企业官网建设流程全解析

数量技术宅团队在CSDN学院推出了量化投资系列课程

欢迎有兴趣系统学习量化投资的同学，点击下方链接报名：

量化投资速成营（入门课程）

Python股票量化投资

Python期货量化投资

Python数字货币量化投资

C++语言CTP期货交易系统开发

数字货币JavaScript语言量化交易系统开发

上一篇写 PE 历史分位数，留了一个尾巴没展开：这个因子在悄悄 缩小你的股票池。

市盈率的分母是净利润。公司一旦亏损，PE 就变成负数或者干脆没有意义， 只能从样本里剔除。而在 A 股，亏损从来不是小概率事件—— 最新一个估值截面上，全市场 5203 只股票里，PE 有效的只有 3624 只， 占 69.7%；而市净率的 PB 有 5149 只有效， 占比 99.0%。整个回测区间平均下来， PE 覆盖 85.1%，PB 覆盖 99.2%—— 按可用股票数算，PB 的池子比 PE 大 17%； 而在最新这一个截面上，差距拉大到 42%。

净资产是存量，几乎不会凭空消失；净利润是流量，说没就没。 所以任何人第一次看到这组数字，都会冒出一个很自然的念头：PB 覆盖更全、样本更大、还不用因为亏损把公司踢出去—— 那它是不是一个更好用的估值因子？

​

图 1 PE 与 PB 的可用股票数：整个回测区间 PB 的池子都更大，缺口随年份拉宽

我把这个念头做成了五个可以检验的方案，跑了 200 个月度截面。 先把结论放在这里：直觉错了。而且错得相当彻底。

一、把"便宜"拆成五个可以检验的问题

"便宜"这两个字太笼统了，笼统到没法做实验。所以我先把它拆开—— 同样是"估值低"，至少有五种不同的含义，对应五个方案：

窗口沿用 3 / 5 / 10 / 20 年四档，持股数 10 / 20 / 50 / 100 四档， 月度调仓、等权持有、买卖双边扣费（佣金万 2.5 + 印花税千 1 单边卖出）。

这里有一个容易被忽略的口径问题。 两个方案的股票池规模确实不同——5 年窗口下， PB 组合的中位可用池是 2387 只，PE 是 2077 只，多出约 15%。 如果两组策略都拿"全市场等权"当基准， 那么 PB 多出来的收益（或亏损）里，有一部分只是池子不同造成的， 和因子本身有没有选股能力无关。

所以每个方案我都额外配了一条同池等权基准—— 在该方案自己的可行域内，所有股票等权买入。 超额 = 策略收益 − 同池收益，这才是纯粹的选股能力。下文所有"超额"都指这个口径。

二、总成绩：PB 分位没赢

先看最直接的对比。下表统一取 5 年窗口、持股 100 只、扣费后的结果：

​

图 2 五个方案的净值曲线（对数刻度）与全A等权对比，2010—2026，已扣费

表里的数字很干净地分成三档：

PE 历史分位 19.01%， 超额+9.20%， IR 0.83——参照组依旧稳健。

PB 历史分位 6.70%，不但跑输 PE，还跑输了"什么都不选"—— 超额-2.92%， IR -0.31。 把它换成等权买入同一批股票，结果反而更好。

双分位合成14.56%， 超额 +4.77%——救回了一大半， 但依然够不着纯 PE。而 PB 截面分位几乎是一条平线， 超额 +0.15%，IR -0.05。

还有一个藏在细节里的规律。把持股数从 100 只降到 10 只，PB 的超额不是变好，而是越来越差：

PB 那一行是 -5.60% → -4.20% → -3.47% → -2.92%， 一路往零靠。反过来看 PE，持股越多超额越高。

这个方向上的差异非常说明问题：PB 的亏损不是均匀分布的， 它集中在你最想抓住的那一端——最便宜的那几只股票上。持股越少、越往因子的极端端走，PB 的表现就越糟。

​

图 3 五个方案的风险—收益定位，气泡标签已标注方案名

这个差距跨年份稳定吗？把 2010 年以来的每一年单独拆出来， 统计各方案跑赢"全A等权"的年份数：

​

图 4 分年度收益率热力图：同一色阶下越红越好

结果很干脆。PE 历史分位 17 年里有 14 年跑赢全A等权， 胜率 82%，平均年度排名 1.94——几乎是常年的第一名。而PB 历史分位只有 7 年跑赢，胜率 41%， 平均排名 4.59，在"5 个方案 + 全A等权"这 6 个对象里垫底。

