【国信金工】寻找业绩与估值的错配：非理性估值溢价因子

国信张欣慰 2026-05-23 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 5 /5

核心内容

报告从DDM模型出发，推导出PE、PB、PS等估值倍数受净利润预期增长率、ROE、净利润率、股息支付率等基本面因素及预期回报率(风险)的影响。为消除不同公司基本面与风险的不可比性，采用横截面回归方法，将原始估值因子对基本面变量、风险变量及市值行业哑变量回归，取残差作为非理性估值溢价因子。测试表明，剥离基本面与风险后的残差因子选股效果大幅提升。

经济逻辑

市场给予公司的估值包含理性部分（由基本面和风险决定）和非理性部分（由情绪、流动性等导致）。非理性的估值溢价不稳定，容易均值回归。通过回归剥离理性估值部分，剩余的残差因子在截面可比，能有效捕捉由市场情绪或短期波动导致的“估值与业绩错配”的低估机会。

超额收益逻辑

残差因子代表了剔除公司合理估值预期后，由市场情绪、流动性等非理性因素导致的估值偏差。因子值越低（负残差），说明被低估的程度越深；随着估值向基本面合理水平回归，这部分非理性折价将被修复，从而带来超额收益。

构造细节 [factor]

因子定义

1. 提取原始PE(TTM)；2. 截面对PE、基本面变量(G预期增速、Div股息支付率)、风险变量(FY2-FY1预期增速差、近3月预期变化率、资产负债率、商誉占比)及控制变量(对数市值MV、行业哑变量)分别去极值、标准化；3. 建立线性回归方程：PE_i = β0 + β1*G_i + β2*Div_i + β3*R1_i + ... + βn*MV_i + Σγ_j*X_ij + ε_i；4. 取回归残差ε_i作为非理性估值溢价因子PE_Resid。(PB_Resid类似，增加ROE作为自变量进行回归取残差)

处理流程

获取原始估值倍数(PE/PB/PS)与对应基本面/风险解释变量及行业市值数据
在每个月末截面，对所有变量进行去极值处理
在每个月末截面，对所有变量进行标准化处理
以估值倍数为因变量，基本面变量、风险变量、对数市值、行业哑变量为自变量进行OLS线性回归
提取回归残差作为非理性估值溢价因子(PE_Resid/PB_Resid/PS_Resid)

参数

去极值: MAD法或3sigma法标准化: Z-score

数据输入

: (日频/财报披露日): (日频): (财务(低频)): (财务(低频)): (日频)

组合方式

单一残差因子排序选股

绩效

-5.44%

PE_Resid IC均值

-3.25

PE_Resid 年化ICIR

83%

PE_Resid IC胜率

0.96%

PE_Resid 多头月度超额收益

22.15%

PE_Resid 多头年化收益

26.54%

价值错配Top30组合年化收益

22.42%

价值错配Top30组合年化超额收益

基准: 中证500指数

回测期: 2010年1月1日至2021年11月30日

通过基本面与风险变量对原始估值因子进行回归剥离，构建非理性估值溢价因子（PE_Resid等）。其中PE_Resid效果提升最明显，IC均值-5.44%，年化ICIR-3.25，多头年化收益22.15%。基于该因子构建的价值错配Top30组合年化收益达26.54%，相对中证500指数年化超额收益22.42%。

收益归因

报告未进行组合层面的收益归因分析。

缺口: 仅在因子构建阶段通过回归提取残差剥离基本面与风险因素，未对最终组合的收益来源进行详细的归因分解。

稳健性

子样本稳定性: 在中证500、中证1000成分股表现优于沪深300；在制造、周期、科技、消费、医药板块表现优异，但在大金融板块表现较弱。

风格偏差: 偏向低估值、有分析师覆盖的中小盘价值股。

因子整体稳健性较好，在非金融板块表现突出，但在大盘股和金融板块中选股能力受限，呈现明显的小盘价值特征。

数据依赖

所需数据: PE/PB/PS估值数据、一致预期净利润增速、股息支付率、资产负债率、商誉占比、总市值、行业分类

可复现性: medium

数据基本为常规量价与基本面及分析师预期数据，依赖标准金融终端可获取。逻辑清晰，横截面OLS回归易复现，难度中等。

新颖性评估 [新组合]

从DDM模型推导估值倍数影响因素的逻辑框架属于经典理论，但将多个维度的分析师预期增速、股息支付率及特定风险指标（商誉占比等）统一放入横截面回归模型中剥离残差，命名为非理性估值溢价因子，具备较好的实践应用价值与因子构造的组合创新性。

不足与缺陷

大金融板块适用性差，未提供针对金融板块特定估值逻辑的修正方案
因子表现高度依赖分析师预期数据，在无覆盖股票池中失效
OLS线性回归可能无法完全捕捉基本面与估值之间的非线性关系
组合构建仅给多头表现，未展示空头收益及多空对冲表现

可复用元素

从DDM模型推导相对估值倍数影响因素的逻辑框架
选用的风险代理变量极具代表性，如FY2-FY1预期增速差捕捉边际恶化，商誉占比捕捉资产质量风险
将因子行业市值中性化与基本面剥离在同一步回归中完成的工程处理方法

启发

可尝试使用机器学习模型(如树模型)代替OLS回归，以捕捉估值与基本面之间的非线性关系
针对不同行业特性，定制化构建行业专属的估值剥离回归模型
引入高频量价情绪指标替换或补充非理性残差的解释力

改进方向

基于非线性模型(如XGBoost)提取非理性估值残差

基于: 相似逻辑(剥离基本面与风险对估值的影响) + 不同构造(使用非线性树模型替代OLS回归) 预期收益: 提升因子在复杂基本面映射场景下的解释力，进一步提纯非理性残差，预期改善大市值或特定板块的IC表现

复现计划

1. 数据获取：下载2010-2021全A股票的PE_TTM、分析师一致预期FY1/FY2净利润、股息支付率、资产负债率、商誉/总资产、对数市值及申万行业标记；2. 预处理：每月末对上述变量进行MAD去极值与Z-score标准化；3. 因子构造：构建OLS方程 `PE ~ G + Div + (FY2-FY1) + 预期变化率 + 资产负债率 + 商誉占比 + ln(MV) + 行业哑变量`，提取残差作为PE_Resid；4. 组合构建：在剔除金融及无分析师覆盖的股票池中，选取残差最低的30只股票等权配置，月末调仓；5. 回测：对比中证500计算收益与超额收益。