• A股企业的无形资产占总资本比值较高（约13.8%），其中消费、计算机、医药等行业无形资产占比较大，周期行业则较低。忽视无形资产可能导致对这些高研发投入或品牌投资企业的估值偏低，传统PB因子高估其估值水平 [page::5]

• 无形资产调整后的PB因子PBINT 与传统PB因子月度IC相关系数高达0.95，显示两者捕获类似的价值效应；然而PBINT在PB表现优异时期稳定性更高，波动率更低，信息比更优，且在PB表现弱时回撤更小，因子月均IC均显著。PBINT因子对研发和广告投入高的公司估值更公平 [page::6][page::7][page::8]

• PBINT调整过程中涉及内生成无形资产的知识资本和组织资本，均带来显著的选股效应，且因子表现稳定，对模型参数较为稳健，IC对参数敏感度较低 [page::8]
• PBINT与其他常见估值因子（如PE、股息率）IC高度相关，但在多因子模型中剥离其它影响后，PBINT仍保持显著选股能力（IC均值-0.02，t值-3.46），而PE和股息率因子无显著增量信息；PBINT对大盘股尤具选股优势 [page::9][page::10]

• 基于无形资产构建的高投入股票组合，尤其在消费+TMT板块，2019年以来年度超额收益均超10%，体现了无形资产对未来成长的驱动力 [page::10][page::11]

• PBINT低估值组合行业分布更均衡，较传统PB因子更多配置于机械、汽车、电子等高无形资产行业，减少周期及金融板块配置，组合表现较PB组合具有超额收益优势 [page::11][page::12]

• 价值组合中，用PBINT替代PB构建PBINT-ROE优选组合，不仅在行业分布上更偏向医药、电子、机械等高研发和广告行业，而且年化收益提升5.9%至37.6%，在价值风格回撤期回撤更小，表现出更强韧性 [page::12][page::13][page::14]

• 指数增强组合中，加入PBINT因子作为alpha因子后，无论沪深300还是中证500均表现出信息比和收益回撤比提升，超额收益增加，波动率和最大回撤有所降低，组合胜率也有所提高，表明PBINT能有效提升指数增强策略表现 [page::14]

| 指数 | 组合类型 | 收益率 | 波动率 | 信息比 | 最大回撤 | 收益回撤比 | 月胜率 |
|----|--------|------|-------|-------|---------|-----------|-------|
| 沪深300 | 原模型 | 12.2% | 4.9% | 2.29 | 4.8% | 2.57 | 70.9% |
| 沪深300 | +PBINT | 12.8% | 4.6% | 2.50 | 4.3% | 3.01 | 73.6% |
| 中证500 | 原模型 | 20.0% | 6.2% | 2.84 | 7.1% | 2.80 | 78.2% |
| 中证500 | +PBINT | 20.6% | 6.1% | 2.96 | 7.1% | 2.88 | 80.0% |

• 风险提示：模型构建存在误设风险，历史统计规律可能失效 [page::0][page::15]

海通证券研究所：《不可忽视的无形资产——基于无形资产调整的PB因子选股研究》深度分析报告

---

一、元数据与报告概览

报告标题：《选股因子系列研究（八十二）——不可忽视的无形资产》

分析师：冯佳睿、罗蕾

发布机构：海通证券股份有限公司研究所

发布日期：2022年7月（文中数据时间截至2022年5月）

研究主题：基于A股市场，分析无形资产对企业估值的影响，提出基于无形资产调整后的账面市值比（PBINT）因子，并验证其优于传统PB因子的选股效果，进而构建多个基于PBINT的投资组合。

