且财务风险低的50只股票构建PB-ROE-50组合，年化收益达30%，接近理想组合收益，持股灵敏度不高。

3.2.5 PB-ROE组合实证表现

• 成长50组合（中证全指股票池）：年化收益30%，月度胜率77%，年度超额稳健，倾向成长股，寻找成长中安全边际高标的。

- 价值30组合（中证800股票池）：年化收益23.1%，月度胜率69%，2019年以来累计收益164%，专注中大型价值股。

图表多次详细展示了净值曲线、年度表现及各组合选股敏感性测试。这两种组合为不同市场偏好的投资者提供了实用且科学量化的投资策略[page::17,18,19,20,21,22,23]。

---

4. 结论汇总

• 估值因子失效源于盈利周期拖累和估值结构性调整，低估值公司盈利恶化导致估值回报难现，形成价值陷阱。

- PB-ROE模型基础与限制：理论上PB对数与ROE呈线性，但现实拟合度低（~9%），因简化假设难适用于全市场。

• 关键驱动因素净利润增速和有息负债率显著影响估值，放松假设后回归拟合度提升到11%-17%。

- PE作为代理变量有效融合未来盈利增长与折现率预期，分域后回归拟合度提升至30%以上。

• 基于PE分域的PB-ROE修正因子（pbroeep）显著提升因子表现，降低盈利周期低迷期回撤，兼具较强预测能力。

- 回归残差异方差性导致传统模型偏向低ROE股票，通过rank调整实现持股均衡，显著增强模型盈利贡献，实现理论戴维斯双击。

• 构建成长50与价值30组合，分别覆盖中证全指及中证800，均取得年化20%-30%以上的超额收益，且拥有较高的稳定性和中长期可操作性。
• 风险提示：模型基于历史数据规律总结，未来市场变化可能导致模型失效，应持续关注市场和企业基本面变化[page::0,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24]。

---

三、图表深度解析

重要图表解读范例

• 图表3 “2020年以来A股PB因子多空估值中枢差”：曲线从2010年约4.3增长至2020年6.5以上，显示多空估值中枢差创历史新高。该指标反映估值分化加剧，低估值策略面临“价值陷阱”风险[page::4]。
• 图表5 PB因子收益分解：盈利贡献项为负且显著，估值贡献项为正但减弱，特别是2019年后多头盈利贡献变为负，空头估值贡献转正，形象地反映了价值陷阱效应[page::5]。
• 图表9和10 pb-roe因子与pb因子净值及超额净值对比，pb-roe因子多空净值及超额净值均明显高于pb因子，体现PB-ROE模型提升估值因子表现[page::8]。
• 图表12 PB-ROE散点图表现出拟合度低且残差分布不均，异方差显著，特别是低ROE区间残差分布密集且方差最大[page::9]。
• 图表15和17 控制ROE后，净利润增速与有息负债率对PB估值的影响分别得以验证：净利润增速越高、企业财务风险越低对应更高PB估值，验证了两个关键的假设变量[page::10,12]。
• 图表20和21 PE高低组与有息负债率、未来净利润增速的关系，PE作为复合指标涵盖盈利与风险预期，赖以改进PB-ROE模型[page::13]。
• 图表24 区分未来盈利增速、广义折现率和市场情绪ETC对PE中枢的综合影响，强化PE指标作为第一主成分的经济学解读[page::14]。
• 图表25-27 分别显示因子IC、多空收益和收益分解，pbroeep因子IC显著、收益稳定，盈利贡献项优化，是传统pb因子的有效升级版[page::15,16]。
• 图表31-33 PB-ROE模型持仓ROE低位且散点图显示残差异方差，该模型容易选入低ROE低PB股票，说明模型设计存在缺陷[page::18]。
• 图表34-36 rank修正后的PB-ROE模型持仓明显移向高ROE低PB，盈利贡献显著提升，形成投资收益戴维斯双击，年度表现优异[page::19]。
• 图表37-38 具体收益贡献个股明细，姚记科技案例充分展示了模型如何捕捉到盈利向上跳跃和估值修复的双重机会[page::19,20]。
• 图表39 贵州茅台PB-ROE模型分组较高，体现传统大蓝筹估值合理，模型适合捕捉短期业绩爆发型成长股[page::21]。
• 图表40-42 PB-ROE-50组合表现接近理想未来ROE组合，选取股票数对收益无敏感性，表明方法稳健[page::21,22]。
• 图表43-46 成长50和价值30组合表现优异，持续超越市场基准指数，均具备较高的胜率和年度超额[page::22,23]。

---

四、估值方法解析

报告中基于PB-ROE模型构建估值体系，核心公式为：

\[
\log(P/B) = (ROE - k) T
\]

这里，

• \(ROE\) 是公司盈利能力指标，反映账面收益率；

- \(k\) 是股东要求回报率（折现率），包含公司风险溢价；

• \(T\) 是投资期限变量，代表估值收敛期。

模型通过回归得到实际企业的估值安全边际，即PB-ROE回归残差，作为低估股票筛选指标。通过引入净利润增速、有息负债率和PE中枢变量对\(ROE\)和\(k\)作代理，模型实现拟合度提升并修正估值边界。

