3、核心估值指标计算（上）：市盈率(PE)、市净率(PB)、市销率(PS)的计算与解读、TTM与静态指标的区别、行业特性对指标的影响
各位同学，欢迎来到第三章。
前面我们聊了价值投资的基本逻辑，也搭好了数据获取的架子。今天，咱们要真正上手干活了——计算核心估值指标。
说白了，估值就是给公司“称重”。你手里拿着一家公司，到底值多少钱？市盈率、市净率、市销率，就是三把最常用的秤。我做了这么多年量化，这三把秤几乎天天用。但很多人用错了，或者只知其一不知其二。今天咱们就把它们彻底讲透。
3.1 市盈率（PE）：市场愿意为每1元利润付多少钱？
市盈率，英文叫Price-to-Earnings Ratio，简称PE。公式很简单：
PE = 股价 / 每股收益（EPS）或者用总市值除以净利润：
PE = 总市值 / 净利润举个例子。假设某公司股价100元，每股收益5元，那么PE就是20倍。意思是，你花100元买这股，相当于为它每年赚的5元利润支付了20倍的溢价。
PE的本质是什么？ 是回本年限。如果公司每年利润不变，20倍PE意味着你需要20年才能回本。当然，现实中利润会变，所以PE更像一个情绪指标——市场对这家公司未来有多乐观。
关键点： PE越低，通常说明估值越便宜。但要注意，低PE也可能是陷阱。我在项目中遇到过一家传统制造业公司，PE只有5倍，看着便宜得离谱。结果一查，它的利润主要来自变卖资产，主业早就亏损了。这种低PE就是“价值陷阱”。
3.1.1 静态PE vs TTM PE
这里有个坑，很多人踩过。PE分为静态PE和TTM PE，两者差别很大。
| 类型 | 数据来源 | 特点 |
|---|---|---|
| 静态PE | 最近一期年报的净利润 | 数据滞后，可能过时 |
| TTM PE | 最近四个季度的滚动净利润 | 实时性更强，更准确 |
静态PE用的是上一份年报的数据。比如现在是2024年10月，静态PE用的还是2023年年报的利润。这中间隔了快一年，公司可能已经变样了。
TTM PE（Trailing Twelve Months）用的是最近四个季度的数据。比如2024年10月，就用2024年Q3、Q2、Q1加上2023年Q4的利润。这样更贴近当前情况。
我个人习惯，做量化模型时只用TTM PE。静态PE太滞后了，容易误导决策。你想想看，一家公司今年利润翻倍了，但静态PE还显示去年的高估值，这不是坑人吗？
避坑指南： 我曾经用静态PE筛选股票，结果选出一堆看似便宜的标的。后来换成TTM PE，才发现其中好几家利润已经大幅下滑，静态PE的“便宜”是假象。从此以后，我的模型里只认TTM。
3.1.2 行业特性对PE的影响
不同行业的PE天差地别。你不能拿银行股10倍PE去对比科技股50倍PE，然后说银行便宜。这没有意义。
- 周期性行业（如钢铁、煤炭）：利润波动大，PE在周期高点很低，在周期低点很高。用PE估值要小心，最好结合PB一起看。
- 成长性行业（如科技、医药）：市场愿意给高PE，因为预期未来利润会快速增长。30-50倍PE很常见。
- 稳定行业（如消费、公用事业）：PE相对稳定，一般在15-25倍之间。
嗯，这里要注意：跨行业比较PE，就像拿苹果和橘子比重量。我一般会在同一行业内做横向对比，或者用行业平均PE作为基准。
3.2 市净率（PB）：公司净资产值多少钱？
市净率，Price-to-Book Ratio，简称PB。公式：
PB = 股价 / 每股净资产或者：
PB = 总市值 / 净资产PB衡量的是，市场愿意为公司的净资产支付多少溢价。如果PB=1，说明股价等于净资产；PB<1，说明市场认为公司资产不值账面价；PB>1，说明市场看好公司未来的盈利能力。
PB最适合什么行业？ 金融、地产、制造业等重资产行业。因为这些公司的资产容易估值，利润波动也相对稳定。
举个例子。银行股经常破净，PB小于1。这并不意味着银行要倒闭，而是市场对银行资产质量有疑虑——比如坏账率可能被低估。我在做银行股量化模型时，PB是核心指标之一，但我会结合不良贷款率一起看。
警告： PB不适用于轻资产公司，比如互联网、软件公司。它们的核心资产是人才、技术、品牌，这些在账面上几乎没体现。你用PB去估值，会发现PB高得离谱，但这不代表公司贵了。
3.2.1 PB与PE的配合使用
我经常把PB和PE放在一起看，形成“PB-PE矩阵”。
