价值因子深度研究：低价股的阿尔法源泉与陷阱 • halo 的技术博客

当”便宜”成为一门科学#

巴菲特说：“价格是你付出的，价值是你得到的。“这句话道出了价值投资的核心理念——用低于内在价值的价格买入资产。

但在量化投资中，我们不满足于定性判断，而是要把”价值”变成可计算的因子，用数据验证：买便宜股票真的能跑赢市场吗？

答案是：能，但不是一直能。

这篇文章将带你深入价值因子的量化世界，从理论基础到A股实证，从因子构建到实战陷阱。

价值因子概念图

价值因子的理论基础：为什么”便宜”应该跑赢？#

1. 风险溢价理论（Risk Premium）#

最经典的解释：价值股（低估值股票）通常经营更困难、风险更高，因此投资者要求更高的预期收益作为补偿。

逻辑链条：

价值股 → 经营困境/高财务风险 → 高预期收益（风险溢价）

2. 行为金融学解释：过度反应（Overreaction）#

投资者倾向于对坏消息过度反应，把暂时性困难当成永久性衰退，导致股价超跌。

当市场逐渐意识到”没那么差”时，股价就会修复，价值股迎来均值回归。

3. 套利的局限性（Limits to Arbitrage）#

理论上，聪明的套利者应该消除错误定价。但现实中：

卖空限制：很多低估值的价值股可能很难借到券做空（或者根本不能做空）
基本面风险：价值股可能真的有问题（价值陷阱），套利者不敢重仓
时间不确定性：均值回归可能需要数年，套利者面临资金成本和时间压力

这些限制让错误定价长期存在，给价值因子留下了获利空间。

价值因子的量化指标：如何定义”便宜”？#

价值因子的核心是估值指标。以下是A股市场最常用的估值指标：

1. 市盈率（P/E Ratio）#

$P/E = \frac{\text{股价}}{\text{每股收益(EPS)}}$

优点：最直观，反映投资者为每单位盈利支付的价格
缺点：

盈利可能为负（导致P/E无效）
盈利可能被操纵（会计准则差异）
周期性行业盈利波动大（高P/E可能是周期顶部）

改进版本：

EP（盈利收益率）： $EP = \frac{EPS}{\text{股价}}$ ，避免分母为0
动态P/E：用预期盈利（Forward P/E）代替历史盈利
扣非P/E：用扣除非经常性损益的净利润

2. 市净率（P/B Ratio）#

$P/B = \frac{\text{股价}}{\text{每股净资产(BPS)}}$

优点：

净资产通常为正（除非公司资不抵债）
更适合金融、地产等资产密集型行业

缺点：

净资产按历史成本计价，可能严重偏离公允价值
轻资产公司（科技、咨询）的P/B可能无意义

3. 市销率（P/S Ratio）#

$P/S = \frac{\text{市值}}{\text{营业收入}}$

优点：

营收很难被操纵
适合亏损公司（盈利为负时P/E无效）

缺点：

没有考虑盈利能力（高营收≠高利润）
不同行业P/S差异巨大

4. 企业价值倍数（EV/EBITDA）#

$EV/EBITDA = \frac{\text{企业价值(EV)}}{\text{息税折旧摊销前利润(EBITDA)}}$

其中：

$EV = \text{市值} + \text{有息负债} - \text{现金}$
EBITDA剔除资本结构、税率、折旧政策的影响

优点：

更适合跨行业、跨资本结构比较
反映整个企业的估值（而不仅仅是股权）

缺点：

计算复杂（需要获取债务、现金数据）
EBITDA忽略了资本支出（对重资产行业可能误导）

5. 现金流估值指标#

P/CF（市现率）：股价 / 每股经营现金流
P/FCF（市自由现金流比）：股价 / 每股自由现金流
EV/FCF：企业价值 / 自由现金流

优点：现金流比盈利更难操纵
缺点：资本支出波动可能导致FCF为负

价值因子的构建方法#

方法1：单指标排序#

最简单的方法：用单一估值指标（如P/B）对所有股票排序，做多低P/B组合，做空高P/B组合。

import pandas as pd
import numpy as np

# 假设 df 包含股票代码、日期、P/B、下期收益率
df['value_rank'] = df.groupby('date')['pb'].rank(method='dense')
df['value_decile'] = pd.qcut(df['value_rank'], 10, labels=False)

