剩余价值模型及V/P因子内涵 [page::2][page::3]

• 股票内在价值由账面价值与未来剩余收益贴现价值构成，残余收益模型（EBO）用于估计内在价值。

- V/P因子定义为基于未来预期ROE和账面价值的企业价值与市值之比，融合盈利质量与估值维度。

• 经典研究显示V/P因子对长期持有（24-36个月）股票收益有显著解释力，适用A股市场。

预期偏误因子FErr构建与解释能力 [page::3][page::4]

| 因子名称 | 解释说明 |
|---------------|--------------------------------|
| OP | 基于分析师预测的公司价值与历史价值偏离 |
| 净利润同比增速 | 公司利润增长情况 |
| 销售毛利率 | 公司盈利能力指标 |

• 通过回归分析，OP、净利润同比增速和销售毛利率对预测预期偏误具有显著解释能力。

- 实际操作中FErr因子需通过该模型估计，辅助调整V/P因子预测的偏误。

回测策略设置与表现 [page::4][page::5]

• 样本池剔除ST及新股，每年1月和7月按V/P和估计FErr分组调仓。

- 策略相对中证500年化超额收益9.75%，最大回撤8.25%，收益回撤比1.18。

| 年度 | 绝对收益 | 基准收益 | 超额收益 | 最大回撤 | 回撤收益比 |
|------------|----------|----------|----------|-----------|------------|
| 2011 | -29.33% | -34.81% | 5.49% | -4.30% | 1.28 |
| 2012 | 7.12% | 0.28% | 6.84% | -5.18% | 1.32 |
| 2013 | 16.92% | 16.89% | 0.03% | -6.46% | 0.00 |
| 2014 | 66.85% | 39.01% | 27.85% | -2.52% | 11.06 |
| 2015 | 66.99% | 43.12% | 23.87% | -5.26% | 4.54 |
| 2016 | -6.83% | -17.78% | 10.94% | -2.40% | 4.57 |
| 2017.9.6 | 4.36% | 5.48% | -1.12% | -3.07% | -0.37 |

2014年以来高质量一致预期数据应用效果 [page::6]

| 年度 | 绝对收益 | 基准收益 | 超额收益 | 最大回撤 | 回撤收益比 |
|------------|----------|----------|----------|-----------|------------|
| 2014 | 65.45% | 38.33% | 27.13% | -2.52% | 10.77 |
| 2015 | 66.99% | 43.12% | 23.87% | -5.26% | 4.54 |
| 2016 | -6.83% | -17.78% | 10.94% | -2.40% | 4.57 |
| 2017.9.6 | 4.36% | 5.48% | -1.12% | -3.07% | -0.37 |
| 全回测期 | 30.58% | 15.72% | 14.86% | -5.26% | 2.83 |

• 2014年以来随着预期数据质量提升，策略表现收益及风险控制进一步优化，收益回撤比超过2.8，体现较好稳健性。

风险提示与说明 [page::7][page::8]

• 模型基于历史数据及预期，存在失效风险。

- 本报告观点为分析师独立判断，不构成投资建议。

金融工程研究报告详尽分析报告

---

一、元数据与概览

报告标题： 剩余价值模型下的估值因子在A股中的实证
作者： 吴先兴 分析师
发布机构： 天风证券股份有限公司
发布时间： 2017年9月8日
研究主题： 本报告围绕剩余价值模型（Residual Income Model，简称RIM）构建的估值因子V/P及其在中国A股市场的应用和实证效果展开，重点在于通过量化方法结合盈利质量指标和估值维度指标，提升传统价值投资的实操有效性。

核心观点与目标：

• V/P因子能够有效整合企业盈利质量（通过ROE及账面价值）和估值（市值）信息，成为价值投资的量化指标。

- 该因子的有效性依赖于分析师对企业未来盈利能力的准确预期，因此引入预期偏误因子FErr进行调整以提高准确性。

• 通过回测验证，基于V/P与FErr构建的组合策略在A股市场表现优异，特别是在高质量一致预期数据支持下，实现了显著的年化超额收益和可控的回撤风险。

- 报告警示模型基于历史数据，存在失效风险。[page::0,7]

---

二、逐章节深度解读

2.1 剩余价值模型概述

关键论点与信息：
剩余价值模型的理论基础是，股票的内在价值等于未来预期分红的现值总和，进一步通过剩余收益（Residual Income）模型细化，即价值等于当前账面价值加上未来每期剩余收益（ROE超越资本成本部分乘以账面价值）的贴现和。
公式重点包括：

