• A股低估值策略自2019年以来遭遇较大回撤，主要因盈利因素拖累估值因子表现，估值因子超额收益中盈利贡献项为负，形成“价值陷阱”现象，即低估值公司盈利恶化而表现不佳，高估值公司估值反而抬升 。

[page::1]

• 市场整体盈利水平2018年以来持续下行，经营亏损公司占比不断提升，且市场盈利水平对未来估值因子收益具有一定预测能力。

[page::2]

• 传统PB-ROE模型拟合优度低（$R^{2}$约9.2%），原因在于两个假设不成立：公司当前ROE不能代表未来ROE，且不同公司股东要求回报率不一致。

[page::3]

• 净利润增速和有息负债率作为PB-ROE模型中的关键代理变量，能有效提升模型解释力。净利润增速越高，对应PB估值越高；有息负债率越低，盈利越稳健，未来ROE下行风险越低，PB定价更高。分别以净利润增速和有息负债率分域，可提升回归$R^2$至11%和17%。

[page::4]

• 以PE作为高频代理变量引入PB-ROE模型分域，PE控制了未来增长及折现率，控制ROE后，PE越高的股票展现出更低的有息负债率和更高的未来净利润增速，模型$R^{2}$提升至30%以上。

[page::5][page::6]

• 实证回测显示PB-ROE-EP因子多空年化收益达17.9%，显著优于PB因子（7%）和PB-ROE因子（12.8%），并有效降低市场盈利低迷时期的回撤，IC值和胜率均有所提升。

| 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 |
|----------------|-------|--------|---------|----------|------------|-----------|-----------|
| pbe | 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 | 0.0405| 5.76 | 64.3% | 17.9% | 10.8% | -9.6% | 8.2% |

[page::6][page::7]

• PB-ROE模型选股仍集中于低ROE低PB区域，因回归残差存在异方差性，采用rank方法修正残差后，多空收益明显提升，且收益分解显示该模型实现了戴维斯双击效应，即盈利与估值贡献均显著。

[page::7][page::8]

• 最终构建两组PB-ROE策略组合：

1）成长50，选取中证全指股票池，2010年以来年化收益率30%；
2）价值30，选取中证800股票池，2010年以来年化收益率23%。
组合均表现出较强超额收益及较高月度胜率。

成长50组合净值及年化超额收益表现：


| 年份 | 绝对收益 | 超额收益 | 月度胜率 |
|----------|----------|----------|----------|
| 2010 | 38.9% | 21.9% | 75.0% |
| 2011 | -15.6% | 13.3% | 75.0% |
| 2012 | 24.4% | 20.7% | 75.0% |
| 2013 | 52.5% | 26.5% | 91.7% |
| 2014 | 52.4% | 5.8% | 58.3% |
| 2015 | 147.8% | 66.9% | 75.0% |
| 2016 | 3.8% | 14.2% | 83.3% |
| 2017 | -6.3% | 7.0% | 66.7% |
| 2018 | -13.5% | 16.0% | 83.3% |
| 2019 | 59.2% | 31.0% | 91.7% |
| 2020.07 | 39.7% | 15.8% | 71.4% |

价值30组合净值和年度超额收益同样表现优异：


| 年份 | 绝对收益 | 超额收益 | 月度胜率 |
|---------|----------|----------|----------|
| 2010 | 27.4% | 22.0% | 75.0% |
| 2011 | -22.8% | 7.4% | 66.7% |
| 2012 | 26.6% | 23.9% | 75.0% |
| 2013 | 25.4% | 15.5% | 83.3% |
| 2014 | 43.6% | -1.2% | 50.0% |
| 2015 | 88.7% | 44.9% | 75.0% |
| 2016 | -12.1% | 0.9% | 41.7% |
| 2017 | 13.8% | 12.6% | 66.7% |
| 2018 | -20.5% | 9.3% | 66.7% |
| 2019 | 67.0% | 37.2% | 83.3% |
| 2020.07 | 57.9% | 37.0% | 71.4% |

[page::8][page::9]

• 风险提示：以上结论基于历史统计模型，未来若市场环境变化可能导致模型失效，投资需谨慎权衡。 [page::9]

【国盛金工】从价值陷阱现象谈到PB-ROE框架 | 量化专题报告—深度分析解读

---

1. 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 | 量化专题报告》
作者：段伟良、刘富兵
发布机构：国盛证券研究所
发布时间：2020年9月12日
报告主题：围绕A股市场自2019年以来估值因子失效的现象，深入探讨低估值策略中的价值陷阱问题，研究PB-ROE估值模型的理论基础与实际表现，及其应用于量化选股，最终提出改进策略和投资组合。