最终基于回归残差构建的因子指标进行投资组合构建[page::7,8,9,10,11,12,13,14,15]。

---

五、风险因素评估

报告明确指出，模型基于历史数据规律构建，存在以下风险：

• 估值因子失效风险： 市场环境、宏观经济快速变化或行业结构异变可能导致模型回归参数失效。

- 盈利预期不确定性： 基于历史盈利的代理变量难以准确预测未来盈利脉络，尤其在剧烈波动市场环境下。

• 财务风险代理不完善： 有息负债率虽为重要风险代理，但不能完全涵盖公司其他经营风险。

- 模型偏向中小成长股： 忽略部分大蓝筹护城河和其他估值因素，可能造成组合风格集中，风险分散不足。

• 技术方法局限性： 异方差校正通过rank方法解决但并非根本改善，仍存模型假设局限。

风险提示在报告末尾明确声明，提醒投资者关注模型潜在变动风险[page::24]。

---

六、批判性视角与细微差别

• 模型拟合度不高问题依然存在：即便分域及rank修正，使模型解释力提升至30%左右，仍说明PB-ROE模型对估值复杂性的捕捉有限，盈利能力与估值关系未必是线性的或唯一决定因素。
• PE作为复合指标的局限性：尽管实证验证PE中枢能统一反映盈利预期与折现率，但市场情绪、短期波动等因素同样影响PE，可能投射非基本面噪声。
• 异方差处理为局部方法：rank变换方法虽然平衡分布，改善持仓结构，但本质上仍未从根本解决模型残差异方差问题。
• 大量依赖历史数据与静态指标：ROE使用业绩预告或快报近似未来盈利，存在一定先验信息延迟，动态盈利预判不足。
• 组合偏离大盘蓝筹，风格偏成长：模型排除蓝筹护城河估值溢价，潜在带来风格风险及市场结构变化时衡量误差。
• 模型回测样本覆盖时间跨度未说明全细节：尽管覆盖2010-2020，期间市场事件及政策变动众多，模型稳定性及鲁棒性尚需进一步验证。

综上，该报告建模科学合理，数据翔实，且层层推进实证验证，是较为严谨的量化模型报告。但投资者应考虑上述潜在限制，避免模型盲目信用[page::7,9,12,18,22]。

---

七、结论性综合

本报告系统地从市场现象出发，深度剖析了A股2019年以来估值因子失效的根源——盈利周期的拖累和投资者对盈利弹性估值溢价的重视，反映出价值陷阱效应与顺周期性的内在联系。通过收益分解方法，定量拆解盈利与估值贡献的权重变化及其对因子表现的影响。

在理论层面，报告回顾了经典PB-ROE模型，创新性地引入净利润增速和有息负债率两个关键变量，以补充稳态ROE及统一折现率的限制。更进一步，将PE中枢作为复合代理变量，有效提升了PB-ROE模型拟合优度，跃升至30%以上，显著优化估值因子的收益表现和稳健性。

实际应用中，基于PE分域的PB-ROE回归残差构造的pbroeep因子大幅优于传统估值因子，收益持续且较稳定。同时针对模型残差异方差治理，采用rank修正，改善组合选股结构，成功构建出成长50及价值30两大投资组合。两组合分属不同市场规模及投资风格，均实现近十年的显著超额收益，且持股盈利贡献同估值贡献双重驱动，实现理论上的戴维斯双击投资逻辑。

此外，个股案例复盘如姚记科技验证了模型识别盈利跳跃及价值修复的能力，凸显模型更适合捕捉成长股中的高安全边际机会，而蓝筹股等传统大市值白马则因估值合理，模型体现有限。

报告条理清晰，数据丰富，论证严谨，通过多层次实证支持了PB-ROE框架在A股投资中的实用价值。尽管存在拟合度有限、异方差需校正、动态盈利预测不足等不足，但模型对低估值策略的改进和对顺周期问题的缓释具有良好指引意义。

总之，报告为理解A股估值因子失效现象提供了新的视角和工具，提出了基于收益分解和PB-ROE理论的实证改进框架，具备一定的推广与应用价值。

---

总结

• PB因子失效的核心在于盈利周期背后的价值陷阱，投资者更加偏好盈利优质股。

- PB-ROE模型理论扎实但单变量拟合较弱，引入净利润增速与有息负债率优化，并用PE作为综合市场预期代理。

• PB-ROE-EP因子在收益、IC及风险控制上明显超越传统因子，且减轻顺周期带来的回撤。

- 解决传统模型异方差问题后，实现高ROE低估值股票的筛选，成功构造出成长与价值双组合，均表现优异。

• 报告方法论完整，实证充分，适合深入研究估值策略者作为参考，但依赖历史规律，未来仍需谨慎应对可能失效风险。

---

重要图表示例（markdown格式）

（注：示意引用，原文无图片链接实际，此处指收益分解）















---

全文分析基于报告原文内容，尽可能详实呈现，所有结论均有页码标明，便于后续溯源查验。

报告