第3章核心因子解析

3、核心因子解析：市净率(PB)因子的计算逻辑、选股逻辑与实战陷阱

3.1 PB因子到底是什么？

市净率，英文叫Price-to-Book Ratio，简称PB。说白了，就是拿公司的市值跟它的净资产比一比。

公式很简单：

PB = 股价 / 每股净资产

或者换个写法：

PB = 总市值 / 净资产

净资产是什么？就是公司总资产减去总负债。你想想看，如果一家公司明天就破产清算，把所有资产卖掉还完债，剩下的钱就是净资产。所以PB衡量的是：你愿意花多少钱，去买这1块钱的净资产。

我个人习惯把PB理解成「溢价倍数」。PB=1，说明市场对这家公司的定价刚好等于它的净资产。PB=2，说明市场愿意花2块钱买它1块钱的家底。PB<1，那就是折价——市场觉得它的资产不值那个数。

核心要点：PB因子是价值投资中最经典的指标之一。格雷厄姆当年就是靠低PB策略赚了大钱。它的逻辑很朴素——买得便宜，风险就小。

3.2 PB因子的计算细节

嗯，这里要注意。PB的计算看起来简单，但实际做量化的时候，坑不少。

第一，净资产用什么口径？

财报上的净资产是「账面净资产」，用的是历史成本法。比如10年前买的厂房，现在可能已经翻了好几倍，但账上还是按买入价减去折旧算的。这就导致一个问题——账面净资产可能严重偏离真实价值。

我在项目中遇到过一家地产公司，它的土地储备是十几年前拿的，账面价值极低。但实际上那些地皮已经涨了5倍。用账面净资产算出来的PB高达3倍，看起来不便宜。可如果用重估后的净资产算，PB可能只有0.6倍。这就是典型的「假高PB」陷阱。

第二，负净资产怎么处理？

有些公司连年亏损，净资产变成负数。这时候PB就是负的。负PB怎么选股？没法选。我一般直接剔除这类股票，或者用百分位排名来处理。

第三，行业差异要命。

银行的PB常年低于1，科技股的PB动不动就5倍以上。你拿银行的PB跟科技股比，那完全没意义。所以做因子测试时，一定要做行业中性化处理。

来看一段Python代码，展示PB因子的计算和行业中性化：

import pandas as pd
import numpy as np

# 假设df包含股票数据
# 列：'code', 'date', 'market_cap', 'net_asset', 'industry'

# 计算PB
df['pb'] = df['market_cap'] / df['net_asset']

# 剔除负净资产
df = df[df['net_asset'] > 0]

# 行业中性化：在每个行业内计算PB的百分位排名
df['pb_rank'] = df.groupby(['date', 'industry'])['pb'].rank(pct=True)

# 最终因子值：排名越小越好（低PB）
df['pb_factor'] = df['pb_rank']

# 检查极端值
print(f"PB范围: {df['pb'].min():.2f} - {df['pb'].max():.2f}")
print(f"负PB数量: {(df['pb'] < 0).sum()}")

实战技巧：我建议用「对数PB」代替原始PB。因为PB的分布严重右偏，取对数后更接近正态分布，因子效果更稳定。

3.3 PB因子的选股逻辑

低PB选股的核心逻辑就一句话：买便宜货。

但「便宜」不等于「好」。你想想看，一家公司PB只有0.3倍，可能不是市场错了，而是它真的只值那个价——比如夕阳行业、资产质量差、负债率过高。

所以PB因子很少单独使用。我一般把它跟其他因子组合：

PB + ROE：低PB + 高ROE，说明公司盈利能力好，但市场低估了它。这是经典的「便宜的好公司」策略。
PB + 负债率：低PB + 低负债，说明资产质量扎实，破产风险小。
PB + 股息率：低PB + 高股息，说明公司愿意分红，管理层对股东友好。

来看一个简单的多因子打分模型：

def score_stocks(df):
    """
    多因子打分：PB + ROE + 负债率
    """
    # 因子标准化
    df['pb_score'] = df['pb_rank']  # 低PB得分高
    df['roe_score'] = 1 - df.groupby('date')['roe'].rank(pct=True)  # 高ROE得分高
    df['debt_score'] = 1 - df.groupby('date')['debt_ratio'].rank(pct=True)  # 低负债得分高
    