核心论点与目的：

• 通过收益分解，揭示估值因子尤其PB因子在2019年以来表现下滑，盈利因素拖累明显，导致低估值股票容易陷入价值陷阱。

- 提出基于PB-ROE框架的估值模型，解释和改进传统PB因子的不足，通过引入净利润增速和有息负债率两个关键代理变量，提高模型拟合度。

• 进一步引入PE分域的PB-ROE模型，通过PE这一包含市场预期的代理变量，显著提升模型解释能力，并构建两个表现优异的量化组合（成长50和价值30）来实现戴维斯双击投资收益。

- 报告旨在为市场提供更完善的低估值量化投资框架，有效应对盈利下滑期的价值陷阱风险，实现稳定超额收益。

---

2. 逐节深度解读

2.1 市场现象分析：2019年以来A股低估值策略回撤

• 关键论点：报告指出，A股的估值因子，尤其是PB因子，从2019年开始出现显著回撤。图表2显示PB因子多空净值从2019年达峰后大幅下跌，PB因子超额收益变差，呈现估值因子顺周期性和盈利因素拖累的特征。

- 逻辑与数据支持：
- PB因子超额收益中“盈利贡献项”显著为负，意味着盈利表现不佳是导致估值因子失效的主因。
- 2019年以来市场出现两大异象：高估值公司估值抬升，低估值公司的盈利恶化，陷入所谓“价值陷阱”。
- 该现象说明市场在经济下行、盈利普遍下滑的背景下，投资者更加青睐盈利稳健的高估值公司，规避盈利不佳的低估值股票，导致低估值策略失灵。[page::0,1]

• 图表解读：

- 图表2中，PB因子多空净值和超额净值在2019年突显回撤趋势，验证了估值因子表现疲软。
- 图表5的收益分解表明，2019-2020年PB多头收益高达27.6%，对应估值贡献项正向37.3%；空头收益36.3%，但盈利贡献负9.8%，显示盈利因素对空头影响显著。

2.2 市场盈利水平与估值因子表现的关系

• 关键论点：2018年以来，市场整体盈利水平持续下行，经营亏损公司比例处于高位，直接影响估值因子的收益表现。图表6显示中证全指盈利贡献项收益逐年下降，2020年甚至负值，全市场经营亏损占比明显上升。

- 预测能力验证：图表8通过散点图与回归，揭示市场盈利水平对未来半年估值因子年化收益有较好预测力，回归R²达0.25，说明盈利项是估值因子收益的先行指标。[page::2]

2.3 PB-ROE模型分析：基础、问题与改进

• 模型理论：PB-ROE关系基于会计和金融理论，公式$\log(\frac{P}{B})=(ROE-k)T$，表示PB的对数与ROE和股东要求回报率k呈线性关系。

- 实证表现及问题：
- 实证拟合中，PB-ROE模型的截面拟合R²平均仅9.2%，说明单纯ROE难以解释PB变动，见图表11与12。
- 两大核心假设被证明不现实：
1. 公司当前ROE可代表未来ROE，忽视企业盈利成长差异。
2. 所有公司股东要求回报率相同，未考虑财务杠杆和风险差异。[page::3]

• 数据阐释：

- ROE变动性大，且净利润增速存在显著差异，导致未来ROE预期变化不同，进而影响估值。
- 有息负债率作为财务风险代理，负债高企业面临更大ROE风险，估值更低。
- 图表15显示控制ROE后，净利润增速越高，PB越高，尤其高ROE组幅度明显。
- 图表17-18进一步展示控制ROE后，有息负债率越低，ROE未来下行风险越低，PB估值越高。[page::4]

• 回归改进：

- 分别基于净利润增速和有息负债率进行分域回归，R²提升至11%和17%（图表19），验证了盈利成长和财务风险对PB-ROE的影响。
- 采用交互项模型结构，添加分域虚拟变量，并与ROE交互，提高模型拟合效果。公式明确表达这一复杂关系。[page::4,5]

2.4 引入PE分域：进一步提升PB-ROE模型拟合度

• 逻辑依据：PE是市场有效定价下对未来增长g和折现率r的综合代理，融合了市场预期。PE高的公司通常预期净利润增速高、财务结构稳健（低有息负债率）。

- 实证支持：
- 图表20-21清晰显示PE水平与有息负债率、未来净利润增速存在负相关和正相关关系。
- 基于PE分域，PB-ROE模型拟合R²提升至30%以上，远优于单独ROE的9.2%或净利润增速、有息负债率的17%。