• 内在价值定义：

\[
Vt = Bt + \sum{i=1}^{\infty} \frac{Et[(ROE{t+i} - re) B{t+i-1}]}{(1 + re)^i}
\]

• 通过未来盈利、资本成本、账面价值和股利支付率的动态关系估算未来账面价值。

- 采用折现和年金模型计算长期内在价值。

• 区分基于历史数据指标计算的内在价值 \( Vh \) 和基于分析师一致预期的内在价值 \( Vt \)。

- V/P因子即是内在价值与市值（Price，P）的比例，用作估值因子。

支撑逻辑与假设：

• 假定盈余为“干净盈余”，即盈余变动均经过利润表确认，避免“隐藏利润”。

- 未来ROE和账面价值的预期为关键驱动，权重由资本成本和股利政策决定。

• 模型对未来预测依赖较重，因此预测误差会影响估值精准度。

此章节为模型建立的理论框架，是后续因子设计和实证回测的数学基石。[page::2]

---

2.2 V/P因子的内在含义及预期偏误因子FErr

关键论点与信息：

• V/P因子集盈利能力预测（ROE）和净资产估值水平（账面价值与市值比）于一体，是价值投资理念的量化体现。

- 参考Frankel and Lee (1998)对美国市场的实证，显示该因子长持（24-36个月）能带来显著超额回报，表明其衡量公司价值的稳定性和预测能力。

• 在中国A股市场，考虑到市场特殊性，对该因子有效性的检验值得期待。

- 提出预期偏误因子FErr定义为实际ROE与预测ROE的差异（FErr = FROE - ROEreal）。

• 利用V/P和FErr双因子组合进行股票分组，并观察分组后的未来超额收益，确认二者的联合分组能力优于单一因子。

数据与表格说明：

• 图1表格显示多个FErr和V/P组合网格中的未来半年超额收益表现，从整体趋势可以看出，误差较低（FErr较小）且V/P较高的组合盈利优异。

- FErr因子本身后验计算，现实投资中需要基于可见变量建立预测模型。

解释与推断：

• FErr调整能有效修正分析师预期误差，提升估值因子预测性能。

- 强调数据质量和预测偏误调整的重要性，FErr因子的引入是模型从理论到实务的关键改进。[page::3]

---

2.3 预期偏误因子预测模型建立

内容梳理：

• 为解决FErr后验计算不可行，基于历史数据和分析师预测相关的财务指标建立预测模型。

- 选取因子包括B/P、净利润同比增速、营收同比增速、营收3年复合增长率、销售净利率及毛利率及其同比增速等。

• 引入OP因子衡量一致预期估值与历史数据估值的偏离程度。

模型形式：
\[
PErr{i,t} = \hat{\alpha} + \hat{\beta}1 RK(Profit\yoy){i,t-1} + \hat{\beta}2 RK(gross\profit\rate){i,t-1} + \hat{\beta}3 RK(OP){i,t-1}
\]

• 其中，RK指分位数转换。

- 利用前2年数据拟合，发现OP、利润同比增速和毛利率解释能力强且显著。

• 按照V/P划分五组，在最高五组中选择PErr最低的5%构建策略组合，通过此过程调节预期偏误，提升投资组合收益率。

意义与逻辑：

• 预期偏误因子的估计是实现模型实操的关键步骤。

- 以历史及预测偏差相关指标为预测变量，利用分位统计方法进行回归，科学调整分析师预期的系统性误差，使得V/P因子更贴近真实企业价值。[page::4]

---

2.4 回测结果分析

交易假设与样本：

• 回测周期2010年至2017年9月6日。

- 交易成本买入0.1%，卖出0.2%。

• 样本剔除ST及上市未满半年新股。

- 调仓时点为每年1月和7月第一个交易日。

图表解读：

• 图2（回测净值曲线）展示策略（蓝线）相比中证500（橙线）及相对强弱指标（绿线）具有明显的超额增长趋势，特别是2013年后表现突出。

- 最大回撤8.25%，收益回撤比1.18，显示风险控制适中。

• 表1年度收益详细分解显示：

- 2014、2015两年表现极佳，超额收益27.85%、23.87%，回撤极低；
- 2011和2016年尽管有负收益，但仍优于基准，表现稳健。
- 总体年化超额收益为9.75%。