这不是某一年的运气，而是贯穿整个样本期的结构性差异。一个连"什么都不选"都打不过的因子，无论覆盖度多高，都不该被直接拿来用。

读到这里其实已经可以收尾了：PB 覆盖更全，但它做不出超额收益。 但如果只停在这一句，这篇文章就白写了—— 真正有价值的问题是：为什么？下面三个反常之处，一层层剥开看。

三、反常之一：IC 显著为正，组合却在亏钱

第一个反常来自因子有效性检验。RankIC 衡量的是"因子值排序"与 "下期收益排序"之间的秩相关，是判断因子有没有信息量的标准动作。

结果是这样的（5 年窗口）：

PB 历史分位的 IC 是 0.0460， t 值 5.50——按任何一本教科书的门槛， 这都算统计上显著。可它对应的组合超额是 -2.92%。

IC 显著为正，钱却没赚到。这不是数据出错，而是"IC"和"组合收益"本来就是两件事： IC 看的是整个截面的相关性，包含了大量中间段股票； 而 TopN 组合只吃最极端的那一小撮。 只要因子的排序能力集中在中间段、在极端端失灵， IC 就会好看，组合却做不出来。

​

图 5 左：各方案 RankIC 均值；右：Newey-West t 值（虚线为 5% 显著性门槛）

第二个线索藏在 IC 的衰减速度里。把持有期从 1 个月拉长到 12 个月， 各方案的 IC 走出了完全不同的形状：

​

图 6 IC 随持有期的变化：PE 在 3 个月见顶后衰减，PB 一路上行

形状的分歧非常刺眼。PE 的 IC 在 3 个月达到峰值 （0.0663），随后一路回落到 12 个月的 0.0495——它是短周期信号， 一个月的调仓间隔正好吃在它的高点上。

PB 恰好相反：IC 从 1 个月的 0.0460 单调爬升到 12 个月的0.0846， 越高越长。它是慢信号，信息在一年尺度上才释放完。 而我的策略每月换仓一次——等于在信号还没长出来的时候就把它卖掉了。

这一点在 PB 截面分位上更极端：IC 从 1 个月的 0.0396 一路涨到 12 个月的 0.0942，是所有方案里最高的。

反常一的小结：PB 不是没有信息，而是信息的时间尺度和月度调仓对不上； 同时它的 ICIR（0.314）明显低于 PE（0.486）， 意味着单期信号里的噪声大得多。

四、反常之二：最便宜的那一端，没有区分度

第二个反常来自分层。常规做法是切五层，但五层太粗—— 它恰好会把极端端平均掉。所以我把它切到十层， 从最便宜的 D1 到最贵的 D10。

​

图 7 十层分解：PE 逐层下滑，PB 在便宜端横盘

PE 那一行是一条教科书式的斜线： 18.7%, 14.7%, 11.8%, 10.3% … 一路跌到 -0.9%。每一层都比下一层好，毫无含糊。

PB 那一行则完全乱了：9.5%, 10.5%, 12.7%, 9.8% …最便宜的 D1（9.5%）竟然不如 D3 （12.7%），甚至不如 D5（11.4%）。前六层全部挤在 9.5% ~ 12.7% 这个窄带里， 上下起伏全无规律。

把行业中性化的版本（9.9% ~ 11.8%）放进来也一样——前六层几乎是平的。

这就是"IC 好看但组合亏钱"的微观解释。PB 的排序能力几乎全部集中在"贵"的那一端—— D7 到 D10 确实一层比一层差，这部分贡献了 IC； 但投资者真正想买的是 D1、D2，而这一端的 PB 数值高低 和未来收益之间没有稳定关系。IC 是全截面的平均数， 被"贵"的那一半拉正了，钱却只能从"便宜"的那一半去赚。