• 总结：引入PE作为分域条件能有效捕获市场预期，完善PB-ROE估值框架，提升解释力度。[page::5,6]

2.5 选股策略实证与收益表现

• 因子表现比较：

- PB因子多空年化收益7%，PB-ROE不分域12%，PE分域的PB-ROE(即PB-ROE-EP因子)多空年化收益达17%，提升显著。且后者最大回撤最低（-9.6%），稳定性增强（图表25）。
- 图表26显示PB-ROE-EP因子多空净值明显优于PB和PB-ROE因子，长期表现稳定提升。

• 持仓特征问题：

- 尽管改进模型，PB-ROE低估值策略持仓股票偏向低ROE低PB区间（图表31、32），说明仍较偏重价值类的“质地较弱”股票。
- 模型回归残差呈异方差性（图表33），即残差与ROE水平相关，需进一步调整优化。

• 策略优化：

- 采用rank修正方法对残差进行调整，优化后的PB-ROE超额净值显著提升（图表35）。
- 收益分解显示修正后的策略成功实现戴维斯双击效果，即估值和盈利两个维度均贡献正向收益（图表36）。[page::7,8]

2.6 投资组合构建与表现

• 成长50组合：

- 选取中证全指成分股，构建成长50投资组合。自2010年以来年化收益率约30%（图表43）。
- 年度表现稳定，多数年份实现显著超额收益，充分体现成长策略优势。

• 价值30组合：

- 选取中证800成分股，构建价值30组合，2010年以来年化收益23%（图表45）。
- 同样表现优异，具备较强抗风险能力和收益稳定性，年化超额收益积极。

• 组合显示：基于PB-ROE的选股策略在不同股票池下均展现出优异表现，且比单纯PB或PB-ROE模型效果更好，说明策略对市场多样性具有较好适用性。[page::8,9]

---

3. 图表深度解读

• 图表2（PB估值因子表现）：展示2010至2020年PB因子多空净值和超额净值走势。可见因子在2019年后出现幅度较大回撤。支持估值因子顺周期性表现，2019年行情拐点载明。

- 图表5（PB因子收益分解）：详细分解PB多空、多头和空头组合收益内含盈利贡献和估值贡献。显示2019-20年盈利贡献项显著负向，估值贡献项为正。直接反映估值因子收益被盈利下滑拖累。

• 图表6（市场盈利与亏损比例）：中证全指盈利贡献项收益和全市场亏损公司比例呈反向趋势。亏损比例上升对应盈利贡献显著降低，解释估值因子未来走弱背景。

- 图表8（市场盈利水平与估值因子未来收益相关性）：通过散点图和拟合线展示过去一年盈利水平与未来6个月PB估值因子收益的正相关性，回归拟合优度R²为0.25，体现盈利指标预测价值。

• 图表9（PB因子和PB-ROE因子多空净值比较）：展示两者净值曲线，PB-ROE因子整体领先于传统PB因子，但依然在2019-20年呈现回撤。

- 图表11与12（PB-ROE模型拟合优度分析）：R方长期仅9.2%，且截面拟合散点显示模型拟合的离散度较大，揭示ROE对PB解释能力不足。

• 图表15与17-18（净利润增速、有息负债率与PB关系）：净利润增速越高、负债率越低，控制ROE后PB估值越高，验证对PB定价的边际影响。这是对模型假设1和2改进的实证基础。

- 图表19-22（分域回归R方提升与PE分域效果）：单独净利润增速和负债率分域提升有限，PE分域能将模型R方提升至30%以上，说明PE有效融合未来增长与风险预期信息。

• 图表25-27（因子IC及多空组合表现）：PE分域的PB-ROE因子IC最高，胜率最高，多空组合多空收益最高且最大回撤最小。

- 图表31-33与35-36（组合持仓分析与模型残差修正效果）：持仓集中低ROE低PB，存在异方差性残差。基于rank调整修正后，组合收益显著提升且有效抵抗市场下行风险，实现戴维斯双击。

• 图表43-46（成长50与价值30组合历史收益）：均展现长期稳定的正收益及较高超额收益，成长组合尤为突出，进一步验证模型选股能力。[page::1-9]

