估值因子失效与市场预期拆分 [page::5][page::6][page::11]

• A股价值因子2018年底以来显著下行，主要由高估值成长股推动。

- 估值反映市场对未来预期，包括未来预期收益以及公司未来业绩/分红增长。

• 估值溢价消失乃因估值因子未能有效区分预期收益与业绩预期两类信息。

Campbell-Shiller 估值分解与VAR模型定量拆分 [page::7][page::8][page::9]

• 采用Campbell-Shiller线性化近似分解股息率与账面市值比，分别拆解估值中预期收益与经营业绩预期信息。

- 构建三变量VAR(1)模型对账面市值比、ROE及收益率建模，推算预期收益/盈利协方差，估计估值中预期收益含量比例（ratio）。

• ratio体现了每只股票估值中未来预期收益的信息比重。

估值因子在A股不同样本空间的表现 [page::11][page::12][page::13]

• 2014-2018年为估值因子有效期，2019年以来表现普遍弱化。

- 传统行业分域、指数样本分域未显著改善估值因子表现。

• 使用VAR估计股票估值中预期收益比率，将高预期收益股票样本限定后，估值因子表现明显改善。

利用预期收益信息分域效果显著提升PB、PB-ROE因子表现 [page::14][page::15][page::16]

| 时间区间 | 高ratio样本月均多空收益 | 全市场月均多空收益 |
|------------|--------------------------|--------------------|
| 2014-2018 | 2.36% | 1.02% |
| 2019-2021 | 0.72% | 0.08% |

• PB因子在高预期收益信息股票池内多空收益显著优于全市场，回测表现更稳健。

- 动态估计ratio后高ratio样本池中PB因子表现呈现更强分组单调性和估值溢价。

修正因子PB-ROE及PB-ROE-CF进一步增强选股能力 [page::16][page::17][page::20]

• PB-ROE因子剔除盈利效应，选股能力较传统PB因子提升。

- 在高ratio样本内，PB-ROE因子表现显著优于全市场回测。

• PB-ROE-CF因子进一步剔除预期盈利信息扰动，提高分组清晰度，多头年化收益达16.58%。

- 两因子在2019年以来的因子失效现象有明显缓解。

其他估值因子（PE、PCF）在高预期收益信息样本中的表现提升有限 [page::18]

• PE和PCF因子在高预期收益信息子样本内的选股能力提升不显著。

- 相比PB类因子，PE及PCF因子的预期收益信息分域效果有限。

小结 [page::21]

• 估值因子失效根源在于估值因素复合反映预期收益及业绩预期两种信息。

- 利用Campbell-Shiller分解+VAR估计拆分估值预期信息，制定基于预期收益信息的股票池分域法。

• 分域及新因子PB-CF、PB-ROE-CF的构造均显著改善了因子表现，尤其在2019年后仍保持较好的有效性和选股能力。

证券研究报告解析报告 —— 《基于估值中的预期信息提升估值因子表现》

---

一、元数据与报告概览

• 报告标题：《基于估值中的预期信息提升估值因子表现》

- 研究机构：长江证券

• 报告类型：金融工程专题报告

- 主要分析师：鲍丰华（SAC资格编号：S0490521070001）

• 报告主题：探讨证券估值中隐含的未来预期信息，利用 Campbell-Shiller 分解法将估值拆解为未来预期收益与未来预期业绩增长两部分，进而挖掘并提升传统估值因子的表现。

报告核心观点强调，估值不仅体现了市场对公司未来业绩的预期，也反映了对未来预期收益（折现率变化）的判断。传统估值因子投资在近年来表现疲弱的根本原因可能与忽视了这两类信息的区分和利用有关。通过 Campbell-Shiller 分解和 VAR 模型的结合方法，报告尝试在量化层面拆分估值信息、区分估值成分，提出基于预期收益比例的分域方法和基于预期信息修正的估值因子模型，展示其在 A 股市场的优势和改进潜力。[page::0,1,2]