    # 综合得分（等权）
    df['total_score'] = (df['pb_score'] + df['roe_score'] + df['debt_score']) / 3
    
    # 选前20%
    top_stocks = df[df['total_score'] >= df['total_score'].quantile(0.8)]
    
    return top_stocks

3.4 实战陷阱：我踩过的那些坑

做PB因子策略，我交过不少学费。下面这几个坑，你一定要注意。

陷阱一：价值陷阱

我曾经重仓过一只PB只有0.2倍的钢铁股。当时觉得便宜得离谱，结果呢？公司连续亏损，净资产每年都在缩水。PB从0.2变成了0.3——不是涨了，是净资产跌得比股价还快。这就是典型的「价值陷阱」：看起来便宜，实际上在毁灭价值。

避坑方法：一定要结合盈利指标。我后来加了一条硬性条件：过去3年ROE不低于8%。

陷阱二：周期股的PB失真

周期股在行业低谷时，净资产往往被大幅减值，PB看起来很高。等周期反转，净资产回升，PB又变得很低。你按低PB买入，可能正好买在周期顶点。

避坑方法：对周期股，我改用「周期调整PB」——用过去5年的平均净资产代替当期净资产。

陷阱三：金融股的PB特殊性

银行、保险这类金融股，PB天然就低。因为它们的高杠杆特性，净资产对风险的覆盖能力有限。我见过有人用PB选银行股，结果选了一堆坏账率最高的银行。

避坑方法：金融股单独处理，或者直接用「PB-坏账率」的复合指标。

3.5 一张图看懂PB因子

下面这张SVG图，总结了PB因子的核心逻辑和实战要点：

3.6 实战中的PB因子优化

讲完陷阱，说说我怎么优化PB因子的。

第一，动态PB阈值。不同市场环境下，PB的合理区间不一样。牛市里PB普遍高，熊市里PB普遍低。我一般用滚动5年的PB百分位来判断当前是否处于低位。

第二，PB与市值结合。小市值公司的PB波动更大，更容易出现极端值。我习惯把PB因子跟市值因子做正交化处理，剔除市值的影响。

第三，PB的动量效应。低PB本身不够，还要看PB的变化趋势。如果一家公司PB从0.5涨到0.8，说明市场开始认可它了。我倾向于选「PB在低位但开始回升」的股票。

来看一段完整的因子测试代码：

def pb_factor_backtest(df, lookback=252):
    """
    PB因子回测框架
    """
    # 计算PB
    df['pb'] = df['market_cap'] / df['net_asset']
    
    # 剔除极端值（上下1%）
    lower = df['pb'].quantile(0.01)
    upper = df['pb'].quantile(0.99)
    df['pb_clipped'] = df['pb'].clip(lower, upper)
    
    # 滚动5年百分位
    df['pb_percentile'] = df.groupby('code')['pb_clipped'].transform(
        lambda x: x.rolling(lookback, min_periods=60).rank(pct=True)
    )
    
    # 选股条件
    cond1 = df['pb_percentile'] < 0.2  # PB处于历史低位
    cond2 = df['roe'] > 0.08           # ROE不低于8%
    cond3 = df['debt_ratio'] < 0.6     # 负债率不超过60%
    
    selected = df[cond1 & cond2 & cond3]
    
    return selected

我的经验：PB因子在A股市场的有效性周期大约是3-5年。2016-2018年低PB策略表现很好，2019-2020年成长股崛起时就不太行。所以不要死守一个因子，要动态调整权重。

好了，PB因子就讲到这里。记住三个关键词：便宜、好公司、避坑。下次你看到一只PB只有0.3倍的股票，先别急着买——问问自己：它是真的便宜，还是价值陷阱？

📚 课程目录

3、核心因子解析：市净率(PB)因子的计算逻辑、选股逻辑与实战陷阱

3.1 PB因子到底是什么？

3.2 PB因子的计算细节

3.3 PB因子的选股逻辑

3.4 实战陷阱：我踩过的那些坑

3.5 一张图看懂PB因子

3.6 实战中的PB因子优化