本报告基于Campbell-Shiller分解方法,量化拆分估值中的预期收益与未来业绩增长信息,并构建VAR模型估计各股预期收益含量。通过限定样本空间于估值中含有较多预期收益信息的股票,显著提升PB、PB-ROE等估值因子的选股表现,尤其2019年以来因子有效性改善明显。此外,构造PB-CF、PB-ROE-CF等因子进一步剔除盈利预期扰动,实现更优选股效果 。
| 时间区间 | 高ratio样本月均多空收益 | 全市场月均多空收益 |
|---|---|---|
| 2014-2018 | 2.36% | 1.02% |
| 2019-2021 | 0.72% | 0.08% |
报告核心观点强调,估值不仅体现了市场对公司未来业绩的预期,也反映了对未来预期收益(折现率变化)的判断。传统估值因子投资在近年来表现疲弱的根本原因可能与忽视了这两类信息的区分和利用有关。通过 Campbell-Shiller 分解和 VAR 模型的结合方法,报告尝试在量化层面拆分估值信息、区分估值成分,提出基于预期收益比例的分域方法和基于预期信息修正的估值因子模型,展示其在 A 股市场的优势和改进潜力。,1,2]
报告首先指出估值的重要性,既是市场择时的核心指标,也是选股的关键因子。回顾 A 股市场,价值因子从2018年起表现大幅回撤,特别是低估值股票不再表现优异。图1与图2显示高估值股票加速上涨推动了价值因子回撤。作者用市场预期视角分析估值,认为估值体现“未来预期收益率”和“未来业绩增长/分红”的双重因素,而长期未能区分这两部分信息,导致估值因子失效问题。,6]
以Gordon增长模型为理论基础,报告指出估值由贴现率(预期收益率)与股利增长率共同决定。但考虑动态变化和实际市场复杂性,报告引入 Campbell & Shiller(1988)的线性化近似分解。该方法对股息率与账面市值比进行拆分,将估值变量表达为未来股息增长与未来贴现率(收益率)的加权组合。特别是账面市值比分解(Vuolteenaho, 2002)能够较好适用于股息不稳定或不分红的个股,且账面市值比序列稳定性更佳,适合A股应用。这一理论分解构建了后续量化估值拆分的核心框架。,8]
报告构建了基于VAR(向量自回归)模型的估值方差分解技术,将账面市值比的方差划分为两部分:与未来盈利预期相关的协方差与与未来预期收益相关的协方差。通过用时间序列数据估计自回归矩阵A与均值协方差矩阵,可以定量估计每只股票对应的估值中“预期收益比例(ratio)”,即该股票估值中反映未来预期收益信息在整体波动中的占比。
利用账面市值比构建的低估值(H)与高估值(L)组合在A股市场中呈现明显时间段差异:2014-2018年间表现最佳,其他时段尤其2019年以来大幅弱化或失效。图3-6显示,不论等权还是市值加权,均有显著的因子表现波动。表1进一步量化了各时间段的均收益率及信息系数(IC),表明价值因子的持续优异表现并不稳定。分析提示,单纯使用传统估值指标难以持续捕获估值溢价,需要改进策略,从估值内部结构辨识市场预期,发掘隐含的超额收益潜力。,11]
传统分域方法(行业划分、指数样本划分)对因子效果提升有限,甚至在部分指数样本(如沪深300、中证500)中低估值的超额表现不及全市场(图7-8)。报告创新性提出以“估值中预期收益信息比例”作为分域依据。通过计算每个股票的ratio指标,发现不同股票的估值中预期收益占比差异较大(图9),行业内差异较小(图12),说明行业划分不足以识别高“预期收益信息”股票。
筛选ratio大于横截面中位数的股票,显著提升了PB、PB-ROE因子的表现(图10-18,表2-3),并改善了分组的单调性和多空组合收益,且在2019年后依旧发挥作用,弥补了传统估值因子失效的短板。相比之下,PE与PCF因子对ratio分域不敏感,提升明显不足(图19-22)。这种定量拆分和分域策略为资产定价和量化投资提供了务实的新路径。
基于VAR模型估计的账面市值比分解量bmCF,t(盈利预期信息),报告通过从PB中剔除盈利预期成分(回归残差构建PB-CF因子)进一步改善因子表现。图23-24及表4显示PB-CF因子在全样本及高ratio样本池上均优于传统PB因子,但提升有限。将ROE指标加入回归,构造PB-ROE-CF因子,实现更完整剔除盈利相关信息,捕捉纯估值中折现率部分。PB-ROE-CF因子表现最优(图25-26及表5),在高ratio样本中多头收益年化达16.58%,多空收益也显著提升,且能够在近阶段缓解因子失效风险。