核心论点：

• 无形资产在企业总资本中所占比例显著且快速增长，尤其在消费、TMT（科技、媒体、电信）等行业中尤为明显。

- 传统的PB估值因子未能充分反映企业内部创造的无形资产，可能导向对研发密集或品牌投入大的企业股权资本估值偏低。

• 通过加上内部创造的无形资产（知识资本和组织资本），构建调整后PB因子（PBINT）。

- PBINT因子在捕获价值效应上表现出与传统PB因子高度相关的同时，具备更高稳定性，波动率更低，选股效果更优，在多因子模型中具有显著alpha价值。

• 基于PBINT构建的多种选股组合均表现优异，特别是在价值风格失效期具有更为稳健的表现。

- 研究还包括无形资产投入高组合、低估值组合、价值组合和指数增强组合四个投资策略的实证分析。

风险提示：模型可能存在误设风险，历史统计规律可能失效。[page::0,15]

---

二、逐节深度解读

1. 企业的无形资产定义与测算 （第4-5页）

• 研究指出，无形资产逐渐成为企业资本存量中不可忽视的组成部分，但许多内部创造的无形资产不在资产负债表中确认，从而导致传统账面价值低估企业真正资本。

• 定义无形资产调整后的账面价值：

\[
B^{INT}{i,t} = B{i,t} - GDWL{i,t} + INT{i,t}
\]

其中 \(B{i,t}\) 为账面价值，\(GDWL{i,t}\) 为商誉，剔除并购重组的影响，避免重复计算。\(INT{i,t}\) 表示内部创造的无形资产。

• 无形资产分为知识资本（KC）和组织资本（OC）两部分：

- 知识资本（KC）通过资本化研发支出累计计算，采用30%的折现率，20%的增长率。
- 组织资本（OC）则通过销售及管理费用（SG&A）的30%资本化估算，其余视为当期费用，OC也类似通过折现累计构建。

• 具体计算方法及参数：

- 对研发支出和SG&A进行折现递推计算
- 初始资本估算基于较早年度数据和增速/折现率模型

• 该测算方法参考了Dion Bongaerts等2022年的研究，属较为严谨和实证基础的会计调整方案。[page::4]

---

2. 无形资产现状及其对PB的影响 （第5-6页）

• 2021年A股企业无形资产占总资本平均达13.8%，差异显著。

• 行业差异明显：消费（家电、消费者服务）、技术性行业（计算机、医药）无形资产占比高；周期行业（煤炭、有色金属、交运等）占比低。
• 图1显示，家电行业无形资产占比最高达约35%，银行行业最低，仅几乎为零。
• 由于忽视无形资产，PB因子高估研发投入高和广告支出大的企业，导致估值失衡。
• 实证分析（图2及交叉表）表明，在同样中国市场PB高分组（20%）内，无形资产占比高的股票年化超额收益比低占比股票高7.8个百分点，说明用传统PB评估高无形资产企业存在低估。
• PBINT与传统PB相关系数约0.69，表明PBINT是PB的有效补充，且PBINT的市值相关性较弱，有助于规避市值偏向问题。[page::5]

---

3. PBINT因子选股效果及统计分析（第6-9页）

3.1 单因子表现

• 将股票按PBINT排序，构成10个分组，分组收益显示PBINT与未来股票收益负相关，PBINT最高组股票收益最低，因子多空收益差为10.9%。
• 与传统PB比较，PBINT的多头收益更高且空头更低，表明PBINT对价值股的识别能力更强（图6-7）。
• 累计IC表现（相关系数，预测能力指标）显示PBINT和PB月度IC高度相关（0.95），但PBINT的IC绝对值更大（月平均-0.027，显著），说明预测能力略优（图8，表2）。
• 在价值风格主导期（2013-2019，2020-2022），PBINT和PB同样表现优异，但PBINT稳定性更高，波动率较低。
• 价值风格失效或成长阶段（2013初与2019末-2020中），PBINT虽表现下降，但回撤小于传统PB。

3.2 正交调整后表现

• 在剥离PB本身及常见因子的影响后，PBINT仍表现出稳定且显著的选股效果，月均IC约为-0.02，月胜率超72%，IC时间序列更平稳（图9，表3）。
• 不同增长率和折现率参数对PBINT IC表现影响有限，显示模型稳定性（表4）。

