📘 本章重点
- 理解价值因子的核心逻辑——“便宜就是硬道理”，买入低估值股票获取超额收益
- 掌握价值因子的主要度量指标（PE、PB、PS、PCF、股息率等）及其适用场景
- 了解Fama-French三因子模型中HML因子的学术起源与实证支撑
- 学会识别“价值陷阱”——低估值股票的真正风险来源与识别方法
- 认识价值因子的改进方向：质量价值、PB-ROE模型、综合价值因子
⚠️ 本章难点
- 理解“低估值”不等于“好投资”——低估值可能是“价值洼地”，也可能是“价值陷阱”
- 区分不同估值指标的适用场景——重资产行业看PB，轻资产行业看PE，现金流稳定的行业看PCF
- 掌握PB-ROE框架的核心理念——用盈利能力（ROE）来验证估值（PB）是否合理
- 认识价值因子在2019-2020年核心资产牛市中的阶段性失效及其启示
⏱️ 预估学习时间
- 45～60分钟
一、策略简述与一句话定性
一句话定性：价值因子策略是一种基于“均值回归”理念的量化选股策略——通过市盈率（PE）、市净率（PB）、市销率（PS）、股息率等估值指标，买入相对估值最低的一批股票，利用市场对低估值股票的定价偏差获取超额收益。
价值因子的核心信念可以概括为一句话：便宜就是硬道理。
在量化投资的世界里，价值因子是最古老、最经典、学术支撑最充分的因子之一。它的逻辑简单而有力：用尽可能低的价格，买入尽可能有价值的资产。当市场因为短期情绪、行业偏见或流动性冲击而将某些股票的价格压低至其内在价值以下时，买入这些“便宜货”，等待市场重新发现其价值。
价值因子策略与本书第四.05章将要介绍的成长因子策略，构成了量化选股中最经典的一对对立统一体——一个追求“便宜”，一个追求“增长”；一个相信“均值回归”，一个相信“趋势延续”。两者在不同市场环境中轮流有效，共同构成了多因子选股的核心框架。
一个直观的比喻：去折扣店淘好货
想象你走进一家大型折扣商场。商场里的商品来自不同品牌——有些是知名大牌，有些是小众产品，有些可能即将过季。你的目标是：用最少的钱，买到价值最高的商品。
你不关心这件商品昨天卖多少钱（动量），也不关心它未来会不会成为爆款（成长）。你只关心一件事：现在这个价格，值不值？ 如果一件原价1000元的大衣现在只卖300元，你就买；如果一件原价200元的T恤现在卖180元，你就再想想。
价值因子策略就是这种“折扣店购物逻辑”在股市中的应用。它不问“这只股票未来能涨多少”，只问“这只股票现在够不够便宜”。便宜，就是它唯一的买入理由。
价值因子策略的挑战在于：折扣店里的商品，有些是真正的好货被贴错了标签，有些则是本身就只值那个价。 你需要一双能分辨“真便宜”和“假便宜”的眼睛。
价值因子 vs 成长因子（第四.05） ：
| 维度 | 价值因子（第四.04） | 成长因子（第四.05） |
|---|---|---|
| 核心信念 | 便宜就是硬道理 | 增长就是硬道理 |
| 买入对象 | 估值最低的股票 | 增长最快的股票 |
| 核心指标 | PE、PB、股息率 | 营收增速、利润增速 |
| 理论基础 | 均值回归、安全边际 | 未来折现、成长溢价 |
| 最佳环境 | 价值风格占优、熊市 | 成长风格占优、牛市 |
| 心理挑战 | 买“冷门股”的孤独感 | 为“高预期”买单的风险 |
价值因子和成长因子的关系，就像钟摆的两个极端——市场在“贪婪”和“恐惧”之间摆动，价值因子押注市场过度悲观，成长因子押注市场过度乐观。一个完整的量化系统，不是选边站，而是判断钟摆现在在哪个位置。
老陈点评：
价值因子是量化投资中学术支撑最充分的因子之一。从Fama和French的三因子模型到全球多个市场的实证研究，低估值股票长期跑赢高估值股票是一个被反复验证的统计规律。但统计规律不等于投资圣经。 价值因子的挑战在于：均值回归的时间可能很长——“市场保持非理性的时间，可能比你保持偿付能力的时间更长。” 价值策略的核心能力不是“买便宜”，而是“判断便宜是否合理”。
老王补充：
