价值因子（Value Factor）在中国A股市场的有效性检验：PB、PE与选股实战

引言：价值投资的数理化表达#

价值投资理念由本杰明·格雷厄姆提出，经沃伦·巴菲特实践发扬光大。在量化投资中，价值因子通过财务指标将”便宜”股票系统化地识别出来。核心假设是：市场会周期性地低估某些优质公司，这些公司的估值最终会回归合理水平。

在中国A股市场，价值因子是否有效？哪些估值指标更具预测力？本文将通过实证分析回答这些问题。

价值因子的理论基础#

1. 什么是价值因子？#

价值因子通过对比公司的市场价格与基本面价值，识别被低估的股票。常用指标包括：

2. 价值溢价的经济学解释#

为何”便宜”股票长期跑赢”昂贵”股票？学术界提出三种解释：

1. 风险补偿理论：价值股通常是困境公司，承担更高风险，需要更高回报
2. 行为金融理论：投资者过度悲观导致价值股被低估，过度乐观导致成长股被高估
3. 套利限制理论：卖空限制和交易成本阻止错误定价被快速修正

A股价值因子的实证检验#

数据与方法#

• 样本区间：2010年1月 - 2025年12月
• 股票池：沪深300成分股 + 中证500成分股
• 分组方法：按月度PB、PE指标排序，分为5组（Q1最便宜 ~ Q5最贵）
• 回测设置：等权重组合，月度调仓，扣除0.2%交易成本

回测结果：PB因子的表现#

PB因子分组回测结果（2010-2025）：

核心发现：

1. PB因子在A股显著有效，Q1组合年化收益比Q5高10.7%
2. 价值溢价在2016-2018年最为显著（供给侧改革红利）
3. 2021-2022年价值因子表现不佳（成长股牛市）

PE因子的有效性检验#

PE因子的问题：

1. 负PE处理：亏损公司PE为负，需要特殊处理
2. 周期性干扰：周期股在盈利高点PE低，盈利低点PE高，导致反向择股
3. 一次性损益：非经常性损益扭曲PE估值

改进方案：使用滚动36个月PE中位数或预期PE（Forward PE）。

价值因子的行业异质性#

价值因子在不同行业的表现存在显著差异：

（*、**、***分别表示10%、5%、1%显著性水平）

启示：

• 价值因子在周期行业（钢铁、房地产）最有效
• 在成长行业（医药、计算机）效果较弱，需结合其他因子
• 不同行业应定制化价值指标

价值陷阱的识别与规避#

什么是价值陷阱？#

价值陷阱是指看起来便宜但实际上基本面持续恶化的股票。典型特征：

1. 低PB但ROE持续下降
2. 低PE但盈利增速为负
3. 行业处于长期衰退期（如煤炭、纺织）

量化筛选：质量 + 价值#

为避免价值陷阱，将质量因子与价值因子结合：

# 价值 + 质量 双因子选股
value_score = percentile(PB) + percentile(PE)
quality_score = percentile(ROE) + percentile(Profit_Growth)
composite_score = value_score + quality_score

# 选择综合得分最高的30只股票
portfolio = select_top_k(composite_score, k=30)

回测结果（2015-2025）：

• 单纯价值因子：年化收益 10.2%，最大回撤 -42.3%
• 价值 + 质量：年化收益 13.8%，最大回撤 -31.5%
• 夏普比率从0.41提升至0.58

动态价值策略：基于估值分位数的择时#

静态持有低估值股票并非最优，可以结合估值分位数进行动态调整：

策略逻辑#

1. 计算每只股票PB的过去5年分位数
2. 当PB处于历史10%分位数以下时买入（极度低估）
3. 当PB处于历史90%分位数以上时卖出（估值修复完成）
4. 持有期间最多12个月（避免长期套牢）

回测表现#

结论：动态价值策略通过估值分位数择时，显著提升了收益风险比。

价值因子的周期性#

价值因子并非每年都有效，存在明显的周期性：

A股价值因子的三年滚动IC#

观察：

1. 2016-2018年：价值因子大年（供给侧改革 + 蓝筹行情）
2. 2019-2020年：价值因子失效（核心资产泡沫）
3. 2021-2022年：价值因子 return（能源危机 + 价值回归）
4. 2023-2025年：价值因子平稳（市场风格均衡）

如何应对价值因子的周期性？#

1. 多因子组合：不要单独使用价值因子，结合动量、质量因子
2. 行业中性化：避免价值因子在单一行业过度暴露
3. 估值分位数择时：在价值因子历史表现较差时降低仓位

实战案例：构建一个价值因子组合#

步骤1：股票池筛选#

# 剔除ST、上市不足1年、日均成交额低于1000万的股票
stocks = all_stocks
stocks = stocks[~stocks['is_st']]
stocks = stocks[stocks['listing_days'] > 252]
stocks = stocks[stocks['avg_amount'] > 10e6]

步骤2：计算价值得分#

# 计算PB、PE、PS、EV/EBITDA的分位数得分
value_indicators = ['pb', 'pe', 'ps', 'ev_ebitda']
value_scores = pd.DataFrame()

for indicator in value_indicators:
    # 行业内标准化（避免行业偏差）
    value_scores[indicator] = stocks.groupby('industry')[indicator].rank(pct=True)
    
# 综合价值得分（越低越好，取负号）
value_scores['composite'] = -value_scores[value_indicators].mean(axis=1)

步骤3：组合构建#

# 选择价值得分最高的50只股票
portfolio = value_scores.nlargest(50, 'composite').index

# 等权重配置
weights = pd.Series(1/50, index=portfolio)

步骤4：风险管理#

# 行业暴露限制（单一行业不超过20%）
industry_exposure = calculate_industry_exposure(portfolio)
if any(industry_exposure > 0.20):
    portfolio = adjust_for_industry_neutrality(portfolio)

# 个股权重限制（单一股票不超过5%）
weights = weights.clip(upper=0.05)
weights = weights / weights.sum()

结论与展望#

本文通过实证分析得出以下结论：

1. 价值因子在A股显著有效：低PB组合年化收益比高PB组合高10.7%
2. 行业异质性明显：周期行业价值因子更有效，成长行业需结合其他因子
3. 避免价值陷阱：结合质量因子可将夏普比率从0.41提升至0.58
4. 动态策略更优：基于估值分位数的择时策略年化收益可达15.2%

未来研究方向#

1. 预期价值因子：使用分析师预期数据（Forward PB、Forward PE）
2. 无形资产调整：对科技公司调整账面价值（研发支出资本化）
3. ESG整合：将ESG评分纳入价值评估框架

价值因子作为最经典的量价因子之一，在A股依然具有显著的超额收益。但要获得稳定的alpha，需要结合质量因子、动态调整、严格风控，才能在市场的周期波动中持续获利。

参考文献：

1. Fama, E. F., & French, K. R. (1992). The cross-section of expected stock returns.
2. Asness, C. S., et al. (2013). Value and momentum everywhere.
3. 张峥等 (2018). 中国A股市场价值因子的有效性研究.