3.3 知识资本与组织资本分拆效果

• 将无形资产分拆为知识资本和组织资本分别调整PB因子后，整体选股效果接近PBINT，相关性高，PBINT略优于拆分版本（表5）。

3.4 与传统估值因子对比

• 以PE、股息率等常见估值因子为参照，累积IC走势整体相似，PBINT与PB的相关系数为0.95，与PE和股息率的相关系数均高于0.6，反映估值因子在风格反映上高度相关（图10-11）。
• 股息率因子在多头组合表现最优，但多因子模型中它们剥离其他因子影响后未表现出显著alpha，说明股息率、PE、PB等因子效应可被其他因子替代。
• 相较之下，PBINT剥离其他因子仍维持显著alpha能力（表6-7）。
• 按市值划分，在大盘股中PBINT表现最佳，中盘股中PE、股息较优，且正交调整后，PBINT在大中盘均显著有效（表8）。

综上，PBINT作为调整后的估值因子，保持了传统PB捕捉价值风格的同时增强了稳定性和信息覆盖度，具有更优选股表现。[page::6-10]

---

4. 基于无形资产的选股组合构建（第10-14页）

4.1 无形资产投入高的股票组合

• 通过月度再平衡，选择无形资产占比最高30只股票分布于全市场及消费+TMT板块，得到高无形资产组合。
• 该组合收益显著优于样本等权组合，尤其近年来表现突出，2019年以来，消费+TMT板块高无形资产股票年均超额收益均超10%（图12-13，表9）。

4.2 低估值组合

• 相较于传统PB因子构建的低估值(Top100)组合，PBINT Top100组合行业分布更加均衡，较多配置机械、汽车、电子等研发密集行业，减少周期和金融地产行业集中（图14-16）。
• PBINT Top100组合累计收益率高于PB Top100组合约2个百分点，且在价值风格波动时期表现优异（表10）。

4.3 价值组合（PB-ROE）

• 通过交集筛选低PB（或PBINT）且高ROE个股构建价值优选组合。
• PBINT-ROE优选组合在高新技术、消费等无形资产占比较大的行业中股票数更多，反映估值序列更加合理（图17）。
• 2013-2022年间，PBINT-ROE组合年化收益37.6%，超出PB-ROE组合5.9个百分点（表11）。
• 在价值风格失效期（如2013年初和2019-2020年），PBINT-ROE组合相对回撤明显小于PB-ROE组合，展示更强的抗周期能力（图18）。

4.4 指数增强组合

• 将PBINT纳入多因子打分模型作为alpha因子，对沪深300和中证500指数增强组合进行优化。
• 添加PBINT后，收益率轻微提升（沪深300组合从12.2%升至12.8%，中证500组合从20.0%升至20.6%），波动率和最大回撤略有下降，信息比和收益回撤比提升，月胜率也提高，表明组合稳定性和风险收益比改善（表12）。
• 分年度看，大多数年份PBINT因子加入均带来超额收益提升（表13）。

四个策略综合反映PBINT因子具有行业覆盖广泛、风险调整后收益提升、价值策略稳健性增强的多方面优势。[page::10-14]

---

5. 总结与风险提示（第15页）

总结观点回顾：

• 无形资产快速增长，特别在研发驱动和品牌驱动行业中显著。

- 传统PB忽视无形资产存在结构性偏误，尤其对高研发和品牌投入公司。

• 无形资产调整PBINT因子有效提升估值准确性，捕捉价值效应，且表现稳定。

- PBINT具有显著alpha，独立于市值、基本面及其它常用因子，适合纳入多因子模型。

• 基于PBINT构建的各类型组合表现优异，尤其在波动及价值风格回撤期显示出风险缓释作用。

风险提示：

• 模型可能误设导致结论失效。

- 历史统计关系可能不再持续，未来表现存在不确定性。

该风险声明体现了对模型局限和市场变化风险的充分认知。[page::15]