---

4. 估值分析

• 报告主要估值框架为PB-ROE模型，基于净资产价格（P）与账面净资产价值（B）比率。核心假设是PB由企业盈利能力（ROE）与资本成本（k）决定，符合金融经典定价理论。其数学表达为：

$$\log(\frac{P}{B}) = (ROE - k) \times T$$

由于现实中ROE及股东回报率异质，需要引入净利润增速、有息负债率、PE这三个代理变量，分域回归使得模型拟合优度R²自9.2%提升至30%以上。

• PE引入的理论基础为：

$$
PE \approx \frac{1}{r-g}
$$

其中r为折现率，g为未来增长率，PE综合反映市场对公司增长和风险的预期，是高频代理变量。

• 此外，回归残差存在异方差性，通过rank调整残差，提升模型稳定性和实用性。

- 估值模型通过多重分域和残差修正，改进传统PB估值在市场下行期表现不佳的缺陷，为估值体系提供稳健优化路径。[page::3-6,8]

---

5. 风险因素评估

• 历史数据与模型假设风险：模型及策略均基于历史数据和统计回归测算，存在未来市场环境剧变导致模型失效风险。

- 盈利预期与分域变量偏误：净利润增长率、有息负债率和PE均为代理变量，存在因数据质量、会计准则变动等带来的误差风险。

• 估值因子时效性问题：基于历史回测的因子可能受经济周期、政策环境影响较大，估值因子表现波动显著。

- 市场行为偏差风险：投资者情绪极端变化可能导致估值与基本面脱节，模型难以应对突发事件（如疫情等）。

• 组合选股集中度风险：特别是价值组合持股偏低ROE，潜在质地风险需关注。

- 无明确缓解措施, 但报告通过引入多维代理变量及rank调整部分缓解风险，提示投资者需动态追踪和适时调整策略。[page::8,9]

---

6. 批判性视角与细微差别

• 模型简化与假设限制：PB-ROE模型虽然经典，但以ROE和k单因素解释PB有限，实际企业盈利和风险结构复杂，代理变量虽有改进但仍不足。

- 收益分解法对盈利贡献项的解释存在较强宏观周期依赖，未充分考虑市场情绪与结构变化对估值的影响。

• 分域回归R²提升虽明显，但最高仅30%多，仍有较大未解释部分，暗示模型对部分市场行为、行业特定因素等无力覆盖。

- 持仓偏向低ROE区域的策略特性警示投资组合可能陷入价值陷阱，需结合成长因子或其他质量指标进一步优化。

• 报告未详细展开估值模型的折现率（k）估计和行业间差异，略显不足。

- 策略表现周期依赖性显示潜在的择时风险，且对极端市况下的有效性需更多实证。

• 整体来看，作者观点较为谨慎、基于数据驱动，但对于模型局限性披露不够充分。[page::3,7,8]

---

7. 结论性综合

本报告结合理论与实证，深度挖掘A股市场自2019年以来估值因子失效的内涵，聚焦于盈利因素拖累估值策略表现的“价值陷阱”现象。以PB-ROE模型为核心，加入净利润增速和有息负债率代理变量，有效揭示ROE之外盈利成长与财务风险对PB估值的影响，模型拟合度由9.2%提升至17%。

进一步引入PE分域作为综合市场预期代理，使得模型拟合R²突破30%，大幅提升PB-ROE框架的解释力与应用价值。对应的PB-ROE-EP因子在中证全指实现17%的多空年化收益表现，且具备较低回撤，展现出良好的稳健性。

通过对模型回归残差进行rank调整，解决异方差性问题，实现了因子效用和组合收益的双向提升，成功规避了以往低估值策略的盈利下降风险，取得代表性的戴维斯双击。最终基于该模型构建的成长50和价值30组合，分别在中证全指和中证800股票池中表现出年化收益率30%和23%的优异成绩，且年度超额收益持续扩大，表明策略具备长期稳定的Alpha来源。

图表层面总结：

• 估值因子表现顺周期，盈利贡献拖累显著（图表2、5）；

- 市场盈利持续恶化，亏损企业比例提升，盈利指标对估值因子收益具预测力（图表6、8）；

• PB-ROE模型单因子拟合度低，分域及PE介入显著提升拟合优度（图表11、15、19、22）；

- 调整后PB-ROE模型超额净值显著提升，收益分解显示效用显著增强（图表35、36）；

• 投资组合回测展现稳健正收益和高超额收益（图表43、45）。

总体而言，报告系统且透彻地演绎了从市场价值陷阱现象到PB-ROE估值框架的理论及实证演进，基于财务变量和市场预期的多维度模型优化，为量化选股和低估值策略建立了坚实基础，具有较高的学术和实务指导意义，尤其适用于A股特色和经济周期下的投资分析。需注意的是，模型及策略均基于历史样本和统计规律，投资者应关注市场环境变化风险并适时调整。

[page::0-9]

---

免责声明

本分析基于国盛证券研究所发布的公开报告内容进行解读，所述观点、数据均来自原报告，不构成任何投资建议。投资有风险，入市需谨慎。

报告