扩展数据：

• 采用朝阳永续的一致预期数据进一步提升数据质量，2014年以来年化超额收益达到14.86%，最大回撤降至5.26%，收益回撤比提升至2.83，说明预期数据质量提升对策略效果有显著促进作用。

论证与推断：

• 说明模型兼顾了收益和回撤风险，适用现实交易环境。

- 一致预期数据质量是影响策略表现的关键因素。

• 回测结果验证了模型和因子有效性，具有指导实际投资组合构建的潜力。[page::5,6]

---

2.5 小结与风险提示

报告总结要点：

• V/P因子有效整合盈利质量和估值信息，量化价值投资理念。

- 预期偏误因子FErr的引入及其预测模型提升了因子稳定性和预测准确度。

• 相关策略在A股样本上表现出明显年化超额收益及合理的风险控制水平。

- 实操中，需结合已知信息估计FErr做选股。

• 未来持续提升一致预期数据的质量将进一步优化投资效果。

风险提示：

• 强调模型基于历史数据，未来市场环境及公司基本面变化可能导致模型失效风险。

- 风险控制需结合实际市场动态适时调整。

[page::6,7]

---

三、图表深度解读

图1：V/P因子和FErr因子分组效果

描述：

• 该表格为10x10格矩阵，纵轴为FErr分组（预期偏误因子），横轴为V/P分组，第1格表示FErr最低，V/P最低，依此类推。对应格子显示未来半年内的超额收益率。

- 数据取自Wind和天风证券研究所。

数据趋势解读：

• 高V/P（右侧格子）与低FErr（上方格子）组合通常收益较高，例如FErr第8-10档，V/P高档超额收益普遍为正，且最高达18%左右。

- 低V/P与高FErr组合盈利往往为负或较低，验证了预期偏误调整对于公司价值评估的提升作用。

意义联系文本：

• 图表直接验证了V/P和FErr组合能有效区分股票未来表现，支撑报告中二因子模型设计。

---

图2：回测策略净值表现

描述：

• 三条曲线分别为组合策略、基准中证500及相对强弱指标，展示2011-2017年策略净值变化。

趋势分析：

• 策略线明显跑赢基准，尤其2013年后增长迅速（净值从约0.5攀升至3.5以上）。

- 相对强弱指标同步提升，表明策略择时选股效果良好。

• 策略最大回撤小于基准，说明波动控制有效。

联系文本结论：

• 视觉效果直观显现策略相较基准无论从收益还是风险调整后的收益均优良，佐证模型有效。

---

表1：回测年度收益及风险指标

| 年度 | 绝对收益 | 基准收益 | 超额收益 | 相对最大回撤 | 收益回撤比 |
|-------|----------|----------|----------|--------------|------------|
| 2011 | -29.33% | -34.81% | 5.49% | -4.30% | 1.28 |
| 2012 | 7.12% | 0.28% | 6.84% | -5.18% | 1.32 |
| 2013 | 16.92% | 16.89% | 0.03% | -6.46% | 0.00 |
| 2014 | 66.85% | 39.01% | 27.85% | -2.52% | 11.06 |
| 2015 | 66.99% | 43.12% | 23.87% | -5.26% | 4.54 |
| 2016 | -6.83% | -17.78% | 10.94% | -2.40% | 4.57 |
| 2017.9.6| 4.36% | 5.48% | -1.12% | -3.07% | -0.37 |
| 全期 | 13.97% | 4.22% | 9.75% | -8.25% | 1.18 |

数据解读：

• 策略超额收益明显且稳健，尤其2014-2015年表现最突出。

- 收益回撤比在多数年份远高于1，表明单位风险获得较高收益。

• 2017年表现稍弱，但总体趋势仍优于基准。

---

图3：策略近年表现（2014年起）

描述：

• 细化展示2014年1月至2017年股价净值的表现，策略依旧优于中证500并有显著的相对强弱优势。

表2：策略近年收益表现

| 年度 | 绝对收益 | 基准收益 | 超额收益 | 相对最大回撤 | 收益回撤比 |
|--------|----------|----------|----------|--------------|------------|
| 2014 | 65.45% | 38.33% | 27.13% | -2.52% | 10.77 |
| 2015 | 66.99% | 43.12% | 23.87% | -5.26% | 4.54 |
| 2016 | -6.83% | -17.78% | 10.94% | -2.40% | 4.57 |
| 2017.9.6 | 4.36% | 5.48% | -1.12% | -3.07% | -0.37 |
| 全期 | 30.58% | 15.72% | 14.86% | -5.26% | 2.83 |