价值因子策略是我在机构里最早接触的策略之一。它的优点是长期有效——拉长时间看，低估值组合几乎总是跑赢高估值组合。但它的缺点是短期可能让你怀疑人生。2019-2020年的核心资产牛市中，低估值策略连续跑输，你会有一种“全世界都在涨，只有我在亏”的绝望感。价值策略需要极强的耐心——你必须相信均值回归，即使它暂时不回归。
价值策略的孤独时刻：当你持有的一只低估值股票已经横盘了两年，而隔壁追成长股的朋友已经翻倍了——你打开账户，看到那个“稳稳的”收益率，再看看朋友的账户截图。这时候，你会怀疑自己是不是选错了路。价值策略最难熬的不是亏钱，是“别人在赚钱而你在等”。
二、策略的使用范围与条件
| 维度 | 适用范围与条件 | 说明 |
|---|---|---|
| 适用市场 | 股票市场（A股、美股、全球主要市场） | 价值因子在全球市场普遍有效 |
| 品种要求 | 流动性好、财务数据完整 | 需要可靠的财报数据计算估值指标 |
| 交易机制 | 单向做多为主（也可构建多空组合） | A股价值策略以做多低估值股票为主 |
| 适用周期 | 月频或季频调仓 | 估值是相对稳定的特征，无需高频调仓 |
| 资金门槛 | 低至中等（持有20-50只股票） | 持有足够数量的低估值股票以分散风险 |
| 最佳市场环境 | 价值风格占优、熊市、低波动市场 | 价值因子在熊市中防御性突出 |
| 弱势市场环境 | 成长风格占优、核心资产牛市 | 价值因子在2019-2020年曾阶段性失效 |
适用品种举例：
- 全市场A股：沪深两市所有非ST股票（剔除财务数据不全的股票）
- 指数成分股：沪深300、中证500、中证1000成分股
- 行业板块：金融、地产、周期等传统低估值行业
不适用品种：
- 财务数据不完整的股票（无法计算可靠估值）
- 亏损严重的股票（PE为负或无穷大，需要特殊处理）
- 流动性极差的小盘股（无法有效交易）
三、因子拆解与原理
3.1 价值因子的理论基础
价值因子的学术起源可以追溯到Fama-French三因子模型（1993年） 。在经典的资本资产定价模型（CAPM）中，股票的预期收益只与市场风险（Beta）相关。但Fama和French发现，除了市场因子之外，还有两个因子能显著解释股票的超额收益：规模因子（SMB，小市值溢价） 和价值因子（HML，高账面市值比溢价） 。
HML（High Minus Low） 因子的构建方式是：买入高账面市值比（价值型）的股票，卖出低账面市值比（成长型）的股票。高账面市值比意味着“便宜”——公司的账面价值相对于市场价值较高，即市净率（PB）较低。这个因子的长期正收益证明了价值股的历史平均收益率高于成长股。
Fama和French的发现并非凭空而来。在此之前，已经有多位学者注意到了价值效应的存在。在1963-1990年的美股市场中，最低市净率组合的平均月回报率为1.63%，而最高市净率组合只有0.64%。这一巨大差距说明：“便宜”不是一个风格偏好，而是一个真实存在的超额收益来源。
均值回归的时间尺度因市场和周期而异。在美股市场，价值因子的超额收益通常以3-5年为一个周期；在A股市场，由于投资者结构不同，价值风格的切换周期可能更短（2-3年）。但无论哪个市场，均值回归的“时间不确定”都是价值策略最大的挑战。
3.2 核心估值指标
价值因子策略的核心是估值指标——用一系列财务比率来衡量股票是否“便宜”。
| 估值指标 | 计算方法 | 适用场景 | 特点 |
|---|---|---|---|
| 市盈率（PE） | 市值 / 净利润 | 盈利稳定的成熟企业 | 最常用，但亏损企业无效 |
| 市净率（PB） | 市值 / 净资产 | 重资产行业（银行、保险、地产） | 在重资产行业表现突出 |
| 市销率（PS） | 市值 / 营业收入 | 尚未盈利的成长型企业 | 不受利润波动影响 |
| 市现率（PCF） | 市值 / 经营现金流 | 现金流稳定的企业 | 在自由现金流丰富的市场更具优势 |