# 第0分位：低P/B（价值股）；第9分位：高P/B（成长股）
value_portfolio = df[df['value_decile'] == 0]
growth_portfolio = df[df['value_decile'] == 9]

# 计算多空组合的收益率
value_return = value_portfolio.groupby('date')['next_return'].mean()
growth_return = growth_portfolio.groupby('date')['next_return'].mean()
value_factor_return = value_return - growth_return

python

方法2：多指标复合（Composite Score）#

单一估值指标有局限性，可以综合多个指标：

# 计算每个估值指标的分位数得分（Percentile Score）
for metric in ['pe', 'pb', 'ps', 'ev_ebitda']:
    df[f'{metric}_score'] = df.groupby('date')[metric].rank(pct=True)
    
# 综合得分（值越小越好，所以取负值）
df['value_score'] = (
    -df['pe_score'] + 
    -df['pb_score'] + 
    -df['ps_score'] + 
    -df['ev_ebitda_score']
) / 4

# 按综合得分分组
df['value_quintile'] = pd.qcut(df['value_score'], 5, labels=False)

python

方法3：行业中性化#

不同行业的估值水平差异巨大（比如银行P/B通常<1，科技股市盈率经常>30），直接跨行业排序会有偏差。

解决方案：行业内排序，然后跨行业等权加权。

# 行业内排序
df['value_score_within_industry'] = df.groupby(['date', 'industry'])['value_score'].rank(pct=True)

# 按行业内得分分组
df['value_quintile_neutral'] = pd.qcut(df['value_score_within_industry'], 5, labels=False)

python

价值因子在A股的实证表现#

数据周期#

回测区间：2010年1月 ~ 2025年12月
股票池：沪深300成分股（剔除ST、上市<1年）
调仓频率：月度调仓
因子指标：P/B（市净率）

回测结果#

组合	年化收益率	夏普比率	最大回撤
低P/B（价值股）	12.3%	0.48	-42.5%
高P/B（成长股）	6.8%	0.25	-55.3%
多空组合	5.5%	0.35	-18.7%

关键发现：

✅ 价值股确实跑赢成长股：低P/B组合年化收益12.3% vs 高P/B组合6.8%
⚠️ 价值股回撤也很大：最大回撤-42.5%，并不”安全”
📉 价值因子有周期性：2017-2020年成长股牛市中，价值因子连续跑输

价值因子的”至暗时刻”：2017-2020#

2017年开始，A股迎来**“核心资产”牛市**，茅台、恒瑞、海天等”好公司”估值不断抬升，而银行、地产、能源等”便宜股票”持续跑输。

原因分析：

经济转型：从投资驱动转向消费驱动，新经济公司享受估值溢价
外资流入：沪深港通开通后，外资偏爱”高质量”公司，推高优质股估值
利率下行：低利率环境下，长久期资产（成长股）估值折价缩小
机构化：公募基金抱团”核心资产”，进一步拉大估值差距

这让很多价值因子投资者开始怀疑：价值因子是否失效了？

价值因子的复苏：2021-2022#

2021年春节后，“核心资产”泡沫破裂，高估值的成长股大幅回调，而低估值的价值股开始跑赢。

教训：

价值因子没有失效，只是有周期性
当成长股估值过高时，市场会自动”回归价值”
长期持有价值因子，需要忍受漫长的跑输期

价值因子的陷阱：价值陷阱（Value Trap）#

价值陷阱：看起来”便宜”，但实际上公司基本面持续恶化，股价越跌越”便宜”。

典型场景#

周期性行业顶部：钢铁、煤炭等在盈利高峰时P/E很低，但随后盈利崩塌
技术淘汰：诺基亚、柯达等，估值低是因为市场预判它们会被淘汰
财务造假：某些公司通过会计手段虚增净资产，导致P/B”看起来”很低
流动性差：小市值价值股可能长期缺乏关注，估值永远不修复

