低频因子拆解：估值因子真的无效吗？PB、PE 的低频再发现

作者：硅基生命的创作

题图：硅基生命的创作微信公众号

一、估值因子为何不再“风光”？

1.1 多因子评价体系下的“落后生”

在传统的因子表现评估中，我们通常关注因子的：

• 信息比率（IR）
• Rank IC 值
• 单调性与分组收益
• 超额稳定性

但从近几年 A 股实证结果看，PB 和 PE 表现并不理想。典型问题包括：

• IC 长期接近 0，甚至为负
• 排序收益不稳定
• 低估值板块长期跑输成长股
• 容易落入“价值陷阱”

这使得估值因子在许多量化模型中逐渐“退居二线”。

1.2 被误解的“静态指标”

PB 与 PE 的计算逻辑决定了它们是静态估值：只衡量当前价格与过去财报的关系。在市场越来越快节奏、预期驱动的今天，仅靠静态估值很难反映资产的未来价值。

估值因子因此常常错过高成长股的早期阶段，甚至在高景气周期中完全“掉队”。

二、估值因子真的无效了吗？

并非如此。问题并不在因子本身，而在我们如何理解它、如何使用它。

正确认知估值因子的角色：

估值指标并非“失效”，而是需要在适合的场景下，被合理地融合使用。

三、估值因子的低频重构方式

3.1 行业中性 + 分位归一化

不要横向比较不同类型的股票估值，因为行业之间的盈利结构和估值习惯存在本质差异。

推荐做法：

# 按行业分位标准化 PBdf['pb_pct'] = df.groupby('industry')['pb'].transform(lambda x: x.rank(pct=True))

这样可以解决“银行股永远最低估、医药股永远高估”的结构性问题。

3.2 引入估值趋势信息

静态低估值往往无法形成交易信号，但估值趋势的变化却可以作为市场态度的映射：

# PE 修复因子：短期均值 / 长期均值df['pe_trend'] = df['pe'].rolling(20).mean() / df['pe'].rolling(60).mean()

PE 趋势上行 → 市场正在重新定价该资产。

3.3 融合盈利质量，排除“价值陷阱”

低 PB 股票如果 ROE 也低，那它可能并不是“被低估”，而是名副其实的“差公司”。

复合因子设计：

df['pb_roe'] = df['roe'] / df['pb']

该因子本质上是对“以盈利支撑估值”的定量表达，有助于筛除绩差股。

3.4 构建风格轮动逻辑

估值因子可以作为识别市场风格切换的信号源，配合风格强度指标（如成长 vs 价值强度差）进行低频切换：

# 示例思路：构建行业风格得分差，驱动轮动模型style_diff = growth_score.mean() - value_score.mean()

每月初判断市场偏好是成长型还是价值型，进而调整因子权重或模型参数。

四、估值因子适合哪些场景？

估值因子并不适合所有类型的策略，它的优势集中在以下场景：

估值不是“进攻性因子”，而是“防御型基础因子”，在平衡策略风格、控制系统风险中起到关键作用。

五、估值因子的未来新玩法

除了传统的因子使用方式，还可以探索更多创新方向：

与资金行为因子结合

• 找出估值低但主力资金持续流入的个股
• 构建“错杀修复”组合，博弈资金驱动型估值重估

与情绪类因子混合

• 低估值高关注度组合：易引发资金共振
• 高估值低关注度组合：高泡沫风险提示

纳入因子评分系统

• 不直接驱动排序，而是影响总分中的“风险偏好组件”
• 赋予估值以结构性定价权重，而非单因子信号

估值因子从未离开，只是角色转换

低估值从来不等于“立刻上涨”，估值修复更像是价值回归的过程。在以动量、行为、情绪主导的量化时代，估值因子不再是主攻箭头，却依然是支撑体系稳定的压舱石。

在低频量化策略中，我们不能忽视估值的价值 ——它也许不是你盈利的来源，但可能是你回撤中最关键的防线。