| 股息率 | 年度股息 / 股价 | 稳定分红的成熟企业 | 兼具价值和收益双重属性 |
| 一致预期PE | 市值 / 一致预期净利润 | 需要前瞻性判断时 | 反映市场对未来盈利的预期 |
价值因子的方向：估值越低，得分越高（反向因子）。即PE/PB/PS/PCF越低，股息率越高，股票的“价值得分”越高。
为什么需要多种估值指标？
不同类型的公司适用不同的估值“尺子”：
- 重资产行业（银行、保险、地产）：资产是核心价值，PB最可靠
- 轻资产行业（科技、消费）：无形资产是核心价值，PE更合适
- 亏损企业：PE失效，PS或PCF可以作为替代
- 稳定现金流企业（公用事业）：PCF和股息率最能反映真实价值
老王补充：
很多初学者喜欢用单一的PE指标来筛选低估值股票——这本身没有错，但容易踩坑。一只股票PE低，可能因为它真的很便宜，也可能因为它真的很烂。 我建议至少用两个估值指标交叉验证：比如PB+PE，或者PB+股息率。如果一只股票三个估值指标都显示“便宜”，那它才是真的便宜。
3.3 价值因子的A股表现
A股市场同样存在显著的价值效应。因子有效性测试显示，估值指标在国内市场长期具有有效性，其中市盈率因子表现最佳，具有突出的长期Alpha收益与良好的分层效果。
不同股票池的表现：
| 股票池 | 价值因子表现 | 说明 |
|---|---|---|
| 沪深300 | 良好 | 价值因子在沪深300中表现稳定，近年未受到较大影响 |
| 中证500 | 良好 | 价值因子同样有效 |
| 全市场 | 显著 | 低估值组合长期跑赢高估值组合 |
价值风格的季节效应：
有研究发现，A股价值风格在1月份的表现往往弱于其他月份。这可能与年初投资者风险偏好上升、更倾向于追逐成长股有关。
价值因子的防御性特征：
低估值组合的收益优势，主要源于其较强的防御性，下跌捕获比例显著低于其他股票。但同时，其进攻性（上涨捕获比例）也较弱。有研究显示，低估值组合在熊市中的下跌捕获比例约为0.7-0.8，意味着市场跌10%时，低估值组合只跌7%-8%；但在牛市中的上涨捕获比例也仅为0.8-0.9，意味着市场涨10%时，低估值组合只涨8%-9%。这就是价值因子的“不对称性” ——跌的时候少跌，涨的时候也少涨。
有基本面支撑的低估值组合，则可以同时提升进攻性和防御性。
3.4 价值陷阱——低估值策略的最大风险
价值陷阱（Value Trap） 是低估值策略无法回避的问题——所谓价值陷阱，是指低估值股票价格持续下行，并没有出现均值回归的情形。
三种典型的“价值陷阱” ：
| 类型 | 特征 | 识别方法 |
|---|---|---|
| 行业衰退型 | 行业规模持续萎缩，PE虽低但盈利逐年下滑 | 检查行业趋势和公司营收是否持续下降 |
| 周期高点型 | 处于周期顶部时利润虚高，PE看似很低 | 检查ROE是否处于历史高位，警惕均值回归 |
| 财务粉饰型 | 通过财务手段虚增利润，掩盖真实经营状况 | 检查现金流是否与利润匹配，警惕应收账款异常增长 |
应对策略：对于行业衰退型，需要结合行业景气度判断（如钢铁、煤炭等传统周期行业）；对于周期高点型，需要检查ROE是否处于历史高位（警惕均值回归）；对于财务粉饰型，需要检查经营现金流是否与净利润匹配（警惕应收账款异常增长）。
PB-ROE框架：识别价值陷阱的核心工具
识别价值陷阱的核心在于ROE的持续性。持续保持较高ROE水平的公司是稀缺的——每年超过15%的公司无法延续此前持续高ROE的趋势。
PB-ROE框架的逻辑是：低PB + 高ROE = 真正的价值投资。在“便宜货”里面选优质标的。
“低估值”不等于“安全边际” ：
把低估值等同于“安全边际”，是价值投资中最常见的误解。真正的安全边际来自于企业内在价值与市场价格的差距，而不仅仅是历史估值百分位的低位。当行业的基本面趋势向下时，今天的“便宜”可能成为明天更便宜的起点。
老陈点评：
