超预期视角下的 PB-ROE 选股策略量化选股系列报告之五 - 深度分析
一、元数据与报告概览
报告标题: 超预期视角下的 PB-ROE 选股策略量化选股系列报告之五
作者: 祁嫣然(民生证券金融工程首席分析师)
发布机构: 民生证券研究院
发布日期: 2021年1月6日
报告主题: 本报告聚焦于基于预期差理论,利用PB(市净率)和ROE(净资产收益率)构建股票池,并通过超预期指标优化选股表现。核心是在估值和盈利预期匹配框架下,捕捉市场预期与实际基本面之间的差异,实现量化超额收益。
核心论点与策略要点:
- 市场股价存在对公司基本面的预期差,投资者可以通过发现股价被高估的价值股或被低估的成长股,从而实现超额收益。
- PB和ROE作为估值与盈利能力的代理变量,可用于构建匹配关系模型。通过Wilcox(1984)模型及行业哑变量改进,得以识别预期差。
- 在筛选出的PB-ROE-200股票池基础上,引入ROE同比、毛利率同比、SUE及分析师一致预期等超预期指标,构建PB-ROE-50组合,实现年化超额收益22.95%,夏普比率1.96,最大回撤10.35%。
- 报告强调历史回测数据的局限性及风险提示,提醒投资者审慎对待策略成果。
二、逐节深度解读
1. 寻找市场中的预期差
关键观点:
- 引用巴菲特名言“价格是你付出的,价值是你得到的”,强调投资核心在于合理估值良好基本面的企业。
- 市场对基本面的预期存在偏差,导致股价出现错误定价。通过多维度基本面判断真实价值,产生与市场不同的个人预期,更产生投资机会。
- 图1(预期差选股逻辑图)清晰铺陈了市场预期与基本面维度的交叉判断格局(高估值+薄弱基本面为被高估,低估值+优秀基本面则被低估)。
逻辑与假设:
- 股价反映市场对公司未来盈利能力的预期。预期差修正是股价变动的驱动机制。
- 投资者可通过识别预期差,套利实现超额收益。
- 本报告以“估值预期-盈利预期匹配”为核心框架,拓展至综合基本面质量预期。
2. 估值预期与盈利预期匹配
2.1 为什么选择 PB、ROE
关键论点与数据:
- PB代表价格贵贱,ROE反映盈利能力,两者为价值投资教科书式代理变量。
- 公式推导展示了净资产与市值的关系及收益率关联:预期收益率R=(1+(1/PB-1)d)ROE,由此说明股票收益率正相关ROE,负相关PB。
推理与假设:
- 假设PB和ROE恒定(不变),推导出股票收益与这两个指标的函数关系,证明了二者在估值收益构造中的核心地位。
2.2 PB-ROE 匹配关系初探
关键发现:
- 经验与Wilcox(1984)数学推导均表明PB与ROE存在明显正相关,特别是对数形式的线性关系log(PB)=α+β⋅ROE+ε。
图表分析:
- 图2(沪深300池2020年1月31日PB与ROE散点图)显示两者显著正相关,拟合线R²=0.322,较为稳定。
- 进一步数学分解股票收益率为分红收益和资本利得,资本利得拆分为净资产变动和估值变动,说明PB变动(估值变动)也是股票收益的重要部分。
2.3 数据预处理
异常值处理细节:
- 剔除PB或ROE为负股票(对应资不抵债或亏损风险),常被ST。
- 对ROE数据进行分位数排名与逆正态分布变换以规避异常值影响,保证因子分布正态,适合回归分析。
- 表1显示ROE存在极端异常数据,部分最大值甚至达到数百个百分点。
行业属性考量:
- 图4揭示不同板块下相同ROE水平对应PB差异显著,说明PB-ROE模型需行业中性处理。
- 引入行业哑变量显著提高回归拟合度(图5,行业回归R²近40%,全市场不足15%)。
2.4 PB-ROE 截面匹配模型测试
策略设计:
- 以回归公式残差作为偏离值,根据均值回归理念进行买入低估、卖出高估股票选股。
- 如图6所示,策略净值表现整体优异,但2019年以后明显失效。同时策略与传统PB因子表现高度相关(图7),且持仓中包含大量不符合高ROE要求的股票(图8)。
