4、相对估值法：PE、PB、PS、PCF、EV/EBITDA等指标详解、行业特性与指标选择、相对估值矩阵构建
相对估值法，说白了就是「货比三家」。你买房子要看同小区成交价，买股票也一样。我个人习惯，拿到一只股票，第一件事不是看K线，而是先拉出它的估值指标，跟同行比比看。
但这里有个坑——指标不能乱用。不同行业，适用的估值指标完全不同。我见过太多新手拿PE去估银行股，又拿PE去估亚马逊，结果一头雾水。嗯，今天我们就把这些指标掰开揉碎讲清楚。
4.1 五大核心估值指标详解
先列个表，把最常用的五个指标说清楚。我建议你把这页截图存下来，实战中随时翻看。
| 指标 | 公式 | 核心含义 | 适用场景 |
|---|---|---|---|
| PE（市盈率） | 股价 ÷ 每股收益 | 为每1元利润愿意支付的价格 | 盈利稳定、成熟行业 |
| PB（市净率） | 股价 ÷ 每股净资产 | 为每1元净资产愿意支付的价格 | 重资产、金融、周期行业 |
| PS（市销率） | 股价 ÷ 每股营收 | 为每1元营收愿意支付的价格 | 高成长、亏损期、互联网 |
| PCF（市现率） | 股价 ÷ 每股经营现金流 | 为每1元现金流愿意支付的价格 | 现金流敏感、高杠杆行业 |
| EV/EBITDA | 企业价值 ÷ 息税折旧前利润 | 收购整个公司需要多少年回本 | 跨行业比较、资本结构差异大 |
4.1.1 PE（市盈率）—— 最常用，也最容易被误用
PE是入门指标，但很多人用错了。我举个例子：一家公司PE=20，意思是「如果利润不变，20年回本」。但利润怎么可能不变？
这里有个关键点：PE要跟增长率一起看。我个人习惯用PEG（PE ÷ 增长率），PEG小于1才算便宜。我在项目中遇到过一家科技公司，PE高达50，但增长率每年80%，PEG才0.6，其实很便宜。
4.1.2 PB（市净率）—— 银行的命根子
PB看的是「清算价值」。如果公司破产清算，每股能分到多少钱。银行、保险、券商这类金融股，资产就是钱，PB最合适。
但要注意：PB低不等于便宜。你想想看，一家钢铁厂PB=0.5，但它的设备可能已经落后了，净资产里有大量坏账。我建议用「调整后PB」，把商誉、应收账款这些虚的资产剔除掉。
4.1.3 PS（市销率）—— 亏损公司的救命稻草
很多互联网公司、生物医药公司，连年亏损，PE是负的，没法看。这时候PS就派上用场了。营收是利润的先行指标，只要营收在增长，亏损只是暂时的。
我记得2018年看拼多多，PE是负的，但PS只有3倍，而亚马逊当时PS是4倍。对比下来，拼多多其实不算贵。后来果然涨了。
4.1.4 PCF（市现率）—— 现金流为王
利润可以造假，现金流很难。我见过不少公司，利润表很好看，但经营性现金流一直是负的——说白了，赚的都是应收账款，没真金白银进账。
PCF就是用来戳破这个泡沫的。我个人习惯，PCF低于10倍才算安全。如果一家公司PE很低但PCF很高，我会怀疑它的利润质量。
4.1.5 EV/EBITDA —— 跨行业比较的利器
这个指标是机构投资者的最爱。为什么？因为它剔除了资本结构、折旧政策、税率的影响。你想想看，两家公司，一家负债高，一家负债低，PE没法直接比，但EV/EBITDA可以。
EV = 市值 + 净负债，相当于「买下整个公司要花多少钱」。EBITDA是「公司经营赚到的钱」。这个比值告诉你：收购这家公司，多少年能回本。
4.2 行业特性与指标选择
不同行业，就像不同体质的人，不能吃同一种药。下面这张表是我多年实战总结的，你直接拿去用。
| 行业类型 | 首选指标 | 辅助指标 | 为什么这么选 |
|---|---|---|---|
| 银行/保险 | PB | PE、股息率 | 资产就是钱，利润波动大 |
| 消费/医药 | PE | PEG、PCF | 盈利稳定，增长可预测 |
| 互联网/科技 | PS | EV/EBITDA | 早期亏损，营收先行 |
| 周期/资源 | PB | EV/EBITDA | 利润波动大，看资产价值 |
| 房地产 | NAV折价 | PB、PCF | 资产重，现金流敏感 |
| 公用事业 | EV/EBITDA | 股息率 | 资本密集，负债高 |
嗯，这里要注意：没有万能指标。我见过有人用PS去估银行，结果银行营收很大但利润很薄，PS看起来很低，实际上贵得要命。选错指标，等于用尺子量体重，毫无意义。
4.3 相对估值矩阵构建
单看一个指标，容易一叶障目。我的做法是构建一个相对估值矩阵，把多个指标综合起来看。说白了，就是给每个指标打分，然后加权汇总。
下面是我常用的矩阵模板：
# 相对估值矩阵构建示例（Python伪代码）
def build_valuation_matrix(stock_list, industry_peers):
"""
构建相对估值矩阵
stock_list: 待评估股票列表
industry_peers: 行业可比公司
"""
# 1. 计算每个指标的行业均值
industry_avg = {
'PE': 15.2,
'PB': 2.1,
'PS': 1.8,
'PCF': 10.5,
'EV/EBITDA': 8.3
}
# 2. 对每个股票计算偏离度
scores = {}
for stock in stock_list:
pe_deviation = (stock.pe - industry_avg['PE']) / industry_avg['PE']
pb_deviation = (stock.pb - industry_avg['PB']) / industry_avg['PB']
# ... 其他指标同理
# 3. 加权汇总（权重根据行业特性调整）
total_score = (
pe_deviation * 0.3 + # PE权重30%
pb_deviation * 0.2 + # PB权重20%
ps_deviation * 0.2 + # PS权重20%
pcf_deviation * 0.15 + # PCF权重15%
ev_ebitda_deviation * 0.15 # EV/EBITDA权重15%
)
scores[stock.name] = total_score
# 4. 排序，得分越低越便宜
return sorted(scores.items(), key=lambda x: x[1])
这个矩阵的核心逻辑是：偏离度越小，估值越合理；负偏离越大，越被低估。我个人习惯把偏离度低于-20%的股票列入「重点关注池」。
下面这张图展示了相对估值矩阵的完整流程：
构建矩阵时，有几点经验分享：
- 样本量要够：至少选10-15家可比公司，太少没有统计意义。我一般选行业市值前30的公司。
- 剔除极端值：PE为负、PB为负的公司先剔除，否则会拉偏均值。我习惯用中位数而不是平均数，更稳健。
- 动态调整权重：每个季度重新审视一次权重。比如利率上升期，PCF和EV/EBITDA的权重应该提高。
- 结合绝对估值：相对估值告诉你「比别人便宜」，但绝对估值告诉你「到底值不值」。我建议先用相对估值筛选，再用DCF或DDM做最终定价。
最后说一句：相对估值矩阵不是圣杯。它只是一个筛选工具，帮你快速定位可能的低估标的。真正做决策时，还要结合基本面、技术面、市场情绪。但如果你连矩阵都不做，纯粹凭感觉买股票，那跟赌博没什么区别。
公众号:蓝海资料掘金营，微信deep3321