价值陷阱是价值因子策略最大的敌人。一只股票PE从20倍跌到10倍，你以为“便宜了50%”冲进去，结果它又跌到5倍——然后你发现它的盈利也跌了一半，10倍PE变成了20倍PE。这就是价值陷阱的本质：你以为你在买便宜，其实你在买一个正在变差的公司。 规避价值陷阱的核心方法，就是用ROE来验证低估值是否合理——“便宜”必须有“好”来支撑。
3.5 因子的优缺点
| 优点 | 缺点 |
|---|---|
| 全球市场普遍有效，学术支撑充分 | 在成长风格占优的牛市中阶段性失效 |
| 熊市中防御性突出，下跌捕获比例低 | 可能存在“价值陷阱”——低估值可能是基本面恶化的信号 |
| 逻辑透明，易于理解和执行 | 均值回归的时间不确定，可能需要长期等待 |
| 可与成长、质量等因子结合，形成互补 | 不同估值指标适用场景不同，需要经验判断 |
| 适合中低频调仓，交易成本可控 | 在极端价值风格中可能选到“僵尸股” |
四、仓位、买卖点与风险管理
4.1 入场与调仓信号
价值因子策略的入场信号不是“某一时刻触发”，而是“定期选股、动态调仓”：
| 步骤 | 操作 | 说明 |
|---|---|---|
| Step 1 | 确定股票池 | 全市场A股，剔除ST、停牌、财务数据不全的股票 |
| Step 2 | 计算估值指标 | PE、PB、PS、PCF、股息率等（根据行业选择合适指标） |
| Step 3 | 数据处理 | 去极值（剔除极端值）、标准化 |
| Step 4 | 计算综合得分 | 多指标等权或加权合成 |
| Step 5 | 排序选股 | 按估值从低到高排序，选取估值最低的20-50只 |
| Step 6 | 定期调仓 | 月度或季度调仓 |
进阶过滤条件：
| 过滤条件 | 作用 | 说明 |
|---|---|---|
| ROE过滤 | 避免“价值陷阱” | 剔除ROE过低或持续下降的公司 |
| 盈利质量过滤 | 确保盈利真实 | 检查经营现金流与净利润的匹配度 |
| 动量过滤 | 避免“接飞刀” | 剔除短期下跌趋势中的股票 |
| 行业中性化 | 避免行业集中 | 在各行业内分别选低估值股票 |
4.2 仓位管理
价值因子策略的仓位管理相对简单：
- 等权重配置：每个选中的股票分配相同资金
- 估值倒数加权：估值越低的股票分配更多资金（进一步强化价值暴露）
- ROE-PB加权：结合ROE和PB的偏离程度分配权重
4.3 止损设计
价值因子策略的止损主要通过组合层面的风险控制实现：
| 风控方式 | 触发条件 | 说明 |
|---|---|---|
| ROE恶化止损 | 持仓股票ROE持续下降 | 可能是“价值陷阱”的早期信号 |
| 盈利预警止损 | 公司发布盈利预警 | 基本面可能正在恶化 |
| 行业中性 | 控制行业偏离度 | 避免某一行业集中度过高 |
| 最大回撤止损 | 策略总回撤超过阈值（如-20%） | 降低仓位或暂停策略 |
4.4 价值因子策略的改进方向
方向一：价值 + 质量（“质量价值”）
用质量因子（ROE、毛利率、资产负债率等）来过滤低估值股票，只买入“基本面尚可但被市场错杀”的股票。这可以显著降低“价值陷阱”的风险。
价值 + 质量更稳健：便宜且盈利质量较好（ROE更高）的股票，在震荡与下行周期通常更抗跌。
方向二：PB-ROE框架
PB-ROE模型是价值因子最经典的改进框架。核心理念是：用ROE来衡量“质量”，用PB来衡量“价格” ——在同等ROE水平下，选择PB最低的股票。
在A股市场中，PB-盈利组合（低PB + 高ROE）2013年初至2022年3月的年化收益达到32.4%，相对wind全A的年超额收益达到23.0%（据某券商研报回测）。绝大多数年份，组合相对指数均具有10%以上的超额收益。
方向三：综合价值因子（分子端 + 分母端改进）
华泰证券的研究从分子端和分母端两个维度对经典价值因子进行了系统性改进：
| 改进方向 | 方法 | 效果 |
|---|---|---|