---

三、图表深度解读

下面精选关键图表，深入分析其展示内容及论文论点支撑关系。

图1 不同行业无形资产占比（2021年）

• 显著显示各行业无形资产占总资本的差异，家电最高达35%，银行最低接近0。

- 此图数据清晰展示无形资产在某些行业中占比重大，强调估值忽略该部分会造成扭曲。

图2 无形资产与PB因子交集组合年化超额收益

• 表通过两因子分组形成组合，并计算各组合相对全市场的超额收益。

- 同组PB最高20%股票中，内部无形资产高收益明显优于低无形资产股票，年化差7.8%。

• 图表验证了传统PB因子对无形资产高企业的高估值偏差问题。

图6 PBINT因子分组收益

• 图示PBINT分为10组股票等权组合收益，收益呈显著负相关，因子分组间多空差10.9%。

- PBINT多头（低值组）表现优于传统PB，空头（高值组）表现更差，说明PBINT识别价值潜力更准确。

图8 PBINT与PB因子累计IC

• 累计IC反映因子预测能力，PBINT曲线持续高于PB，显示更强的预测股票未来收益能力。

表2 PBINT与PB因子选股效果（多空收益及IC表现）

• PBINT全区间年化多空收益10.9%，高于PB的6.5%。

- 月均IC-0.027显著优于PB的-0.016，月胜率更高，稳健性增强。

图10 常见估值因子累计IC比较

• PBINT显示最高的IC累计走势，证明调整后PB因子具备独立且优异的价值选股效果。

表6 常见估值因子多空收益统计

• 股息率多头组合收益最高，但多因子剥离后其alpha不显著。

- 说明传统估值因子单独有用，但在多因子框架中可能信息冗余。

图12 无形资产占比因子分组收益

• 消费+TMT板块无形资产占比因子多空收益明显高于全市场，强调此板块无形资产重要性。

图14 PBINT与PB因子Top100组合行业分布差异

• PBINT组合更偏重机械、汽车、电子等无形资本重行业，减少偏向周期和金融地产。

- 显示其在行业覆盖上的更合理性和平衡性。

表11 PBINT-ROE与PB-ROE优选组合收益比较

• PBINT-ROE组合年化37.6%，超PB-ROE 5.9个百分点。

- 说明PBINT因子在价值投资框架中提升组合表现且更抗跌。

表12-13 指数增强组合加入PBINT后业绩表现

• 加入PBINT因子后沪深300和中证500指数增强组合的收益率、信息比、收益回撤比均有所提升，月胜率提高说明组合稳定性升级。

本报告图表系统支持核心论点，展示PBINT的优越选股能力及实用投资表现。[page::5-14]

---

四、估值分析

本研究构建的核心估值指标为无形资产调整后的账面市值比PBINT。

• 估值方法：

- 传统PB = 市场价格/账面净资产
- PBINT = 市场价格 / （账面净资产 - 商誉 + 内部无形资产（KC+OC））

• 关键输入参数：

- 无形资产构建中的研发资本折现率30%、增长率20%
- 组织资本为SG&A费用的30%资本化，折现率同样30%

• 估值逻辑：基于资产负债表调整反映企业实际资本结构，尤其突出研发及品牌相关投资。
• 估值结果：

- PBINT调整后的估值对研发较多、广告密集型企业评估更公平，减少估值偏差。
- 相较于传统PB，PBINT更能反映企业真实经济价值。

• 敏感度分析：

- PBINT因子IC对增长率g和折现率δ参数不敏感，因子稳定性强（表4）。

整体上，PBINT因子是对经典账面价值估值方法的重要改进，有助于识别由无形资产推动的公司价值，减少行业偏误。[page::4,8]

---

五、风险因素评估

报告明确指出以下风险：

• 模型误设风险：PBINT因子构建基于特定无形资产资本化假设，模型假设失效将影响因子有效性。

- 历史规律失效风险：基于历史数据的统计规律可能因市场结构变化、政策调控等影响而失效。

• 无形资产估值内涵复杂：内部产生无形资产计量依赖会计数据和假设，可能与真实经济价值存在差距。

报告未对具体缓释策略作细致展开，但充分提示读者认真考量模型参数和历史样本时效性。[page::15]