解析：

• 高超额收益与低波动回撤交织，体现策略风险收益良好匹配。

- 表示随着预期数据质量提升，2014年以来策略表现更为稳健。

---

四、估值分析

本报告核心估值基于剩余价值模型（Residual Income Model），具体应用中通过算出基于历史指标和一致预期指标两种估值\( Vh \)和\( Vt \)，关键指标包括：

• 权益资本成本 \( re \)：决定未来收益折现率及资本成本；

- 账面价值 \( B_t \)：当前企业净资产价值基础；

• 未来ROE或预期ROE \( FROE \)：预测企业盈利能力，是未来剩余收益的主要驱动力；

- 股利支付率 k：影响账面价值增长路径。

两种估值通过内含的假设不同，一个基于历史财务数据，一个基于分析师预期，将其与市值比值形成V/P因子，为价值评价的重要量化指标。

报告中没有进一步用传统市盈率（PE）、市净率（PB）等进行横向估值比较，而是强调以预测盈利能力调整的剩余收益模型优势，较好捕捉盈利质变和成长性。

---

五、风险因素评估

报告明确指出模型基于历史数据的特性，可能存在失效风险：

• 市场环境发生变化及政策调控影响可能导致历史模式不再适用。

- 分析师预期的可靠性和数据质量是策略成败关键，一旦预期数据失真，模型有效性将大受影响。

• 模型本身对未来盈利的估计依赖较强，如果未来企业ROE或账面价值变化异常，则估值偏差会增大。

- 风险提示简洁但明确，反映出谨慎的专业态度。

报告未详细给出风险缓释策略，投资者应保持对市场变化和数据质量的敏感，及时调整模型参数或组合结构。[page::0,7]

---

六、批判性视角与细微差别

• 模型依赖分析师一致预期数据，报告承认数据质量不断提升对策略效果提升的推动作用，暗示存在数据覆盖不足风险，尤其在覆盖度不足时的适用性会受限。

- 对FErr因子的预测采用相对简单的多变量线性回归，回归变量选取固然基于显著性，但模型的非线性、动态变化可能存在未被捕获的复杂关系。

• 风险提示部分相对简略，未对市场极端情况下的模型表现及行为进行具体探讨。

- 报告未提供估值的敏感性分析，如不同资本成本率变化对V/P的影响，这可能导致在不同宏观利率环境下的估值风险未充分体现。

• 由于回测中剔除ST股及新股，策略真实运用时的样本限制和流动性风险或被弱化。

- 报告中多出对美国市场经验的引用，但A股特殊制度环境下转化的假定较为隐晦，建议后续研究深化这一点。

综上，报告逻辑连贯，方法科学，但还可进一步丰富风险管控、模型多元适应性等方面内容。

---

七、结论性综合

本报告基于剩余价值模型，构建并实证验证了融合盈利质量与估值的V/P因子及其对分析师预期偏误的调整FErr因子在中国A股市场的有效性。通过严谨的理论推导、预期误差建模及基于历史与一致预期数据的回测检验，展示了该量化策略在A股市场实现年化接近10%以上的超额收益，且风险控制得当，最大回撤维持在8%以内，收益回撤比合理。

图1的分组收益示范了估值因子和预期误差调整的协同增益；图2及图3清晰呈现策略净值稳定跑赢沪深市场的重要实证；年度收益表和近年细化表格数据进一步验证策略在不同市场环境的稳健性表现。值得强调的是，随着分析师对上市公司的覆盖提升、历史数据和预期数据的持续丰富，策略表现明显优化，显示出数据质量为核心驱动力。

风险方面，模型基于历史数据存在失效风险，依赖于预期数据的准确性和充足性，是持续关注重点。报告提供的策略对于价值量化投资者具有较强参考意义，特别是在市场有效性较弱、盈利能力变化幅度大的一类A股标的中更适用。

综上，报告逻辑严谨、论据充分、数据清晰，既具有理论深度，也具备较强的实务落地价值。策略的设计充分体现了量化投资与基本面分析的结合，是对传统估值方法的创新性应用与验证，建议投资者关注数据质量提升并适时运用该策略优化资产配置。

[page::0-8]

---

参考图片

图2：回测结果


图3：策略近年表现

报告