| 分子端改进 | 从股东盈余、留存收益、无形资产等角度更准确地度量企业价值 | 大部分改进因子在A股有效 |
| 分母端改进 | 用企业价值替代市值，解决分子端与分母端的错配问题 | 后者改进效果优异 |
| 整体改进 | 计算因子的时序分位数，寻找“正在变得低估”的股票 | 改进后因子与经典因子相关性低，增量信息显著 |
改进后综合价值因子相比经典价值因子，全区间年化超额收益提升4.6个百分点，最大回撤减小3.7个百分点，2007年至2024年仅2年表现不及改进前价值因子。
方向四：深度价值策略
深度价值策略是指，买入公司股价低于其清算价值的股票。当股价持续低于清算价值时，理论上可以买入所有股票，将流动资产变现并清偿债务，剩余还可以得到公司所有权及若干现金。持有期为1年时，策略相对wind全A指数年化超额5%左右（据某券商研报回测）。但需要注意的是，A股市场深度价值个股较少，大部分季报期满足条件的个股不足10只。
五、策略的来历、设计者与趣闻
价值因子的学术起源可以追溯到Fama-French三因子模型（1993年） 。经济学家Eugene Fama和Kenneth French在经典CAPM模型的基础上，加入了规模因子（SMB） 和价值因子（HML） ，提出了三因子模型。这一模型迅速成为学术界和投资界的标准框架，被奉为因子投资的开山鼻祖。
HML（High Minus Low）因子的构建方式是：每年6月底，将股票按市值和账面市值比（B/M）分成两组和三组，买入高B/M（价值型）的股票，卖出低B/M（成长型）的股票。高B/M意味着“便宜”——公司的账面价值相对于市场价值较高。
价值因子的有效性并非仅限于美股市场。在A股市场，价值因子同样具有长期有效性。值得注意的是，价值因子在美股和A股的表现节奏不同。在美股市场，价值因子的超额收益在2000年互联网泡沫后达到顶峰，随后超额收益的幅度有所收窄，但在长期中仍然为正；而在A股市场，价值因子在2016-2018年的价值风格行情中表现突出，在2019-2020年的核心资产牛市中阶段性失效。两个市场的价值因子节奏不同，但长期有效的结论是一致的。
趣闻：价值因子最有趣的地方在于它的“反人性”。当市场疯狂追捧高成长股票时（如1999年互联网泡沫、2020年核心资产牛市），价值因子会持续跑输，让价值投资者备受煎熬。但拉长时间看，价值因子总能“笑到最后”。正如前文所述，在1963-1990年的美股市场中，最低市净率组合的平均月回报率为1.63%，而最高市净率组合只有0.64%——这个差距持续了27年。
另一个有趣的现象：价值因子在A股市场具有“抗跌”特性。低波和价值因子在下跌月份表现出更高的超额收益空间及跑赢基准的胜率。这意味着：在市场恐慌的时候，价值因子是你的“避风港”。
老陈点评：
Fama和French在1993年的贡献，不仅仅是发现了两个新的因子——他们改变了人们对“收益从何而来”的理解。在CAPM模型中，收益只来自市场风险。在三因子模型中，收益还来自“买小盘股”和“买便宜股”的风险溢价。价值因子的发现告诉我们：市场并非完全有效，而“便宜”本身就是一种系统性的超额收益来源。 但请记住：统计规律不是物理定律——价值因子会失效，但长期来看，它从未真正消失。
老王补充：
我见过太多人在价值因子跑输的时候放弃它，然后在它跑赢的时候追回来——结果完美地错过了反弹。价值策略的核心不是“买入并持有”，而是“买入并坚持”。 如果你不能在价值因子跑输的时候坚持持有，你就无法在它跑赢的时候享受收益。价值策略考验的不是智商，是耐心。
六、Python回测示例
⚠️ 注意：以下代码为价值因子策略框架，展示从估值指标计算到选股的核心逻辑。完整回测需要接入专业数据源，并实现净值计算。不可直接用于实盘。
import pandas as pd
import numpy as np
import yfinance as yf
from datetime import datetime, timedelta