此方法本质是在估值因子构建中引入估值预期结构的细化变量,增强因子信号的纯净度和预测能力,体现了预期信息拆分在投资实践中的潜力。
报告总结强调,估值反映市场对未来预期收益率和未来业绩增长两方面的信息。通过Campbell-Shiller分解结合VAR模型,报告成功在A股市场定量拆解市净率估值的未来预期成分,并基于此提出分域和因子修正策略。实际应用显示,这两方面创新方法显著提升了PB、PB-ROE、PE等估值因子的表现,特别是在主流市场估值溢价普遍弱化的领域。修正后的估值因子模型实现更好的选股能力和稳健性。
整体上,该报告为估值因子失效迷雾提供了理论与方法上的创新解读,具有较强的理论贡献和实务指导价值。
报告基于现金流折现模型和 Campbell-Shiller 分解,将估值拆分为未来预期收益(股息折现率/贴现率)与预期增长(股息或业绩成长)两部分。借助VAR模型,量化这两者在账面市值比估值中的贡献比例,即“预期收益信息比重”(ratio)。此技巧可视为对传统价值因子因噪音或混淆信息致表现失效的解释。
基于ratio的分域,理论与实证均支持筛选“预期收益信息丰富”股票能提升估值因子的选股效能。进一步,基于分解结果修正估值因子,剔除盈利成长信息保留折现率成分,构建PB-CF、PB-ROE-CF等新因子,从而获得更精准、稳定的因子信号。
报告明确提出两大风险:
模型假设限制:Campbell-Shiller分解采用线性化近似,现实市场和财务数据复杂多变,可能带来估计偏误。
历史数据局限:基于历史数据的实证回测结果可能不适用于未来市场环境,因子表现有失效风险。
报告未详细讨论外部宏观经济或政策风险对估值信息拆分的影响,也未提出对应的风险缓释措施。
报告基于较多历史数据进行ratio估计,部分回测使用“未来”全部历史数据来估计ratio,存在一定的未来函数问题,尽管报告后段已尝试动态滚动估计以解决。
Campbell-Shiller分解和VAR模型对参数估计依赖较大,模型稳定性和参数的经济解释需谨慎,尤其是A股市场因财务披露和股息政策异质性较大,分解可能出现噪声。
报告重视估值中未来预期收益信息,但对市场情绪、流动性、制度性变革等其他影响因素的考量不足,部分因子表现变化可能受此影响。
行业维度分析虽说明行业区分预期收益信息占比能力不足,但没有展开更多维度或细分市值、流动性等特征的分域探索。
本报告系统地解构了估值变量中蕴含的未来预期收益与未来业绩增长信息,将传统价值因子分解成更细的预期成分。基于Campbell-Shiller分解与VAR模型定量拆分得到个股的“预期收益信息比例”(ratio),并基于ratio构建了更为精准的股票池,显著提升了PB、PB-ROE等估值因子的表现。报告进一步提出基于预期信息回归残差构建PB-CF和PB-ROE-CF因子以修正传统估值指标,获得更优异和稳健的选股能力。
图表清晰显示,传统的行业或指数分域方法难以改善估值因子的效力,而以ratio为核心的市场预期信息分域则在2019年以来的市场环境下延缓了因子失效的趋势。报告方法论通过理论与实证双重路径,提供了全面且有效的因子提升框架,具有较强的实际应用价值和学术创新意义。
本报告为专题研究,无明确买卖评级,而是在因子构建与投资策略层面提供深刻见解和方法论,建议投资者结合本研究结果以提升价值因子策略的有效性和稳定性。
本次研究报告深入剖析了估值的本质与重点,并实证了市场预期信息拆分的重要性。通过引入Campbell-Shiller分解与VAR模型中的量化比例ratio,改进了市净率等估值因子的活用方式,为当下价值因子失效提供了有效的解决方案。图表和数据充分支持了因子的增强效果,尤其是在不同时间段和样本空间下的表现提升。
整体而言,此报告在理论深度和实操可行性上均表现突出,是价值投资领域对估值理论与因子建模的有益补充。该研究方法值得量化投资者、资产管理者及学术界关注和进一步推广。
注:所有引用页均以“[page::X]”标识厥所在页码,以便追溯原始报告内容。
金融工程:基于估值中的预期信息提升估值因子表现.pdf