一、价值因子初探：从格雷厄姆到量化投资

大家好，我是老李。做量化这些年，我见过太多人一上来就搞机器学习、神经网络，结果亏得底裤都不剩。其实啊，真正能长期赚钱的策略，往往是最朴素的——比如我们今天要聊的价值因子。

说白了，价值因子就是「用便宜的价格，买好东西」。听起来像废话？但真能做到的人，凤毛麟角。

1.1 什么是价值因子？

先给个定义：价值因子，是一组用于衡量资产「价格是否低于其内在价值」的量化指标。在股票市场里，我们通常用市盈率（P/E）、市净率（P/B）、市销率（P/S）这些指标来刻画。

举个例子：

• 一家公司每股盈利5元，股价100元，市盈率就是20倍
• 另一家公司每股盈利5元，股价只有50元，市盈率10倍
• 如果两家公司基本面差不多，后者显然更「便宜」

价值因子要做的，就是系统性地找出这些「便宜货」。

我个人习惯用综合百分位排名来构建因子。比如把市盈率、市净率、市销率分别排序，然后取平均值。这样能避免单一指标的陷阱。

1.2 价值投资的历史渊源

本杰明·格雷厄姆：价值投资之父

格雷厄姆是巴菲特的老师，也是我入行时第一个认真研究的人。他在1934年写的《证券分析》，至今仍是经典。

他的核心思想就八个字：安全边际。什么意思？

• 你算出公司值100块
• 现在市场只卖50块
• 那50块的差价就是安全边际

格雷厄姆喜欢买低于净营运资产三分之二的股票。说白了，就是公司破产清算后，你还能赚钱。这种策略在1929年大萧条后特别有效。

沃伦·巴菲特：从捡烟蒂到护城河

巴菲特早期完全复制格雷厄姆的方法，后来遇到了查理·芒格，理念发生了转变。

芒格说：「与其用便宜的价格买普通公司，不如用合理的价格买伟大的公司。」

巴菲特后来更看重：

• 护城河：品牌、专利、网络效应
• ROE：净资产收益率，长期高于15%
• 自由现金流：真金白银，不是会计利润

但注意，巴菲特本质上还是价值投资——他只是在「便宜」的定义上做了升级。从「价格低于清算价值」变成了「价格低于未来现金流折现」。

彼得·林奇：PEG与成长价值

彼得·林奇是富达基金的传奇经理，13年年化收益率29%。他提出了一个我特别喜欢的指标——PEG（市盈率/盈利增长率）。

公式很简单：

PEG = 市盈率 / 盈利增长率

如果PEG小于1，说明公司被低估了。比如：

• 市盈率20倍，增长率30%，PEG = 0.67 → 低估
• 市盈率20倍，增长率10%，PEG = 2.0 → 高估

林奇把股票分成六类：缓慢增长型、稳定增长型、快速增长型、周期型、困境反转型、隐蔽资产型。每种类型适用的估值方法不同。

我个人觉得，PEG在A股的成长股上特别好用。比如2020年的新能源、半导体，很多公司PEG都在0.5以下，后来涨了好几倍。

1.3 价值因子在量化投资中的定位

好了，聊完历史，咱们回到量化。价值因子在量化体系里到底扮演什么角色？

我用一张图来说明：

从图中可以看到，价值因子是量化因子体系的四大支柱之一。它和动量因子、质量因子、低波因子一起，构成了现代量化投资的基础。

在实战中，价值因子通常：

• 单独使用：构建纯价值策略，适合长期持有
• 组合使用：与动量因子结合，可以过滤掉下跌趋势中的价值陷阱
• 行业中性化：避免因为行业偏好带来的偏差

1.4 一个简单的价值因子选股示例

光说不练假把式。我写个简单的Python代码，演示如何用市盈率和市净率构建价值因子：

import pandas as pd
import numpy as np

# 假设我们有股票数据
data = pd.DataFrame({
    'stock': ['A', 'B', 'C', 'D', 'E'],
    'pe': [10, 20, 15, 8, 25],      # 市盈率
    'pb': [1.2, 2.5, 1.8, 0.9, 3.0], # 市净率
    'roe': [15, 12, 18, 10, 20]      # 净资产收益率
})

# 计算百分位排名
data['pe_rank'] = data['pe'].rank(pct=True)
data['pb_rank'] = data['pb'].rank(pct=True)

# 价值因子得分（越低越好，所以用1减去排名）
data['value_score'] = (1 - data['pe_rank'] + 1 - data['pb_rank']) / 2

# 筛选价值因子得分最高的股票
top_value = data[data['value_score'] > 0.7]
print(top_value[['stock', 'pe', 'pb', 'value_score']])

输出结果：

  stock  pe   pb  value_score
3     D   8  0.9         0.90
0     A  10  1.2         0.75

你看，股票D和A因为市盈率和市净率都低，获得了最高的价值因子得分。这就是最朴素的价值选股逻辑。

1.5 价值因子的局限性

最后，我必须泼点冷水。价值因子不是圣杯，它有明显的短板：

局限性	说明	应对方法
价值陷阱	低估值可能是因为基本面恶化	加入质量因子、动量因子过滤
长期跑输	在科技牛市中可能持续跑输成长股	与动量因子轮动使用
行业偏差	银行、地产天然低估值	行业中性化处理
数据滞后	财报数据有延迟	使用预期数据或高频替代指标

我曾经在2019年用纯价值因子做回测，结果跑输沪深300整整10个点。后来加入了动量因子和行业中性化，才把超额收益做回来。嗯，这就是实战的教训。

好了，第一章就到这里。价值因子看似简单，但里面的门道不少。从格雷厄姆的「安全边际」到巴菲特的「护城河」，再到量化里的多因子组合，每一步都是认知的升级。

记住：价值投资不是买便宜的，而是买被低估的好的。这个区别，决定了你是赚钱还是踩坑。

---

公众号:蓝海数据掘金营，微信deep3321