​

图 8 五层分层热力图：PE 的 G1 是全场唯一的深红块，PB 的 G1/G2 难分高下

五、那把它按行业抹平呢

PB 有一个众所周知的老毛病：它天生带行业属性。 银行、地产、钢铁、建筑的 PB 长期在 1 倍附近， 电子、医药、计算机的 PB 轻易上到 5 倍、10 倍。"PB 低"很可能只是"所属行业本来 PB 就低"的另一种说法。

如果这是根因，那么把每只股票的 PB 分位在它所属行业内重新排序， 应该能把问题解决掉。先看效果：

ICIR 从 0.314 提升到0.426， t 值从 5.50 提到 7.42， 分层的单调性也从 ρ = -0.7 修到 -0.9。信号确实变干净了。

但组合收益呢？超额从 -2.92% 只挪到-2.05%， 改善不到 1 个百分点，依然是负的。 10 年和 20 年窗口下勉强转正（+1.22% / +0.98%），但幅度微弱。

​

图 9 各方案持仓的行业分布对比（取 PB 组合的前十大行业）

结论是：行业差异确实存在，但它不是 PB 失效的主因。把行业抹平能提高信号的统计质量，却改变不了"便宜端没有区分度"这件事。

不过这一节挖出了一个更有意思的东西—— PB 截面分位（方案三）的行业集中度，高得离谱：

​

图 10 持仓行业集中度 HHI：PB 截面分位是全场的异类

PB 截面分位的第一大行业是银行， 占 22.4%，前三大行业合计 52.1%（银行 / 房地产 / 钢铁）——超过一半的仓位压在三个行业上。

道理很简单：不做时序分位，只比"今天谁 PB 最低"， 答案永远是那批破净的银行、地产和钢铁。它不是在做估值比较，而是在做行业押注。这也解释了为什么它的超额收益几乎是零。

六、两个口径一起用，会更好吗

最自然的想法是：PE 和 PB 各有短板，那就各占一半， 用分位数的均值当作合成因子。这个方案（DUAL）的答案是——好于纯 PB，但不如纯 PE。

为了看清"为什么会这样"，我把 PE 分位和 PB 分位各切五档， 交叉出 25 个格子，每个格子单独建一个等权组合：

​

图 11 PE 分位 × PB 分位：25 个双因子组合的年化收益

看最上面那一行——PE 已经帮你挑出了全市场最便宜的一批股票。 在这批股票里，收益最高的格子不是"PB 也最便宜"的 PB-Q1 （13.93%），而是 PB 只排在中间档的 PB-Q2 （19.34%）和 PB-Q3（18.23%）。

这个结果很反直觉，但它一句话解释清楚了合成因子的困境：把 PB 分位加进来，等于给"PE 便宜但 PB 不便宜"的那批股票扣了分， 而它们恰恰是最赚钱的一批。所以双分位合成不是在补充信息，而是在稀释信息。

沿 PE 方向看，每一档都稳定地比下一档好（以 PB-Q2 列为例：19.34% → 11.13% → 10.32% → 8.68% → 6.13%）；而沿 PB 方向看，格子值是先升后降的。PE 提供了单调的排序能力，PB 提供的是噪声。

这也解释了方案一（纯 PE）为什么最难被超越—— 不是因为 PE 完美，而是因为它在"A 股 2010—2026"这段样本里， 恰好抓住了最有效的那一维。

七、根因：低 PB 从来不等于便宜

三个反常都指向同一个地方。剩下的问题只有一个：为什么 PB 的低估端会失灵？

第一个线索是全市场估值中枢的漂移。 把每年全市场的中位 PB 排在一起：

​

图 12 全市场中位 PB 与破净股占比（2010—2026）

中位 PB 从 2010 年的 4.51 倍 一路降到 2024 年的 2.07 倍， 16 年间几乎腰斩；同期破净股占比从 0.2% 升到 10.4%。

这意味着什么？"某只股票的 PB 处于自身历史低位"这个判断， 被一个更大的力量污染了——全市场的估值锚本身在下移。2015 年 PB 5 倍算便宜，2024 年 PB 5 倍已经很贵。 用固定窗口（比如 5 年）算出来的历史分位， 会把"全市场系统性下移"错误地读成"个股变便宜了"。