改进措施:
- 采用ROE中位数剔除法,即筛除多头持仓中ROE低于中位数的股票,并空头剔除高于中位数的股票。该方式提高了ROE在策略中的比重(图9)。
- 优化后策略相对中证全指实现持续正超额收益(图10)。
- 表2展示多个年份的绩效指标详情,胜率、年化收益及夏普均表现稳健,部分年份收益显著﹔2019年至2020年表现有所减弱。
3. 预期差中寻找超预期
3.1 寻找超预期
框架与定义:
- 结合图11,整体体系围绕“定义预期”、“选择业绩指标”和“定义超预期”三大模块展开。
- 预期采取“双轨制”:分析师一致预期作为主代理,缺乏关注股票则以历史业绩代理市场预期。
- 超预期事件定义为“真实业绩超过历史业绩”或“真实业绩高于分析师调高预期”。
3.1.3 业绩指标选择
参考Piotroski F-score模型,考量盈利能力、资本结构、运营效率等9个指标:
- 以ROA、经营现金流、资本负债变化、应计利润、毛利率及资产周转率等为核心。
- A股市场不完全照搬,通过选取代表性指标构建符合中国特色选股指标体系。
3.2 超预期指标构造
ROE超预期:
- 综合采用ROE同比增长(持续性)、盈利稳定性(均值/标准差)及ROE同比成长性指标,标准化后等权合成。
毛利率超预期:
- 采用总资产毛利率及营收毛利率同比,构造方法与ROE类似。
SUE因子(业绩超预期):
- 以PEAD现象为理论依据,通过建模季度归母净利润实际值和模型预期差异来衡量超预期,采用Jegadeesh和Livnat(2006)季节性随机游走模型估计预期及其波动。
3.3 PB-ROE50策略构造
策略流程:
- 先使用PB-ROE匹配模型选出200只预期差最大的股票作为股票池。
- 结合ROE同比增长、毛利率同比、SUE、分析师一致预期上调四个超预期指标,进行等权评分。
- 挑选排名前50只优质超预期股票构成最终组合。
绩效表现:
- 图12展示了PB-ROE50策略相对中证全指的超额净值增长,长期表现抢眼,增幅远超基准。
- 表4分年统计表明策略胜率普遍高于50%,年化超额收益多数年份显著为正,夏普比率整体优异,且最大回撤有限,表现稳健。
4. 总结
报告基于估值预期与盈利预期匹配切入选股,通过PB-ROE构造传统选股模型,识别预期差。将ROE中位数剔除法提升模型有效性,并结合多个业绩超预期指标优化选股组合,显著提升策略的收益与风险调整表现。
核心贡献在于:
- 通过多维度超预期指标增强传统估值-盈利框架,兼顾成长与价值因素。
- 结合行业中性和预处理确保模型适用性与稳健性。
- 历史回测展现强劲超额收益和良好风险控制能力。
5. 风险提示
报告反复强调所有结论均基于历史数据,未来不保证可实现类似回报。市场环境、政策变化等均可能对策略有效性造成影响。
三、图表深度解读
图1 - 预期差选股逻辑图(第3页)
- 展示市场预期与基本面强弱的组合关系。
- 红字框内明确标出“被高估”和“被低估”公司分类,构造策略的逻辑基础。
图2 - 沪深300 PB与ROE散点图(第5页)
- 现实市场中PB与ROE正相关,证实理论基础。
- R²=0.322表明相关,但仍有大量散点波动,提示模型存在误差。
图3 - log(PB)与ROE散点图(第6页)
- 通过对异常值的数据预处理,散点更集中于拟合线附近。
- 简单线性回归应用更合适(R²=0.2164),支撑后续回归模型设计。
图4 - 行业PB-ROE对比(第7页)
- 蓝色柱体为不同行业平均ROE,红色柱体为PB,数据显示相同ROE水平下,不同行业PB差异显著。
- 该图强调行业因素不可忽视,必须做行业中性处理。
图5 - PB-ROE回归R²对比(第7页)
- 分行业回归R²维持在25%-40%区间,相较全市场10%左右显著提升。
- 体现行业哑变量对拟合度的重要贡献。
图6 - PB-ROE截面匹配回测净值(第7页)