---

六、批判性视角与细微差别

• 报告整体严谨，基于成熟文献及大量实证数据，构建出较为合理的无形资产估值框架，并通过多样的投资组合验证其有效性。
• 但存在潜在注意点：

- 无形资产的资本化假设与参数（30%折现率，20%增长率）虽有一定文献依据，但在不同企业和行业中或有较大异质性，敏感度虽分析但行业适用性需关注。
- 无形资产尤其是组织资本部分采用SG&A的30%作为代理，较为粗略，实际无形资产复杂且动态，或导致一定估计误差。
- 报告中多处“PBINT因子的IC均值为负”及“IC显著性”表述需和金融学中IC符号一致性一致（负IC即负相关，通常表示PB越低股票未来收益越高，合逻辑）。

• 报告未深度讨论宏观经济、行业变动对无形资产价值及估值因子表现的潜在影响，后续研究可拓展关联维度。
• 估值因子无论多优秀，均应结合基本面和市场情绪，全盘评估投资风险。

---

七、结论性综合

海通证券此次研究针对A股市场中无形资产估值缺失问题，构建了基于公司内部创造知识资本和组织资本的无形资产调整PB因子——PBINT。

• PBINT因子在时间序列和横截面均展现了优于或补充传统PB因子的选股效果，尤其在融资及研发密集的行业表现出更合理的估值力。
• 实证结果显示，PBINT因子的累计IC与传统PB高度相关（0.95），但信息比更高，稳定性更好，尤其在价值风格回撤期间表现更为稳健。
• 多种基于PBINT的投资组合（无形资产高投入组合、低估值组合、基于PBINT-ROE的价值组合、指数增强组合）均展现较为优异的风险调整后收益及更低波动性。
• 图表系统系统展示了无形资产行业分布差异、与传统PB因子比较的效应、不同估值因子的相关性，以及PBINT在不同投资策略中的实际表现。
• 报告强调，将无形资产纳入估值框架是理解和捕捉中国市场价值投资的重要突破，利于改善估值失真和行业偏好，提升选股决策质量。
• 报告同时指出了模型和历史数据驱动研究固有的限制，提醒投资者关注模型参数设定及市场变动可能引发的风险。

综上，PBINT因子作为对传统PB因子的科学改进，具有显著的学术和实务价值，为价值投资提供了更精准的估值工具，并通过量化实证在A股市场上验证了其有效性和应用前景。[page::0-15]

---

参考图片示例

• 图1 不同行业的无形资产占比（2021年）

• 图2 无形资产占比与 PB 交集组合的年化超额收益率（2013.01-2022.05）

• 图6 PBINT 因子的分组收益（2013.01-2022.05）

• 图8 PBINT 因子的累计 IC（2013.01-2022.05）

• 图10 常见估值因子的累计 IC（2013.01-2022.05）

• 图12 无形资产占比因子分组收益（2013.01-2022.05）

• 图14 PBINT 和 PB 因子 top100 组合的行业个股数分布（2019.01-2022.05）

• 图17 PBINT-ROE 优选与 PB-ROE 优选组合的行业个股数分布（2019.01-2022.05）

• 图18 PB_INT-ROE 优选组合相对普通股票型基金指数累计超额收益

---

总体评价

该研究深刻且系统地阐释了无形资产在价值投资估值体系中的必要补充，通过科学指标设计加持和多层次实证验证，为A股量化投资提供了极具价值的因子工具，尤其符合当前中国经济转型和高质量发展的资金配置需求。报告论证完善，数据详实，具有较高参考价值和操作指导意义。但细节参数选择及模型适用边界需在后续研究中进一步扩展和调试。投资者应结合个股基本面和行业动态综合把握风险收益。

---

所有结论均基于该报告全文内容，页码标注遵循文献页码，保障观点来源清晰可追溯。

报告