如何避免价值陷阱？#

方法1：结合质量因子（Quality Factor）

不仅要”便宜”，还要”好”。可以筛选：

ROE > 10%（盈利质量）
资产负债率 < 60%（财务安全）
营收增长率 > 0（不是衰退行业）

方法2：动量过滤

剔除下跌趋势的价值股。如果一只股票过去6个月跌了30%，即使P/B很低，也可能有”未知坏消息”。

方法3：分析师预期

如果分析师一致下调盈利预期，即使当前估值低，也可能继续下跌。

价值因子的进阶用法#

1. 价值 + 动量（Value + Momentum）#

逻辑：价值因子捕捉”均值回归”，动量因子捕捉”趋势延续”，两者负相关，组合后夏普比率更高。

实现：

# 价值得分（低P/B得分高）
df['value_score'] = -df.groupby('date')['pb'].rank(pct=True)

# 动量得分（过去6个月收益率高得分高）
df['momentum_score'] = df.groupby('date')['momentum_6m'].rank(pct=True)

# 综合得分
df['value_momentum_score'] = (df['value_score'] + df['momentum_score']) / 2

python

2. 价值因子的时机选择（Factor Timing）#

价值因子表现有周期性，可以尝试择时：

指标1：价值因子利差（Value Spread）

定义：低P/B组合 vs 高P/B组合的估值差距
当利差处于历史高位时，价值因子未来表现更好

指标2：利率周期

利率上行期 → 价值股跑赢（长久期成长股贴现率上升）
利率下行期 → 成长股跑赢

3. 价值因子的国际化分散#

A股价值因子和美股价值因子相关性不高，可以跨市场分散：

# 假设有A股和美股的价值因子收益率序列
value_cn = df_cn['value_factor_return']
value_us = df_us['value_factor_return']

# 等权组合
combined_value = (value_cn + value_us) / 2

# 相关性分析
correlation = value_cn.corr(value_us)  # 通常 < 0.3

python

实战：用Python构建价值因子组合#

这是一个完整的价值因子选股框架：

import pandas as pd
import numpy as np
import tushare as ts  # A股数据接口

# 1. 获取数据
pro = ts.pro_api('YOUR_TOKEN')
df = pro.daily(ts_code='000300.SH', start_date='20100101', end_date='20251231')

# 2. 计算估值指标
df['pe'] = df['close'] / df['eps']  # 市盈率
df['pb'] = df['close'] / df['bps']  # 市净率
df['ps'] = df['close'] / df['sps']  # 市销率

# 3. 剔除极端值
for metric in ['pe', 'pb', 'ps']:
    df = df[(df[metric] > 0) & (df[metric] < np.percentile(df[metric], 99))]

# 4. 计算综合价值得分
df['pe_score'] = df.groupby('trade_date')['pe'].rank(pct=True)
df['pb_score'] = df.groupby('trade_date')['pb'].rank(pct=True)
df['ps_score'] = df.groupby('trade_date')['ps'].rank(pct=True)

df['value_score'] = -(df['pe_score'] + df['pb_score'] + df['ps_score']) / 3

# 5. 行业内排序（行业中性化）
df['value_score_ind'] = df.groupby(['trade_date', 'industry'])['value_score'].rank(pct=True)

# 6. 选出价值股（得分最高的20%）
df['value_quintile'] = pd.qcut(df['value_score_ind'], 5, labels=False)
value_stocks = df[df['value_quintile'] == 4]  # 最高分位

# 7. 等权持有，月度调仓
portfolio_return = value_stocks.groupby('trade_date')['next_return'].mean()

# 8. 绩效评估
cum_return = (1 + portfolio_return).cumprod()
annual_return = portfolio_return.mean() * 252
sharpe_ratio = portfolio_return.mean() / portfolio_return.std() * np.sqrt(252)

print(f"年化收益率: {annual_return:.2%}")
print(f"夏普比率: {sharpe_ratio:.2f}")

python

总结#

价值因子是量化投资的基石之一，但它远非”买入低P/E股票”那么简单。

关键要点：

✅ 价值因子有理论基础（风险溢价、行为偏差、套利限制）
✅ 价值因子长期有效，但有周期性（可能连续3-5年跑输）
✅ 要避免价值陷阱，可以结合质量因子、动量过滤
✅ 单一估值指标有局限，建议多指标复合 + 行业中性化
✅ 价值因子可以和其他因子（动量、质量）组合，提升风险调整收益

在下一篇文章中，我们将深入探讨因子衰减效应——为什么有效的因子会随着时间衰减，以及如何应对。

免责声明：本文仅供学术交流，不构成投资建议。市场有风险，投资需谨慎。