# 注意：
# 1. 本代码为价值因子策略框架，需要获取全市场股票的财务数据和价格数据
# 2. 实际运行需要接入专业数据源（聚宽、优矿、Tushare等）
# 3. 以下代码展示策略逻辑，数据部分用模拟数据演示
def value_factor_strategy(
price_data, # 股票价格DataFrame（每列一只股票）
pe_data, # 市盈率DataFrame（每列一只股票）
pb_data, # 市净率DataFrame（每列一只股票）
roe_data=None, # ROEDataFrame（可选，用于质量过滤）
top_n=30, # 选择估值最低的N只股票
rebalance_freq='M', # 调仓频率：'W'周频，'M'月频
exclude_st=True # 是否剔除ST股
):
"""
价值因子策略（综合PE和PB）
参数：
price_data: DataFrame，每列一只股票的日频收盘价
pe_data: DataFrame，每列一只股票的市盈率（季频，向前填充）
pb_data: DataFrame，每列一只股票的市净率（季频，向前填充）
roe_data: DataFrame，每列一只股票的ROE（可选，用于质量过滤）
top_n: 选股数量
rebalance_freq: 调仓频率
exclude_st: 是否剔除ST股
返回：策略净值
"""
# 1. 对齐数据
dates = price_data.index
pe_data = pe_data.reindex(dates, method='ffill')
pb_data = pb_data.reindex(dates, method='ffill')
# 2. 计算综合估值得分（PE和PB的排名平均）
# 估值越低，得分越高
pe_rank = pe_data.rank(axis=1, method='average', ascending=True)
pb_rank = pb_data.rank(axis=1, method='average', ascending=True)
# 综合得分 = PE排名 + PB排名（两者等权）
# 排名越小（估值越低），得分越高
# 为了选股方便，我们直接使用排名之和，值越小越好
combined_rank = pe_rank + pb_rank
# 3. 生成调仓信号
if rebalance_freq == 'W':
rebalance_dates = dates[dates.weekday == 4] # 每周五
else: # 'M' 月频
rebalance_dates = dates[dates.is_month_end]
# 4. 模拟持仓
positions = {} # 每个调仓日的持仓列表
current_holdings = []
for date in dates:
if date in rebalance_dates:
# 获取当日估值排名数据
rank_data = combined_rank.loc[date]
# 剔除NaN和无穷值
rank_data = rank_data.replace([np.inf, -np.inf], np.nan).dropna()
# 按排名升序排序（估值最低排在最前）
sorted_rank = rank_data.sort_values()
# 选择Top N（估值最低的N只）
selected = sorted_rank.head(top_n).index.tolist()
current_holdings = selected
positions[date] = current_holdings.copy()
# 5. 计算策略净值（等权重）
# 此处为框架示意，完整实现需要逐日计算持仓收益率
# 实际回测中，建议使用专业量化平台（聚宽、优矿等）获取精确数据
print(f"策略框架构建完成，调仓频率：{rebalance_freq}，持仓数量：{top_n}")