---

二、逐节深度解读

2.1 引言：估值中的市场预期

报告首先指出估值的重要性，既是市场择时的核心指标，也是选股的关键因子。回顾 A 股市场，价值因子从2018年起表现大幅回撤，特别是低估值股票不再表现优异。图1与图2显示高估值股票加速上涨推动了价值因子回撤。作者用市场预期视角分析估值，认为估值体现“未来预期收益率”和“未来业绩增长/分红”的双重因素，而长期未能区分这两部分信息，导致估值因子失效问题。[page::5,6]

2.2 估值中隐含的预期信息及 Campbell-Shiller 分解

以Gordon增长模型为理论基础，报告指出估值由贴现率（预期收益率）与股利增长率共同决定。但考虑动态变化和实际市场复杂性，报告引入 Campbell & Shiller(1988)的线性化近似分解。该方法对股息率与账面市值比进行拆分，将估值变量表达为未来股息增长与未来贴现率（收益率）的加权组合。特别是账面市值比分解（Vuolteenaho, 2002）能够较好适用于股息不稳定或不分红的个股，且账面市值比序列稳定性更佳，适合A股应用。这一理论分解构建了后续量化估值拆分的核心框架。[page::7,8]

2.3 估值方差分解与VAR模型应用

报告构建了基于VAR（向量自回归）模型的估值方差分解技术，将账面市值比的方差划分为两部分：与未来盈利预期相关的协方差与与未来预期收益相关的协方差。通过用时间序列数据估计自回归矩阵A与均值协方差矩阵，可以定量估计每只股票对应的估值中“预期收益比例（ratio）”，即该股票估值中反映未来预期收益信息在整体波动中的占比。[page::9]

2.4 传统估值因子在A股的表现及投资困境

利用账面市值比构建的低估值（H）与高估值（L）组合在A股市场中呈现明显时间段差异：2014-2018年间表现最佳，其他时段尤其2019年以来大幅弱化或失效。图3-6显示，不论等权还是市值加权，均有显著的因子表现波动。表1进一步量化了各时间段的均收益率及信息系数（IC），表明价值因子的持续优异表现并不稳定。分析提示，单纯使用传统估值指标难以持续捕获估值溢价，需要改进策略，从估值内部结构辨识市场预期，发掘隐含的超额收益潜力。[page::10,11]

2.5 分域研究：寻找更优股票池提升估值因子表现

传统分域方法（行业划分、指数样本划分）对因子效果提升有限，甚至在部分指数样本（如沪深300、中证500）中低估值的超额表现不及全市场（图7-8）。报告创新性提出以“估值中预期收益信息比例”作为分域依据。通过计算每个股票的ratio指标，发现不同股票的估值中预期收益占比差异较大（图9），行业内差异较小（图12），说明行业划分不足以识别高“预期收益信息”股票。

筛选ratio大于横截面中位数的股票，显著提升了PB、PB-ROE因子的表现（图10-18，表2-3），并改善了分组的单调性和多空组合收益，且在2019年后依旧发挥作用，弥补了传统估值因子失效的短板。相比之下，PE与PCF因子对ratio分域不敏感，提升明显不足（图19-22）。这种定量拆分和分域策略为资产定价和量化投资提供了务实的新路径。[page::12-18]

2.6 利用预期信息修正估值因子构建新因子策略

基于VAR模型估计的账面市值比分解量$b m_{C F,t}$（盈利预期信息），报告通过从PB中剔除盈利预期成分（回归残差构建PB-CF因子）进一步改善因子表现。图23-24及表4显示PB-CF因子在全样本及高ratio样本池上均优于传统PB因子，但提升有限。将ROE指标加入回归，构造PB-ROE-CF因子，实现更完整剔除盈利相关信息，捕捉纯估值中折现率部分。PB-ROE-CF因子表现最优（图25-26及表5），在高ratio样本中多头收益年化达16.58%，多空收益也显著提升，且能够在近阶段缓解因子失效风险。

