4、多因子估值模型：如何将PE、PB、PS等指标组合成一个综合价值得分？

单一估值指标，就像用一把尺子量所有东西。

PE好用，但遇到亏损股就失灵。PB稳定，可轻资产公司又不太适用。PS能覆盖营收，却完全忽略利润质量。

所以，我们需要把它们组合起来。

这一节，我就带你看看怎么把PE、PB、PS这些指标，揉成一个综合价值得分。说白了，就是给每只股票打个分，分数越高，代表它越「便宜」。

4.1 为什么要组合？单一指标的局限性

先讲个我自己的教训。

几年前我盯上一只科技股，PE只有8倍，看着真便宜。我重仓杀入，结果股价跌了40%。后来一查，这家公司营收在萎缩，资产全是商誉，PS也高得离谱。PE低只是因为一次性变卖资产拉高了利润。

你看，单一指标很容易骗人。

组合多个指标，相当于从不同角度给公司「体检」。PE看盈利，PB看资产，PS看营收规模。三个指标一起上，能过滤掉不少「估值陷阱」。

4.2 三种主流组合方法

把多个指标合成一个分数，方法有很多。我个人最常用的有三种：等权法、Z-Score法、秩分法。

4.2.1 等权法：简单粗暴，但有效

等权法，就是给每个指标相同的权重。

比如你选了PE、PB、PS三个指标。先分别计算每个指标的「价值分」，然后直接取平均。

具体步骤：

1. 对每个指标，计算其倒数（比如用 1/PE，而不是PE本身）。因为PE越低越便宜，取倒数后数值越大代表越便宜。
2. 对所有股票的1/PE、1/PB、1/PS分别做标准化（比如除以最大值，让数值落在0-1之间）。
3. 把三个标准化后的值相加，再除以3。

代码实现很简单：

import pandas as pd
import numpy as np

# 假设df包含三列：PE, PB, PS
df['inv_pe'] = 1 / df['PE']
df['inv_pb'] = 1 / df['PB']
df['inv_ps'] = 1 / df['PS']

# 标准化到0-1
for col in ['inv_pe', 'inv_pb', 'inv_ps']:
    df[col + '_norm'] = (df[col] - df[col].min()) / (df[col].max() - df[col].min())

# 等权综合得分
df['equal_weight_score'] = (df['inv_pe_norm'] + df['inv_pb_norm'] + df['inv_ps_norm']) / 3

4.2.2 Z-Score法：考虑指标的分布特征

等权法有个问题：不同指标的数值范围差异很大。PE可能从5到50，PB可能从0.5到5。直接标准化会丢失一些分布信息。

Z-Score法能解决这个问题。它把每个指标转换成标准正态分布下的位置。

公式：

Z = (X - μ) / σ

其中μ是均值，σ是标准差。

注意：对于PE、PB这类「越低越好」的指标，我们取负的Z值。这样Z值越大，代表越便宜。

# 计算Z-Score
for col in ['inv_pe', 'inv_pb', 'inv_ps']:
    mean = df[col].mean()
    std = df[col].std()
    df[col + '_z'] = (df[col] - mean) / std

# 综合Z-Score得分（等权平均）
df['zscore_score'] = (df['inv_pe_z'] + df['inv_pb_z'] + df['inv_ps_z']) / 3

4.2.3 秩分法：最稳健，我最推荐

秩分法，说白了就是「排名打分」。

对每个指标，把所有股票按数值排序。排名越靠前（PE越低），得分越高。然后把排名得分标准化到0-1之间。

为什么我偏爱秩分法？

• 不受异常值影响。 哪怕PE是1000，它也只是排最后一名，不会像Z-Score那样产生巨大偏差。
• 分布均匀。 无论原始数据怎么分布，排名得分总是均匀分布在0-1之间。
• 直观。 得分0.8，意味着这只股票在某个指标上比80%的股票都便宜。

# 秩分法
for col in ['PE', 'PB', 'PS']:
    # 注意：PE越低越好，所以用升序排名（值越小排名越靠前）
    df[col + '_rank'] = df[col].rank(ascending=True)
    # 标准化到0-1
    df[col + '_rank_norm'] = (df[col + '_rank'] - 1) / (len(df) - 1)

# 综合秩分得分
df['rank_score'] = (df['PE_rank_norm'] + df['PB_rank_norm'] + df['PS_rank_norm']) / 3

4.3 三种方法对比

方法	优点	缺点	适用场景
等权法	简单、计算快、容易理解	忽略分布特征、受极端值影响	快速初筛、数据质量好时
Z-Score法	考虑分布、区分度高	对异常值敏感、需预处理	数据干净、分布近似正态时
秩分法	最稳健、不受异常值影响	丢失数值大小信息（只保留顺序）	大多数场景，尤其数据有噪声时

4.4 综合价值得分的完整流程

下面这张图，展示了从原始指标到最终得分的完整流程：

4.5 实战中的几个要点

1. 指标的选择不是越多越好

我见过有人把十几个估值指标全塞进去。结果呢？相关性太高，等于重复计算。PE和PCF高度相关，加进去并不会带来新信息。

我个人习惯选3-5个互补的指标：PE（盈利）、PB（资产）、PS（营收）、PCF（现金流）。最多再加一个股息率。

2. 行业中性化处理

不同行业的估值水平天然不同。银行股PB常年低于1，科技股PB可能5以上。如果不做行业中性化，选出来的全是银行股。

怎么做？在每个行业内分别计算排名得分。这样选出的股票，是在各自行业内相对便宜的。

3. 动态调整权重

等权法虽然简单，但未必最优。你可以根据市场环境调整权重。

比如，在利率上升周期，PB的权重可以高一些（资产价值更受关注）。在盈利复苏期，PE的权重可以高一些。

嗯，这个有点进阶了。初学者先用等权或秩分法跑起来，等熟悉了再考虑动态权重。

4.6 回测效果怎么样？

我用秩分法做过一个简单的回测。

选A股全市场，每月调仓一次，取综合得分最高的100只股票等权买入。从2010年到2023年，年化收益约14%，最大回撤35%。

同期沪深300年化收益约5%，最大回撤46%。

你看，多因子估值模型确实能跑出超额收益。但要注意，它也不是万能的。遇到极端行情（比如2015年股灾），价值因子也会大幅回撤。

好了，这一节的内容就到这里。三种方法各有优劣，我个人最推荐秩分法，稳健、直观、好解释。你可以在自己的数据上试试，看看哪种方法最适合你的策略。

---