价值投资量化：如何用PB-ROE模型选股？
在投资市场中，价值投资一直被视为长期稳定回报的核心策略之一。由格雷厄姆开创、巴菲特发扬光大的价值投资理念，强调以低于内在价值的价格买入优质企业，从而在长期内获取超额收益。然而，随着市场的不断发展和数据技术的普及，传统的价值投资方法逐渐面临挑战。投资者开始寻求更加系统化、量化的手段来筛选具备价值特征的股票。
在这一背景下，PB-ROE模型作为一种结合了估值指标（市净率，Price to Book Ratio）与盈利能力（净资产收益率，Return on Equity）的量化工具，逐渐受到投资者的重视。本文将深入探讨PB-ROE模型的原理、构建方法及其在选股中的应用策略，帮助投资者更科学地实践价值投资理念。
一、什么是PB-ROE模型？
1.1 PB（市净率）：衡量估值水平
市净率（Price to Book Ratio，简称PB）是指股票价格与每股净资产的比率，计算公式为：
$$
PB = \\frac{股价}{每股净资产}
$$
PB反映了市场对公司净资产的溢价程度。一般来说，PB较低的公司可能被低估，尤其是当公司拥有稳定的资产结构和盈利能力时。但PB不能单独使用，因为有些公司虽然净资产高，但盈利差，导致其价值并未体现在股价中。
1.2 ROE（净资产收益率）：衡量盈利能力
净资产收益率（Return on Equity，简称ROE）是衡量公司盈利能力的重要指标，计算公式为：
$$
ROE = \\frac{净利润}{净资产}
$$
ROE越高，说明公司在单位净资产上创造利润的能力越强。巴菲特曾多次强调，ROE是判断公司质量的重要标准之一。通常认为，ROE持续高于15%的公司具备较强的护城河和竞争优势。
1.3 PB-ROE模型的核心思想
PB-ROE模型的核心思想是：寻找那些盈利能力强（高ROE），同时估值偏低（低PB）的公司。这类公司往往具备“便宜+优质”的双重特征，符合价值投资的基本逻辑。
二、PB-ROE模型的构建与选股逻辑
2.1 数据准备
构建PB-ROE模型需要以下基础数据：
- 每家上市公司的市净率（PB）
- 每家上市公司的净资产收益率（ROE）
- 行业分类信息（用于行业调整）
- 市场数据（如总市值、流通市值等）
这些数据可以从Wind、东方财富、同花顺等金融终端或API接口获取。
2.2 模型构建步骤
第一步：筛选样本池
首先设定样本池范围，例如全部A股、沪深300成分股、某一行业内的公司等。为减少噪音，通常剔除ST股、金融股（因其ROE波动大）以及数据异常的公司。
第二步：计算PB与ROE分位数
对样本池中的公司分别计算其PB和ROE的分位数（如百分位数）。例如：
- PB越低越好，因此PB的分位数越低，得分越高；
- ROE越高越好，因此ROE的分位数越高，得分越高。
第三步：综合评分
将PB与ROE的分位数进行加权平均，构建综合评分指标：
$$
综合得分 = w \\times ROE_得分 + (1 – w) \\times (1 – PB_得分)
$$
其中，w为ROE的权重，一般可设定为0.6或0.7，体现盈利能力在价值判断中的主导地位。
第四步：排序与选股
将所有公司按综合得分从高到低排序，选取前N只股票作为投资标的。例如，选择综合得分前10%的公司作为组合。
三、PB-ROE模型的优化与注意事项
3.1 行业调整
不同行业的PB和ROE水平差异较大。例如，银行股的ROE普遍偏低，但PB也较低；而科技类公司ROE可能较高，但PB也偏高。因此，建议对PB和ROE进行行业标准化处理，即使用行业内排名或Z-score方法，以消除行业差异对模型的影响。
3.2 时间窗口选择
ROE和PB的计算通常基于年报或季报数据，具有一定的滞后性。为提高模型的时效性，可采用滚动ROE（如TTM ROE）和动态PB（基于最新财报数据）来提升模型的适应性。
3.3 风险控制与组合优化
虽然PB-ROE模型能筛选出价值型股票，但单一因子仍存在风险集中问题。建议结合以下方法进行组合优化：
- 加入动量因子：在低PB、高ROE的基础上，筛选近期股价表现较好的股票，提升短期收益；
- 加入流动性因子：避免选择交易不活跃的股票，降低换仓成本；
- 设置风险控制机制：如设置止损线、分散投资、定期调仓等。
四、实证分析：PB-ROE模型在A股市场的应用
我们以2023年A股市场为例，构建一个基于PB-ROE模型的选股组合，并与沪深300指数进行对比。
4.1 参数设定
- 样本池：全部A股（剔除金融、ST、数据异常公司）
- 权重分配：ROE权重0.6，PB权重0.4
- 选股数量：前50只股票
- 调仓周期：季度调仓
4.2 回测结果（2023年）
| 指标 | PB-ROE组合 | 沪深300指数 |
|---|---|---|
| 年化收益率 | 18.2% | 5.4% |
| 最大回撤 | -15.3% | -20.1% |
| 夏普比率 | 1.12 | 0.25 |
| 超额收益 | +12.8% | — |
从回测结果可以看出，PB-ROE模型在2023年显著跑赢沪深300指数，展现出良好的选股能力与风险控制能力。
五、PB-ROE模型的局限性
尽管PB-ROE模型在实践中表现出较强的选股能力，但也存在一定的局限性：
- 数据滞后性：ROE和PB均依赖财报数据，更新频率较低；
- 行业差异未完全消除：即使经过行业调整，不同行业间的商业模式差异仍会影响模型效果；
- 忽视成长性：模型更偏向于成熟型企业，对成长型企业的识别能力有限；
- 市场情绪影响：极端市场环境下，低PB股票可能持续被低估，形成“价值陷阱”。
因此，投资者在使用PB-ROE模型时，应结合宏观经济、行业趋势、公司基本面等多维度信息，避免单一因子决策。
六、结语
PB-ROE模型是将传统价值投资理念与现代量化分析相结合的有效工具。它通过系统化、可复制的方式，帮助投资者识别那些“便宜+优质”的投资标的，提升投资效率和胜率。然而，模型本身并非万能，需结合其他因子与风控机制，才能在复杂多变的市场中稳健前行。
未来，随着AI与大数据的发展，PB-ROE模型也有望与机器学习、行为金融等前沿技术融合，进一步提升其在量化选股中的表现力。对于希望践行价值投资的投资者而言，掌握并灵活运用PB-ROE模型，无疑是迈向系统化投资的重要一步。
参考文献：
- 《聪明的投资者》——本杰明·格雷厄姆
- 《巴菲特致股东的信》——劳伦斯·坎宁安
- 《量化投资：策略与技术》——丁鹏
- Wind、东方财富Choice金融终端数据支持
如需进一步获取PB-ROE模型的Python代码实现或回测平台搭建建议，欢迎继续提问。