本报告提出基于估值提升概率模型的新型量化估值因子,利用kendall相关系数和概率函数刻画因子与估值的关系,计算股票未来估值排序的提升期望,从而选取未来估值提升确定性最高的股票。实证结果显示该因子在市值前1/3样本效果显著,月均IC最高达0.053,年化多空收益差优于传统PB因子,空头收益稳定性较高,策略有效性受市场估值逻辑变化影响明显
| 因子 | 全市场月均 IC | 全市场年化 IR | 市值前1/3月均 IC | 市值前1/3年化 IR |
|---|---|---|---|---|
| PB | 0.05 | 1.54 | 0.037 | 0.793 |
| ROE | -0.006 | -0.187 | 0.024 | 0.753 |
| PB | ROE新因子 | 0.047 | 1.618 | 0.044 |
| PB | ROE | delta_P | gpr复合因子 | 0.051 |
关键论点:
推理依据:
估值因子的纽带作用(2.1节)
基本面(长期、低频)与情绪面(短期、中高频),表明估值是多维因素共同作用的结果。常用估值思想(2.2节)
估值因子相关量化策略回顾(2.3节)
信息与概率视角(2.4节)
估值排序模型启发:足球彩票思想(2.5节)
统计规律与Kendall相关系数(3.1-3.3节)
建立概率函数 φ(d)(3.4节)
概率函数参数估计(3.6节)
模型计算流程总结(图4)
模型进一步拓展(3.7节)
数据处理(4.1节)
Lift曲线验证(4.2节-4.3节)
因子表现比较(4.4节)
收益表现(4.5 - 4.6节)
作者通过行业分层和中性化处理努力缓解以上风险,并建议动态更新参数,进行显著性检验,提升模型稳定性。
本报告系统而深入地探讨了基于估值提升概率模型的股票估值排序预测及其选股有效性,充分体现了量化方法与基本面分析的融合。核心创新是利用Kendall相关系数拆分基于因子的估值排序概率,通过估算未来估值排序期望推算股票预期alpha空间,提升了估值因子的解释力和稳定性。
实证结果表明:
报告深入解读了传统因子模型的不足,提出并验证了新的估值统计建模方法,兼顾统计学严谨和实际可用性,极具创新意义。未来可在模型动态更新、非线性函数拟合及因子多维扩展方向进一步完善。
见上述解析页
本报告的深度量化框架和详实实证为投资者理解和把握股票估值提升提供了清晰路径和有效工具,推动了量化与基本面研究的实践融合。
估值提升概率模型及其有效性分析:量化视角衡量个股估值提升的确定性.pdf