- 多头(蓝线)逐步拉开并高于空头(红线),显示策略盈利能力。
- 超额净值(绿线)体现剔除空头收益后净结果。
图7 - PB因子与PB-ROE模型超额净值对比(第8页)
- 两曲线高度一致,说明PB-ROE策略近似PB单因子。
- 可能隐含策略未能充分利用ROE信息。
图8 - 截面持仓对比(第8页)
- 红色、绿色、蓝色点分别代表空头、多头及非持仓。
- 绿点区域存在大量低ROE高PB(右下象限)股票,违背“高ROE应买入”逻辑。
图9 - ROE中位数剔除法后持仓对比(第8页)
- 多头区域更集中于高ROE,空头集中低ROE区,更符合策略设计。
- 有效提升策略逻辑一致性。
图10 - ROE中位数剔除法回测净值曲线(第9页)
- 相对于中证全指的超额净值显著提升,尤其是2014年后持续走高。
- 佐证中位数剔除法对策略的实际效益。
图11 - 超预期分析框架(第10页)
- 以图形形式表达对定义预期、定义超预期及业绩指标选择的内在联系和重要性。
图12 - PB-ROE50策略相对中证全指收益曲线(第13页)
- 2007年以来策略净值明显超越基准,其超额部分持续累积,展现强大实战潜力。
- 曲线虽存在波动,但总体上行趋势明显。
四、估值分析
本报告的本质估值分析基于Wilcox(1984)的PB对ROE定价理论,结合分红率、净资产增长率等基本面变量,通过对数线性回归log(PB)=α+β⋅ROE+ε,将估值与盈利能力关联,用残差表示预期差异。
模型同时引入行业哑变量调整,提升拟合准确性。此方法类似于构造一个行业中性的预期PB水平,残差即为被高估或低估股票。
无直接现金流折现(DCF)或P/E多重比较估值,但基于理论与市场数据相结合的定量回归形式,兼顾盈利驱动和市场表现。
五、风险因素评估
报告明确多项风险:
- 历史数据依赖与样本外有效性风险: 历史表现不保证未来成功。
- 数据异常及剔除风险: 剔除负PB、负ROE股票有利于逻辑,但可能忽略部分独特机会。
- 行业差异风险: 不同行业PB-ROE关系差异大,需行业调节,否则模型失真。
- 策略失效期风险: 2019年后策略出现明显失效,表明策略受市场环境影响显著。
- 模型假设风险: 均值回归假设、线性关系及超预期定义等均基于历史统计特征,未来或不再适用。
报告未详细说明缓解策略,仅通过回测展现方法效果,提醒投资者审慎。
六、批判性视角与细微差别
- 报告对PB-ROE关系持较强信心,但拟合R²均不算高(最大约40%),说明仍有较大未解释部分。
- 策略在2019年后失效,且PB因子与PB-ROE模型表现高度重合,暗示盈利能力对估值的解释力在当前市场或受限。
- 超预期指标选择虽严谨,融合多维度指标,但均基于历史统计模型,模型对突变性风险和非量化因素忽略。
- ROE中位数剔除法虽改善持仓,但丢失可能潜伏价值的“低ROE”成长股,策略在成长和价值哲学间的平衡仍需考量。
- 分析师一致预期覆盖度降低导致部分股票预期采用历史代理,或导致预期判断不够精准。
七、结论性综合
本报告全面剖析并结合理论与实证,提出基于PB-ROE估值匹配发现预期差量化选股策略,并通过引入行业中性、ROE中位数剔除和结合多维业绩超预期指标优化策略表现,成功构建了高效的PB-ROE-50投资组合。其年化超额收益达22.95%,夏普比率高达1.96,最大回撤合理。
图表清晰展示了从初步的PB-ROE正相关、对数转化线性回归,到多维超预期指标构造及策略净值提升的完整逻辑链条。行业修正及异常值处理体现了策略严谨性。
尽管面对策略后期失效风险及历史回测局限,报告为投资者提供了明确的预期差筛选框架和实操工具,具有较高的参考价值。
引用: 本分析引用报告页码标记,详见每段末尾,如,,,。
本深度分析力求帮助投资者深入理解报告框架、数据、模型和策略逻辑,为运用相关量化选股策略提供全面、精准的理论与实务支持。