此方法本质是在估值因子构建中引入估值预期结构的细化变量，增强因子信号的纯净度和预测能力，体现了预期信息拆分在投资实践中的潜力。[page::19-20]

2.7 报告总结

报告总结强调，估值反映市场对未来预期收益率和未来业绩增长两方面的信息。通过Campbell-Shiller分解结合VAR模型，报告成功在A股市场定量拆解市净率估值的未来预期成分，并基于此提出分域和因子修正策略。实际应用显示，这两方面创新方法显著提升了PB、PB-ROE、PE等估值因子的表现，特别是在主流市场估值溢价普遍弱化的领域。修正后的估值因子模型实现更好的选股能力和稳健性。

整体上，该报告为估值因子失效迷雾提供了理论与方法上的创新解读，具有较强的理论贡献和实务指导价值。[page::21]

---

三、图表深度解读

图1-2：申万高低市盈率/市净率指数及其比价

• 显示2004-2021年高估值指数（红色）远超低估值指数（橙色），价格比价（灰色）峰值出现在2018年前后，之后回落，验证价值因子弱化趋势。

- 细节显示高估值股票因资金追捧不断推高估值，造成价值因子表现扭曲。

图3-6：基于市净率的估值组组合表现（等权及市值加权）

• 估值因子（PB）的多空组收益在2014-2018年表现优异，其他时间段趋于震荡甚至失效。

- 市值加权多空比值降低趋势更明显，表明大盘股票价值优势减弱。

表1：各组合不同时期的月均收益率与IC指标

• 2014-2018年区间，价值因子表现最强，月均多空收益高达1%以上，IC和ICIR均最佳。

- 2019年以来价值因子IC大幅降低，低估值优势丧失，投资者需谨慎。

图7-8：沪深300与中证500中低估值组表现不及全市场

• 分域方法未能带来明显估值因子溢价提升，需寻求更适合因子特性的划分方式。

图9：估值中预期收益信息ratio分布

• 大部分个股ratio介于0和1之间，平均约0.6。

- 一小部分个股为负，表明估值中预期收益信息与账面市值比变化反向。

图10-11：PB因子在高与低ratio样本的分组表现比较

• 高ratio样本中PB因子多空收益明显优于全市场，且基本未见失效。

- 低ratio样本中PB因子表现不佳，表明ratio对股票池筛选有效。

图12-13：行业间预期收益信息占比差异及对应PB表现

• 除少数行业差异较大，多数行业内预期收益信息占比均值相近。

- 选取信息占比最高10行业，PB表现虽有提升但分组单调性差，说明行业不是有效筛选标准。

图14-15：动态估计ratio后的PB表现明显提升

• 采用滚动历史数据动态估计某时点ratio，更符合实际应用。

- 动态高ratio样本中PB因子分组单调性和多空收益均优于全市场。

表2：PB因子在高ratio样本和全市场的分时收益对比

• 高ratio样本中PB月均多空收益高于全市场，尤其2014-2018年和2019年以来的表现差异显著。

- 多头组年化收益率提升近6个百分点。

图16-18 & 表3：PB-ROE因子表现及高ratio优势

• PB-ROE因子是盈利调整后的估值因子，在高ratio样本中表现更优，分组单调性和多空收益均提升明显。

- 2019年以来通过圈定高ratio股票池延缓了因子失效。

图19-22：PE和PCF因子在高ratio样本中的表现提升有限

• PE和PCF因子受高ratio样本限制影响不大，提升效果不明显。

- 显示估值中对未来收益率敏感性高的指标（PB相关）受益更明显。

图23-26 & 表4-5：基于预期信息调整的PB-CF与PB-ROE-CF因子

• PB-CF因子通过剔除盈利预期信息构建，表现类似于PB-ROE因子，辅以高ratio股票池获得一定增益。

