# 宏觀研究：從估值角度看當前市場 > 來源：https://uqer.io/community/share/5609f54af9f06c597065ef46 ## 1、寫在最前面 本貼相關內容受啟發于姜超一文從今天起不再悲觀，但與原文側重點完全不一樣。 本貼內容屬于宏觀研究范疇，從實用性角度看適用于中長線投資，對于喜好短線操作者可以參見筆者之前寫的帖子追尋“國家隊”的足跡，該貼自發出到現在國家隊建倉基本完畢，筆者每周都會在評論部分進行數據更新，現在回頭來看短線預測效果還是不錯的。 ## 2、關于本貼 本貼首先用最通俗的語言來解釋何為估值，估值有何參考價值 其次，計算中證800歷史PB、PE值，并介紹框架下的一些細節問題 最后，從估值的角度來審視當前市場 ## 3、何為估值 簡單講，估值就是你舍得為某個東西花多少錢，那么在你做決策的過程中最需要考慮的因素應該是：它現在值多少錢（本身的價值）+ 未來能給我帶來多少錢（它的發展潛力）。這也就是常見的的估值指標：市凈率（PB）和市盈率（PE），拿到某個股票上來講，市凈率就是每一股的價格/每一股所占公司凈資產的值，市盈率就是每一股的價格/每一股的盈利。應該來說還是很好理解的，下面對這兩個指標來進行簡單分析： + 市凈率PB：等于公司總市值/所有者權益，投資該公司看中的是其所有者權益增加部分，而所有者權益的增加也有賴于凈利潤的增加，所以和市盈率多少有些類似 + 市盈率PE：等于公司總市值/凈利潤，看中公司的利潤水平以及其未來增長能力，一般來說對于高科技企業其市盈率都比較高 ## 4、計算歷史PB、PE值 教科書版的PB、PE計算是非常簡單的，但是實際中會遇到很多特殊情況，先介紹計算框架： + 中證800：中證800對整個A股市場代表性強，且財務報表質量相對有保障，扣除掉中證800之后的股票所占市值非常小，在以市值加權情況下對整體結果影響不大 + 權重：首先考慮的是市值加權，但是考慮銀行類權重和其他股市值差別過大，所用對數市值進行加權 + 時間：考慮股改因素以及數據的質量問題，計算的歷史PB、PE從2007年4月30日至今，每周計算一次 接下來就重點介紹細節處理： + TTM處理：在計算指標中，凈利潤采用TTM（過去12個月凈利潤）計算，數據更合理 + 負值：當公司凈利潤為負或者所有者權益為負時會照成PB、PE出現負值，結合前面介紹的指標計算公式，負值一般會非常大；處理方式是將負值賦值為0 + 極值：當公司某一年利潤或者所有者權益特別小時，會導致PB、PE出現非常大的極值情況，采用`winsorize`處理（`winsorize`原理參見筆者前一篇帖子破解Alpha對沖策略） ```py # 導入包 import pandas as pd import numpy as np from datetime import datetime, timedelta import matplotlib.pyplot as plt start_date = '20070430' # 開始日期 end_date = (datetime.today() - timedelta(days=1)).strftime('%Y%m%d') # 截止日期 data = DataAPI.TradeCalGet(exchangeCD=u"XSHG",beginDate=start_date,endDate=end_date,field=u"calendarDate,isWeekEnd",pandas="1") data = data[data['isWeekEnd'] == 1] Dates = map(lambda x: x[0:4]+x[5:7]+x[8:10], data['calendarDate'].values.tolist()) PB_PE = pd.DataFrame(index=Dates, data=0, columns=['total PB','total PE']) for date in Dates: universe = set_universe('HS300', date) + set_universe('ZZ500', date) data1 = DataAPI.MktStockFactorsOneDayGet(tradeDate=date,secID=universe[:400],field=['ticker','LCAP','PB','PE'],pandas="1").set_index('ticker') data2 = DataAPI.MktStockFactorsOneDayGet(tradeDate=date,secID=universe[400:],field=['ticker','LCAP','PB','PE'],pandas="1").set_index('ticker') total = pd.concat([data1, data2]) length_total = total.shape[0] total.dropna(inplace=True) # 數據量不足80%時，不具有代表性 if float(total.shape[0]) / length_total < 0.8: continue # 細節處理：負值極值處理 total['PB'][total['PB'] < 0] = 0 total['PE'][total['PE'] < 0] = 0 pb = winsorize(total['PB'].to_dict()) pe = winsorize(total['PE'].to_dict()) total['PB'][pb.keys()] = pb.values() total['PE'][pe.keys()] = pe.values() # 權重 + 繪圖 total['wts'] = total['LCAP'] / sum(total['LCAP']) PB_PE.loc[date] = [sum(total['wts'] * total['PB']), sum(total['wts'] * total['PE'])] PB_PE[['total PB','total PE']].plot(secondary_y='total PE',figsize=(14,8)) <matplotlib.axes.AxesSubplot at 0x4b4a710> ```  + 從上圖可以很清晰的看到從2007年4月30以來，中證800PB、PE的歷史走勢圖，估值水平和大盤走勢完全一致！（畢竟指標的分子是股價） + 那么，當前的估值水平相比歷史來看如何呢？ + 接下來，分別將PB、PE和歷史平均PB、PE來進行對比，并進行簡單分析 ```py PB_PE['average PB'] = PB_PE['total PB'].mean() PB_PE['average PE'] = PB_PE['total PE'].mean() # 繪圖 fig = plt.figure(figsize=(19,6)) ax1 = fig.add_subplot(1,2,1) ax2 = fig.add_subplot(1,2,2) ax1.plot(PB_PE[['total PB','average PB']]) ax2.plot(PB_PE[['total PE','average PE']]) ax1.legend(['total PB','average PB']) ax2.legend(['total PE','average PE']) <matplotlib.legend.Legend at 0x7c82210> ```  + 從估值的角度來看，當前的市場處于歷史平均估值的水平，是一個相對合理的點位，至少對于長線投資者持有中證800還是比較放心的 + 但是，是否說明大盤就不會下跌呢？那就看讀者對估值的理解以及當前市場環境的判斷 + 筆者以為，估值合理更適合從長遠的角度來看，短期則更多受投資者情緒、資金面情況、海外市場等因素的影響；此外，結合歷史也可以看到，急漲之后伴隨著急跌，而且急跌往往會跌破合理估值水平，這就有點像物理里的慣性，說不定慣性也是股市的固有的屬性呢，又或者說投資者風險偏好也是具有慣性這一固有屬性呢？