print(f"共 {len(rebalance_dates)} 个调仓日")
return positions
# ==================== 改进版：PB-ROE价值策略 ====================
def pb_roe_value_strategy(
price_data, # 股票价格DataFrame
pb_data, # 市净率DataFrame
roe_data, # ROEDataFrame
top_n=30,
rebalance_freq='M'
):
"""
PB-ROE价值策略（在同等ROE水平下选择PB最低的股票）
参数：
price_data: 股票价格DataFrame
pb_data: 市净率DataFrame
roe_data: ROEDataFrame
top_n: 选股数量
rebalance_freq: 调仓频率
返回：策略净值
注：本函数为框架示意，完整实现需要：
1. 按ROE分组（如分为5组）
2. 在每组内按PB排序，选择PB最低的股票
3. 从所有组中综合选出Top N
"""
# 此处为框架示意，完整实现需要接入专业数据源并逐期计算
print(f"PB-ROE策略框架构建完成")
return {}
# 使用示例（伪代码）：
#
# from jqdatasdk import *
# auth('username', 'password')
#
# # 获取全市场股票数据
# stocks = get_index_stocks('000300.XSHG')
# price_df = get_price(stocks, start_date='2015-01-01', end_date='2024-12-31',
# frequency='daily', fields=['close'])
# # 获取财务数据（PE、PB、ROE）
# fundamental_df = get_fundamentals(query(...))
#
# # 运行策略
# result = value_factor_strategy(price_df, pe_df, pb_df, top_n=30)回测结果参考（基于公开数据，不同时间段和股票池结果存在显著差异）：
| 策略类型 | 年化收益 | 最大回撤 | 信息比率 |
|---|---|---|---|
| 纯价值策略（PE+PB） | 8%-18% | 15%-30% | 0.5-1.0 |
| PB-ROE策略 | 15%-25% | 10%-20% | 0.8-1.5 |
| 综合价值因子（改进后） | 12%-20% | 10%-15% | 0.8-1.2 |
注：以上数据为不同价值策略的历史回测参考值，不同时间段、不同选股范围的结果可能存在显著差异。PB-ROE策略32.4%的年化收益为2013年初至2022年3月某券商研报回测数据，与表格中的一般参考范围（15%-25%）来自不同的样本区间，两者并不矛盾。
代码说明：
本代码为价值因子策略框架，展示了从估值指标计算到选股的核心逻辑。完整回测需要接入专业数据源（聚宽、优矿、Tushare等），并实现完整的净值计算。改进版代码展示了PB-ROE策略的框架思路。
老陈点评：
回测时要注意：价值因子策略的回测结果对估值指标的选择和数据处理方式极其敏感。 PE和PB的选择、去极值的方法、是否做行业中性化——每一个细节都可能影响最终结果。建议同时测试多个估值指标组合，选择表现最稳健的那个。另外，务必加入ROE过滤来规避价值陷阱——这是价值策略回测中最容易被忽略的细节。
老王补充：
实盘中最大的问题是价值策略在牛市中的“踏空感” 。当市场单边上涨时，你持有的低估值股票可能涨不过大盘——这种感觉非常煎熬。价值策略需要耐心，更需要对自己策略的信心。 如果你无法忍受“在牛市中跑输”的焦虑，就不要重仓价值策略。可以考虑用“价值+动量”的混合策略来平滑收益曲线。
