价值因子策略：挖掘被低估的股票阿尔法 • halo 的技术博客

价值因子的理论基础#

价值投资理念源于本杰明·格雷厄姆和多德在1934年提出的《证券分析》。其核心逻辑是：市场价格经常会偏离内在价值，投资者可以通过买入”便宜”股票、卖出”昂贵”股票获得超额收益。

在量化投资中，价值因子通过财务指标将股票按”便宜程度”排序，构建多空组合捕获定价偏差。

经典价值指标#

市净率（P/B Ratio） $\text{P/B} = \frac{\text{市值}}{\text{账面价值}}$

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

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

价值因子指标体系

价值溢价的实证证据#

全球市场表现#

Fama-French三因子模型的实证研究显示，1927-2020年美国市场价值因子（HML）年化超额收益约4-5%。

关键发现：

价值溢价在全球主要市场均存在
小盘股价值溢价更显著
经济扩张期价值表现通常优于成长

中国A股市场特征#

A股价值因子表现呈现独特性：

周期性波动：价值溢价与宏观经济周期高度相关
风格轮动：2017-2020成长风格占优，2021年后价值回归
壳价值干扰：小市值股票受壳价值影响，纯价值因子失效

价值因子的风险归因#

风险补偿理论#

价值溢价是对特定风险的补偿：

财务困境风险

价值股通常财务杠杆较高
盈利波动性更大
破产风险更高

商业周期风险

价值股多集中于周期性行业（金融、能源、工业）
经济衰退期表现较差
对利率变化敏感

价值因子风险归因

行为金融解释#

过度反应假说 投资者对坏消息过度反应，导致价值股被过度抛售。

有限套利

卖空限制阻碍价格发现
机构投资者的约束（如不能持有垃圾股）
流动性不足导致定价偏差持续

价值因子策略构建#

指标选择与组合#

单一指标 vs 综合指标

使用组合指标可以降低噪音、提高稳健性：

# 综合价值得分计算
def calculate_value_score(df):
    metrics = ['pb_ratio', 'pe_ratio', 'ps_ratio', 'ev_ebitda']
    
    # 每个指标横截面排序，值越小得分越高
    scores = pd.DataFrame()
    for metric in metrics:
        scores[metric] = df.groupby('date')[metric].rank(pct=True)
    
    # 等权平均
    df['value_score'] = scores.mean(axis=1)
    return df

python

行业中性化处理#

价值指标存在显著行业差异，必须进行中性化：

# 行业中性化价值得分
def industry_neutral_value(df):
    df['value_score_norm'] = np.nan
    
    for date in df['date'].unique():
        date_mask = df['date'] == date
        for industry in df.loc[date_mask, 'industry'].unique():
            ind_mask = date_mask & (df['industry'] == industry)
            values = df.loc[ind_mask, 'value_score']
            df.loc[ind_mask, 'value_score_norm'] = (values - values.mean()) / values.std()
    
    return df

python

价值陷阱的识别与规避#

价值陷阱的特征#

基本面恶化

盈利能力持续下降
市场份额流失
行业结构性衰退

财务造假风险

账面资产虚高
现金流与利润背离
审计意见异常

价值陷阱识别框架

质量因子结合#

将质量因子与价值因子结合可以显著提高策略表现：

质量标准：

ROE稳定性（近3年标准差）
资产负债率合理性
现金流质量（经营现金流/净利润）
盈利成长性

# 质量-价值综合得分
df['composite_score'] = 0.5 * df['value_score_norm'] + 0.5 * df['quality_score_norm']

python

动态价值策略#

宏观周期调整#

价值因子表现与宏观经济周期密切相关：

美林时钟应用

经济复苏期：配置金融、周期价值股
经济过热期：能源、原材料价值股占优
滞胀期：价值股防御性凸显
衰退期：价值溢价收窄，降低仓位

估值分位数动态调整#

根据市场整体估值水平动态调整价值因子暴露：

# 市场估值分位数计算
def market_val_percentile(df, window=252*5):
    market_pb = df.groupby('date')['pb_ratio'].median()
    percentile = market_pb.rolling(window).apply(lambda x: pd.Series(x).rank(pct=True).iloc[-1])
    return percentile

python

实证分析：A股价值因子回测#

数据与研究设计#

样本区间：2010年1月 - 2025年12月
股票池：沪深300成分股
调仓频率：月度
交易成本：双边0.3%

回测结果#

基准策略（纯价值因子）

年化收益：9.8%
年化波动：22.3%
夏普比率：0.44
最大回撤：-42.5%

质量-价值组合策略

年化收益：13.2%
年化波动：19.8%
夏普比率：0.67
最大回撤：-31.2%

行业中性化后

年化收益：11.5%
年化波动：18.4%
夏普比率：0.63
最大回撤：-28.7%

A股价值因子回测净值

价值因子的衰落与复苏#

因子衰减现象#

2010年代后期，全球价值因子表现持续低迷：

2017-2020年美国价值因子连续4年负收益
A股价值因子在2019-2020年跑输成长因子超过30%
低利率环境削弱价值股吸引力

复苏的曙光#

2021年以来价值因子迎来复苏：

通胀预期上升利好价值股
利率上行改善金融股盈利
能源、原材料价格修复

启示：因子策略需要耐心，短期失效不代表长期无效。

风险控制与执行#

常见风险#

集中风险

价值股常集中于少数行业
需要使用行业中性化或限制单行业权重

流动性风险

极端价值股可能流动性差
设置最小市值和换手率过滤

模型风险

财务指标滞后性
会计准则差异导致不可比

交易执行优化#

分阶段建仓

# 分批建仓降低冲击成本
def gradual_position_building(target_weight, current_weight, n_days=5):
    daily_add = (target_weight - current_weight) / n_days
    return daily_add

python

智能订单路由

大单拆分使用VWAP/TWAP算法
盘口冲击实时监控
日内流动性模式识别

总结与展望#

价值因子作为最经典的量化因子之一，历经百年验证依然有效。但在实际应用中需要注意：

避免价值陷阱：结合质量因子筛选真正被低估的优质公司
行业中性化：消除行业偏差，捕获纯净因子溢价
动态调整：根据宏观周期和估值水平灵活调整暴露
耐心持有：价值实现需要时间，避免频繁调仓

未来研究方向：

非财务指标在价值评估中的应用（ESG、专利等）
机器学习方法改进价值指标加权
价值因子与ESG整合策略

价值投资不是简单的”低市盈率买入”，而是对基本面深入研究和估值逻辑的量化实现。在有效市场假说部分成立的现实中，价值因子依然为耐心且纪律严明的投资者提供超额收益机会。