- PB-ROE-CF因子综合ROE和未来盈利预期修正PB因子，表现优异，特别是高ratio样本中效果显著。

• 2019年以来，PB-ROE-CF在高ratio样本保持较强收益和IC表现，增强了因子稳定性和选股能力。

---

四、估值与投资策略的核心逻辑及模型解释

报告基于现金流折现模型和 Campbell-Shiller 分解，将估值拆分为未来预期收益（股息折现率/贴现率）与预期增长（股息或业绩成长）两部分。借助VAR模型，量化这两者在账面市值比估值中的贡献比例，即“预期收益信息比重”（ratio）。此技巧可视为对传统价值因子因噪音或混淆信息致表现失效的解释。

基于ratio的分域，理论与实证均支持筛选“预期收益信息丰富”股票能提升估值因子的选股效能。进一步，基于分解结果修正估值因子，剔除盈利成长信息保留折现率成分，构建PB-CF、PB-ROE-CF等新因子，从而获得更精准、稳定的因子信号。

---

五、风险因素评估

报告明确提出两大风险：

1. 模型假设限制：Campbell-Shiller分解采用线性化近似，现实市场和财务数据复杂多变，可能带来估计偏误。
2. 历史数据局限：基于历史数据的实证回测结果可能不适用于未来市场环境，因子表现有失效风险。

报告未详细讨论外部宏观经济或政策风险对估值信息拆分的影响，也未提出对应的风险缓释措施。

---

六、批判性视角与细微差异

• 报告基于较多历史数据进行ratio估计，部分回测使用“未来”全部历史数据来估计ratio，存在一定的未来函数问题，尽管报告后段已尝试动态滚动估计以解决。
• Campbell-Shiller分解和VAR模型对参数估计依赖较大，模型稳定性和参数的经济解释需谨慎，尤其是A股市场因财务披露和股息政策异质性较大，分解可能出现噪声。
• 报告重视估值中未来预期收益信息，但对市场情绪、流动性、制度性变革等其他影响因素的考量不足，部分因子表现变化可能受此影响。
• 行业维度分析虽说明行业区分预期收益信息占比能力不足，但没有展开更多维度或细分市值、流动性等特征的分域探索。

---

七、结论性综合

本报告系统地解构了估值变量中蕴含的未来预期收益与未来业绩增长信息，将传统价值因子分解成更细的预期成分。基于Campbell-Shiller分解与VAR模型定量拆分得到个股的“预期收益信息比例”（ratio），并基于ratio构建了更为精准的股票池，显著提升了PB、PB-ROE等估值因子的表现。报告进一步提出基于预期信息回归残差构建PB-CF和PB-ROE-CF因子以修正传统估值指标，获得更优异和稳健的选股能力。

图表清晰显示，传统的行业或指数分域方法难以改善估值因子的效力，而以ratio为核心的市场预期信息分域则在2019年以来的市场环境下延缓了因子失效的趋势。报告方法论通过理论与实证双重路径，提供了全面且有效的因子提升框架，具有较强的实际应用价值和学术创新意义。

评级

本报告为专题研究，无明确买卖评级，而是在因子构建与投资策略层面提供深刻见解和方法论，建议投资者结合本研究结果以提升价值因子策略的有效性和稳定性。[page::0-22]

---

综述

本次研究报告深入剖析了估值的本质与重点，并实证了市场预期信息拆分的重要性。通过引入Campbell-Shiller分解与VAR模型中的量化比例ratio，改进了市净率等估值因子的活用方式，为当下价值因子失效提供了有效的解决方案。图表和数据充分支持了因子的增强效果，尤其是在不同时间段和样本空间下的表现提升。

整体而言，此报告在理论深度和实操可行性上均表现突出，是价值投资领域对估值理论与因子建模的有益补充。该研究方法值得量化投资者、资产管理者及学术界关注和进一步推广。

---

注：所有引用页均以“[page::X]”标识厥所在页码，以便追溯原始报告内容。

报告