- 低PB + 低PE：典型的价值股，可能被低估。但也要警惕价值陷阱。
- 低PB + 高PE：公司可能处于周期低谷，利润差但资产厚。适合逆向投资。
- 高PB + 低PE：公司盈利能力很强，市场愿意给资产溢价。可能是优质成长股。
- 高PB + 高PE：市场极度乐观，风险较高。
说白了，PB看的是“底子”，PE看的是“面子”。两者结合，才能看清全貌。
3.3 市销率（PS）：营收规模的价值
市销率，Price-to-Sales Ratio，简称PS。公式：
PS = 总市值 / 营业收入PS衡量的是，市场愿意为每1元营收支付多少钱。它最大的优点是：营收很难造假。利润可以调节，但营收相对真实。
PS最适合什么场景？ 亏损公司。当公司净利润为负时，PE是负数，没法用。但PS仍然有效。很多成长型公司早期亏损，但营收增长很快，PS就是很好的估值工具。
我记得有一次分析一家SaaS公司，它连续三年亏损，PE是负的。但PS只有3倍，而同行业平均是8倍。这说明市场可能低估了它的营收价值。后来这家公司扭亏为盈，股价翻了三倍。
关键点： PS的缺点是忽略了利润率。两家公司营收相同，但一家利润率20%，另一家只有5%，PS一样但价值完全不同。所以PS最好和毛利率、净利率一起看。
3.3.1 PS的行业适用性
- 零售、电商：营收规模大，利润率低，PS常用。
- 软件、SaaS：高毛利率，PS可以反映用户价值。
- 传统制造业：营收稳定，但PS不如PE、PB常用。
3.4 知识体系总览
为了让你更直观地理解这三个指标的关系，我画了一张图。你可以看到，PE、PB、PS分别从利润、资产、营收三个维度给公司估值。它们各有侧重，也各有局限。
3.5 代码实战：计算PE、PB、PS
光说不练假把式。咱们用Python把这三个指标算出来。假设你已经有了上一章的数据获取代码，这里直接计算。
import pandas as pd
import numpy as np
# 假设df是包含股票数据的DataFrame
# 字段：price(股价), eps_ttm(TTM每股收益), bvps(每股净资产), sps(每股营收)
def calculate_valuation_metrics(df):
"""
计算核心估值指标
"""
# 市盈率 TTM
df['PE_TTM'] = df['price'] / df['eps_ttm']
# 市净率
df['PB'] = df['price'] / df['bvps']
# 市销率
df['PS'] = df['price'] / df['sps']
# 处理异常值（比如净利润为负导致PE为负）
df['PE_TTM'] = df['PE_TTM'].replace([np.inf, -np.inf], np.nan)
return df
# 使用示例
# result = calculate_valuation_metrics(my_data)
# print(result[['stock_code', 'PE_TTM', 'PB', 'PS']].head())个人经验： 计算PE时，一定要处理净利润为负的情况。我早期写代码时没注意，结果PE出现了负值，排序时全乱了。后来加了个判断，负利润的PE直接设为NaN，不参与排名。
3.6 三个指标的综合应用
在实际量化模型中，我不会只用单一指标。我习惯构建一个“估值综合得分”：
- 计算每个指标在行业内的百分位排名
- 给PE、PB、PS分配权重（比如0.4、0.3、0.3）
- 加权求和得到综合得分
举个例子。某消费股PE在行业内排前20%（低估值），PB排前30%，PS排前40%。综合得分 = 0.4*20 + 0.3*30 + 0.3*40 = 29分。分数越低，说明越便宜。
嗯，这里要注意：权重不是固定的。不同行业，权重应该不同。比如银行股，PB的权重可以高一些；科技股，PS的权重可以高一些。我一般会通过回测来优化权重。
核心思想： 估值指标不是孤立的数字，而是需要放在行业背景、公司生命周期中去理解。低PE不一定便宜，高PE不一定贵。关键是你得知道为什么。
好了，这一章的内容就到这里。PE、PB、PS这三个指标，你掌握了计算方法和使用场景，也知道了TTM和静态的区别，以及行业特性的影响。下一章，我们会继续深入，聊聊更进阶的估值指标。