第4章估值因子（下）

4. 估值因子（下）：市销率(PS)、企业价值倍数(EV/EBITDA)、综合估值因子构建、回测框架搭建

各位好，我们接着聊估值因子。上一节我们把市盈率和市净率扒了个底朝天，这一节咱们把剩下的几个硬骨头啃下来。说实话，在实盘里，光看PE和PB是远远不够的，尤其是碰到那些亏损企业或者重资产公司，这两个指标基本就失灵了。这时候，PS和EV/EBITDA就派上用场了。

4.1 市销率（PS）：营收为王

市销率，全称Price-to-Sales，公式很简单：PS = 总市值 / 营业收入。或者用每股价格除以每股营收也行。

为什么要有PS？我举个例子。你想想看，一家初创的互联网公司，年年亏损，PE是负的，根本没法看。但它的营收可能在翻倍增长。这时候PS就能帮你给它估值。说白了，PS看的是你的“地盘”有多大，而不是你赚了多少钱。

  核心逻辑：PS越低，说明市场对每一块钱的营收给的定价越低，股票可能被低估。

我个人习惯把PS用在以下几个场景：

周期性行业：比如钢铁、化工，利润波动大，但营收相对稳定。
亏损企业：PE失效时，PS是救命稻草。
高增长行业：比如早期的电商、SaaS公司。

但这里有个坑，我必须提醒你。PS有个致命弱点——它完全不考虑成本。一家公司营收100亿，成本99亿，净利1亿；另一家营收100亿，成本50亿，净利50亿。两家PS一样，但盈利能力天差地别。所以，PS必须结合毛利率或净利率一起看。

避坑指南：我曾经在分析一家零售企业时，只看PS觉得便宜，结果没注意到它的毛利率只有5%，稍微有点风吹草动就亏损。从那以后，我每次用PS都会先扫一眼利润率。

4.2 企业价值倍数（EV/EBITDA）：真正的“全貌”估值

接下来这个因子，我个人认为是估值因子里的“王者”——EV/EBITDA。为什么这么说？因为它考虑了公司的资本结构。

先看公式：

EV（企业价值）= 总市值 + 总负债 - 现金及现金等价物
EBITDA = 息税前利润 + 折旧 + 摊销

你想想看，PE只看了股权部分，但一家公司还有大量债务啊。比如两家公司市值都是100亿，但A公司负债50亿，B公司负债10亿，你觉得谁更贵？显然是A公司。EV/EBITDA就把这个差异体现出来了。

EBITDA这个指标，说白了就是“经营活动产生的现金流”的近似值。它剔除了折旧摊销这些非现金支出，也剔除了利息和税的影响。这样不同资本结构、不同税率、不同折旧政策的公司，就可以放在一起比较了。

我的经验：在跨行业选股时，我优先用EV/EBITDA而不是PE。比如拿一家重资产的制造业和一家轻资产的软件公司比PE，基本是鸡同鸭讲。但用EV/EBITDA，至少能站在同一个起跑线上。

使用EV/EBITDA时，有几个要点：

行业中性化：不同行业的EV/EBITDA中枢差异很大，必须做行业调整。
注意非经常性损益：EBITDA要剔除一次性收益或损失。
结合负债率：EV/EBITDA低不一定好，如果公司负债率过高，风险也大。

4.3 综合估值因子构建

好了，单因子讲完了。但实战中，我从来不会只用一个估值指标。为什么？因为每个因子都有盲区。PE忽略了负债，PS忽略了成本，PB忽略了无形资产。所以，我们要做的是——综合估值因子。

我的做法是这样的：

因子标准化：把PE、PB、PS、EV/EBITDA分别做Z-score标准化，让它们都在同一个量级上。
方向统一：确保所有因子都是“越小越好”的方向。比如PE是越小越便宜，那就直接用。如果某个因子是“越大越好”，就取负号。
等权或加权合成：最简单的做法是等权相加。我个人习惯给EV/EBITDA和PE各30%权重，PB和PS各20%。
行业中性化：在每个行业内，对综合得分再做一次标准化，消除行业偏好。

下面是一个简单的Python实现框架：

import pandas as pd
import numpy as np

def build_composite_valuation_factor(df):
    """
    df: 包含PE, PB, PS, EV_EBITDA列的DataFrame
    返回综合估值因子得分
    """
    # 1. 定义因子列表
    factors = ['PE', 'PB', 'PS', 'EV_EBITDA']
    
    # 2. 标准化（Z-score）
    for f in factors:
        mean = df[f].mean()
        std = df[f].std()
        df[f + '_z'] = (df[f] - mean) / std
    
    # 3. 合成（等权）
    df['composite_score'] = (df['PE_z'] + df['PB_z'] + 
                             df['PS_z'] + df['EV_EBITDA_z']) / 4
    
    # 4. 行业中性化（假设有industry列）
    df['composite_score_neutral'] = df.groupby('industry')['composite_score'].transform(
        lambda x: (x - x.mean()) / x.std()
    )
    
    return df

  注意：标准化前一定要处理极端值。我一般用MAD（中位数绝对偏差）或者直接截断到3个标准差以内。否则一个异常值就能把整个因子搞崩。

4.4 回测框架搭建

因子构建好了，怎么知道它有没有用？回测。下面我给大家搭一个最精简的回测框架。嗯，这里要注意，回测不是跑个代码就完事了，里面的坑多着呢。

先看核心逻辑：

class ValuationBacktest:
    def __init__(self, data, factor_col, rebalance_freq='M'):
        self.data = data  # 包含日期、股票代码、因子值、收益率
        self.factor_col = factor_col
        self.rebalance_freq = rebalance_freq
        
    def run(self):
        # 1. 分组
        self.data['group'] = self.data.groupby('date')[self.factor_col].transform(
            lambda x: pd.qcut(x, 5, labels=False)
        )
        
        # 2. 计算每组收益
        results = self.data.groupby(['date', 'group'])['return'].mean().reset_index()
        
        # 3. 多空组合收益（组5 - 组1）
        long_short = results.pivot(index='date', columns='group', values='return')
        long_short['long_short'] = long_short[4] - long_short[0]
        
        return long_short['long_short']

这个框架虽然简单，但已经包含了回测的核心要素：

定期调仓：每月或每季度重新计算因子值，调整持仓。
分组测试：把股票按因子值分成5组或10组，看多空收益。
收益计算：等权或市值加权计算每组收益。

避坑指南：我曾经犯过一个低级错误——用未来数据。在计算因子值时，用了当月的财务数据，但财务数据发布是有滞后的。正确的做法是：用t-1期的财务数据预测t期的收益。否则回测曲线漂亮得不像话，实盘一塌糊涂。

最后，给大家展示一下综合估值因子的知识体系：

好了，这一节的内容就到这里。综合估值因子不是万能药，但它能帮你避开很多单一因子的大坑。下一节我们会聊到成长因子，到时候再给大家分享一些有意思的东西。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4. 估值因子（下）：市销率(PS)、企业价值倍数(EV/EBITDA)、综合估值因子构建、回测框架搭建

4.1 市销率（PS）：营收为王

4.2 企业价值倍数（EV/EBITDA）：真正的“全貌”估值

4.3 综合估值因子构建

4.4 回测框架搭建