第二个线索是最便宜那批股票究竟长什么样。 把 2018 年以来所有处于全市场 PB 最低 10% 的样本身挑出来：

PB 最低 10% 的画像
破净（PB < 1）占比：71.4%｜ 中位 PB：0.89
前五大行业：房地产、电力及公用事业、银行、交通运输、建筑

PB 最高 10% 的画像
破净占比：0.0%｜ 中位 PB：10.10
前五大行业：电子、医药、计算机、机械、基础化工

最便宜的 10% 里，超过七成是破净股， 集中在房地产、电力公用、银行、交运、建筑。 而"破净"这件事本身，不是市场算错了，而是市场在给资产质量打折—— 可能收不回来的应收账款、卖不掉的存货、随时可能计提的商誉与减值准备。

这就是 PB 与 PE 最本质的区别。PE 便宜，通常意味着"盈利处于低谷"—— 盈利是流量，低谷之后有周期性的回归。PB 便宜，则常常意味着"资产被怀疑"—— 怀疑一旦被证实，净资产就要往下修，那个"便宜"是假的。

所以在这场对照实验里，PB 分位的失败并不是统计上的偶然。 它同时踩了两个坑：分位基准被全市场估值下移污染， 而极端低值端又系统性聚拢了资产质量存疑的公司。

八、这套结论没有回答的问题

把话说满是不负责任的。以下几点必须交代清楚：

第一，存活偏差。底层行情用的是当前仍在交易的股票池，已经退市、被吸收合并的公司没有进入样本。 这类公司往往正是"低 PB 陷阱"的极端案例， 所以PB 的真实表现很可能比这里更差， 而 PE 的相对优势可能被高估。所有绝对收益都应视为上界。

第二，行业分类是当前快照。本文用的行业归属是当前时点的静态分类，不是历史逐期变更的行业链。 这对"行业内中性化"的结果有轻微的前视影响， 但考虑到 A 股行业分类的调整频率，量级应该有限。

第三，结论有样本边界。2010—2026 这 16 年，A 股恰好经历了估值中枢的系统性下移 （图 10）。PB 分位在这个特定窗口里失效，不等于它在估值中枢稳定或上行的市场里也失效。 因子有效性是路径依赖的。

第四，窗口与持股数是自由度。3/5/10/20 年窗口、10/20/50/100 只持股，一共 16 组参数。 本文报告了全部组合而非只挑最好的，但参数空间本身仍然存在选择性。

第五，估值因子不是纯 alpha。低估值组合天然向金融、地产、公用事业倾斜， 它的收益里有相当一部分是风格暴露的beta， 而不是选股能力。本文用"同池等权"剥离了股票池差异， 但没有做严格的风格中性化。这也是为什么不能因为 PB 跑输就断言"PB 没有信息"—— 更准确的说法是：它不适合以月度调仓、极端端选股的方式来使用。

结语

这次对照实验，我想留下的不是"PB 不行"这个结论，而是三个更耐用的判断：

一、覆盖度不等于有效性。PB 的可用池比 PE 大 17%，样本多了， 但多出来的这部分恰恰是"当期亏损"和"资产存疑"的公司。样本更大，不代表信息更多—— 被剔除的那部分，可能本来就该被剔除。

二、IC 显著和组合赚钱之间隔着一条鸿沟。PB 的 IC 0.0460、t 值 5.50， 统计上无可挑剔，组合超额却是 -2.92%。做因子研究时，一定要回到分层和极端端去看， 只看 IC 会被平均掉最关键的信息。

三、信号的时间尺度必须和调仓频率匹配。PB 的 IC 在 12 个月尺度上最强（0.0846）， PE 的 IC 在 3 个月就见顶（0.0663）。一个月换一次仓，注定只能吃短周期信号。如果非要用 PB，正确的问题不是"PB 好不好"， 而是"我该多久换一次仓"。

最后一个提醒。这类回测最容易犯的错误， 是拿一个因子的绝对收益和指数比，然后宣布它有效或无效。只有在同一批股票上等权买入、扣掉同样的成本， 差距才真正属于因子本身。本文所有"超额"都按这个口径计算—— 也正是这个口径，让 PB 的问题无处藏身。

风险提示：本文为量化方法的实证记录，所有数据来自历史行情的事后统计， 不构成任何投资建议。历史表现不代表未来收益，因子有效性存在失效风险。