七、本章小结与思考题
小结
| 项目 | 核心要点 |
|---|---|
| 策略类型 | 单因子选股，基于估值指标 |
| 核心逻辑 | 买入估值最低的股票（低PE、低PB、高股息率等） |
| 理论基础 | Fama-French三因子模型（HML因子）、均值回归 |
| 核心指标 | PE、PB、PS、PCF、股息率 |
| 最佳环境 | 价值风格占优、熊市、低波动市场 |
| 弱势环境 | 成长风格占优、核心资产牛市 |
| 核心优势 | 全球普遍有效，学术支撑充分，熊市防御性强 |
| 最大风险 | 价值陷阱、阶段性失效、均值回归时间不确定 |
| 资金门槛 | 低至中等（持有20-50只股票） |
| 改进方向 | PB-ROE模型、质量价值、综合价值因子、深度价值 |
价值因子策略是量化投资中最古老、最经典、学术支撑最充分的单因子策略之一——它用最朴素的“便宜就是硬道理”的理念，在全球多个市场中创造了长期稳定的超额收益。
老陈总结：
价值因子是量化投资中最“诚实”的因子之一——它不追热点，不讲故事，只问一个问题：“这个价格值不值？”这种诚实让它穿越了近百年的市场周期，始终没有被淘汰。 但诚实不等于容易——价值策略需要你在市场追捧成长股的时候坚守，需要你在连续跑输的时候相信均值回归。在量化投资中，最难的往往不是策略本身，而是坚持策略的勇气。
老王总结：
价值因子策略是我个人账户里的“压舱石”。它不会让我在牛市中暴富，但它让我的账户在熊市中不会崩盘。投资不是百米冲刺，而是马拉松。 如果你能接受“在牛市中少赚一点，在熊市中少亏一点”的权衡，价值因子策略值得你认真考虑。
💡 思考题
1.价值因子策略的核心逻辑是“便宜就是硬道理”。你认为这种逻辑在A股市场是否同样有效？请结合A股市场的特点（散户占比高、政策市等）分析。
2.价值陷阱是价值因子策略最大的风险。请列举三种典型的“价值陷阱”，并说明如何用PB-ROE框架来识别和规避它们。
3.不同的估值指标（PE、PB、PS、PCF、股息率）适用于不同类型的公司。请分别说明这些指标的适用场景，并举例说明。
4.价值因子在2019-2020年的核心资产牛市中阶段性失效。你认为这次失效是“价值因子已死”的信号，还是“均值回归终将到来”的前奏？请从行为金融学和市场结构变化两个角度分析。
5.（展望题） 随着量化投资的普及和A股市场机构化程度的提高，价值因子的超额收益是否会逐渐消失？请从“行为偏差的持续性”和“市场效率的提升”两个角度分析。
八、引用/参考出处
网上内容：
- 知乎 《价值因子策略》： https://zhuanlan.zhihu.com/p/2040693728566847432
- 雪球 《量化学习之一——价值因子策略收益率的来源》 : https://xueqiu.com/5366424191/172230210
- 雪球 《6个因子挖掘思路：动量、价值、质量、波动率、流动性、情绪》：https://zhuanlan.zhihu.com/p/2033192820924789867
- 知乎 《5类量化投资经典因子：动量、价值、成长、质量、波动率》 ： https://zhuanlan.zhihu.com/p/2041629096032163079
学术论文（元信息）：
- Fama, E. F., & French, K. R. (1993). “Common risk factors in the returns on stocks and bonds.” Journal of Financial Economics, 33(1), 3-56.（三因子模型的奠基之作，提出HML价值因子）
- Fama, E. F., & French, K. R. (1992). “The cross-section of expected stock returns.” Journal of Finance, 47(2), 427-465.（价值效应的早期实证研究）
暂无评论内容