4、核心因子解析：市销率(PS)因子的计算逻辑、选股逻辑与实战陷阱

4.1 市销率到底是什么？

市销率，英文叫 Price-to-Sales，简称 PS。

说白了，就是用公司的总市值，除以它过去一段时间的营业收入。

公式很简单：

PS = 总市值 / 营业收入

举个例子。一家公司市值 100 亿，去年营收 50 亿。那它的 PS 就是 2 倍。

嗯，这里要注意。PS 和市盈率（PE）最大的区别是什么？

PE 看的是利润。PS 看的是收入。

利润可以被操纵。收入相对难一些。

我个人习惯，在分析一些特殊行业时，会优先看 PS。比如互联网公司、生物医药公司。这些公司早期可能根本不赚钱，PE 是负的，没法看。但 PS 能告诉你，市场愿意为它每一块钱的收入支付多少溢价。

4.2 PS因子的计算逻辑

计算 PS 因子，有几个关键细节。我在项目中踩过坑，跟你分享一下。

第一，用哪个时间段的营收？

通常用 TTM（Trailing Twelve Months），也就是过去 12 个月的滚动营收。为什么不用年报？因为年报更新太慢。你想想看，现在是 9 月份，去年的年报数据早就过时了。TTM 能反映最新的经营状况。

第二，市值用总市值还是流通市值？

我建议用总市值。因为营业收入是公司整体的，不是只有流通股东贡献的。用总市值更匹配。

第三，极端值怎么处理？

有些公司营收很小，市值很大，PS 能飙到几百倍。这种数据直接扔进模型，会把整个因子搞崩。

我的做法是：

• 先剔除营收为 0 或负数的公司
• 然后对 PS 值做 1% 和 99% 的缩尾处理
• 最后做标准化，转成 Z-score

代码实现大概是这样的：

import pandas as pd
import numpy as np

def calc_ps_factor(market_cap, revenue_ttm):
    # 计算原始PS
    ps = market_cap / revenue_ttm
    
    # 剔除无效值
    ps = ps[revenue_ttm > 0]
    
    # 缩尾处理
    lower = ps.quantile(0.01)
    upper = ps.quantile(0.99)
    ps_clipped = ps.clip(lower, upper)
    
    # 标准化
    ps_zscore = (ps_clipped - ps_clipped.mean()) / ps_clipped.std()
    
    return ps_zscore

4.3 选股逻辑：低PS策略为什么有效？

低 PS 策略的核心逻辑很简单：

买入那些收入被低估的公司。

你想想看，一家公司每年营收 100 亿，市值才 50 亿。PS 只有 0.5 倍。这说明什么？

要么市场觉得它的收入不可持续。要么市场忽略了它的价值。

从历史回测来看，低 PS 策略在以下场景表现特别好：

市场环境	低PS策略表现	原因
熊市末期	优秀	市场过度悲观，低估了收入价值
行业复苏期	优秀	收入率先反弹，利润滞后
高通胀时期	一般	收入名义值虚高，实际购买力下降
科技泡沫期	较差	市场追捧高增长，忽视收入质量

我记得有一次做 A 股回测，2015 年到 2018 年这段时间，低 PS 组合的年化超额收益能达到 8% 左右。但到了 2019 年，科技股爆发，低 PS 策略就明显跑输了。

所以，没有万能的因子。关键是要知道它在什么环境下有效。

4.4 实战陷阱：我踩过的那些坑

4.5 PS因子的知识体系

下面这张图，是我自己梳理的 PS 因子知识框架。你可以对照着看，查漏补缺。

4.6 一个完整的实战案例

最后，我给你看一个完整的实战代码。这是我之前做 A 股量化回测时用的框架。

import akshare as ak
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def get_ps_factor_data(date):
    """
    获取指定日期的PS因子数据
    """
    # 获取全部A股数据
    stock_info = ak.stock_zh_a_spot_em()
    
    # 获取市值数据
    market_cap = stock_info['总市值']
    
    # 获取营收数据（这里用简化方式，实际应该用TTM）
    revenue = stock_info['营业收入']
    
    # 计算PS
    ps = market_cap / revenue
    
    # 剔除异常值
    ps = ps[revenue > 0]
    ps = ps[ps > 0]
    
    # 分行业处理（假设有行业字段）
    industries = stock_info['行业']
    
    ps_zscore = pd.Series(index=ps.index, dtype=float)
    
    for industry in industries.unique():
        mask = industries == industry
        industry_ps = ps[mask]
        
        # 行业内缩尾
        lower = industry_ps.quantile(0.01)
        upper = industry_ps.quantile(0.99)
        clipped = industry_ps.clip(lower, upper)
        
        # 行业内标准化
        mean = clipped.mean()
        std = clipped.std()
        ps_zscore[mask] = (clipped - mean) / std
    
    return ps_zscore

# 使用示例
date = '2024-01-01'
ps_factor = get_ps_factor_data(date)

# 选出PS因子最低的50只股票
top50 = ps_factor.nsmallest(50)
print(f"选出的股票数量: {len(top50)}")
print(f"PS因子均值: {top50.mean():.2f}")

好了，关于 PS 因子的核心内容就这些。记住一句话：收入是利润的先行指标，但收入的质量比数量更重要。