mark
、大多数行业呈现了PB越低,回报越高的特性
1、大多数行业呈现了PB越低未来回报越高的特性
最右边一列,也是市净率跟未来1季度投资回报均值相关性系数的一列中,大于零的有12个,小于零的有62个。负数占比【76.5%】。其中,低于-0.5的有【39】个。低于-0.8的有【17】个。也就是说过去10年,几乎每个行业中的低估值个股大概率会带来更高收益。其中特定行业的负相关性会非常明显。也就是说,在这些行业中选择低PB个股投资,是个确定性比较高的方法,包括我们的地产股,能源股,保险股。
如果看看这些行业PB低值区域的平均回报,是非常引人注目的
2、各行业的PB低值区域、高值区域不同,色谱可以成为判断估值水平的依据。
我们根据各行业PB低值区域(PB10)排序,前25的排名如下:
最低的钢铁行业,市净率低值在0.62,偏高的是新闻和出版行业,市净率低值在1.23,所对应的高值是4.48,6.77。这里想说明的一点是,PB是一个相对的数值,它的低值、高值、跨度区间受行业影响很大。市场给每个行业都有特定的估值区间。比如说,银行股长期低估,那么,PB=3是否很高呢?我们就需要结合这个图谱来看。过去10年银行股区PB在【0.74-2.37】区间,也就是说过去10年【2.37】已经是银行股的PB高值区域了。同样,我们可以说PB=1.1是银行股的合理估值,因为它处于色谱的中部位置。而0.8可以说是低估了。这个就是这个色谱的意义在于:当我们在评论一个股票的估值,判断是否高估、低估、或者估值合理时,有了一个结合历史、全量行业的“准绳”。
detail data and information, pls contact athene_1988
3、各行业相同PB值域的回报不同
除了行业估值水平的依据,我们当让想进一步知道这个估值水平的未来回报。不过遗憾的是,虽然我们可以通过分类统计得出处于这个行业,这个PB水平的未来1季度股票的回报平均,但它对个股的预测可信度不高。原因在于偏差太大。这反过来说明一点,也是我们一直强调的一点:“价值投资作为一种管理组合的理念,针对的是共性而非特例”,比如说,如果色谱显示,零售业在PB低值区间【1.22】的未来1季度预期回报为【4.90%】,但观察19年2季度以来零售业个股,比如$苏宁易购(SZ002024)$ ,pb在1.23,不过二季度业绩发布以来回报仅有【0.56%】。由于偏差导致均值预期跟个股存在差异。
同样的道理,在相同PB档位也会出现各行业预期回报不同。根据PB最低区域(PB10)排序,超过10%的清单如下:
如果放松至5%,且保留相关系数<-0.5的
这说明,包括“水上运输”“零售业”在内的行业,投资低PB个股获得高收益的可能性大。
二、PE(市净率)因子选股在各行业中都有比较明显的作用
接下来这张是各行业过去10年,市盈率PE的图谱。左侧黑色一列是行业清单。中间左边部分是各行业正在不同市盈率档位中的未来1季度回报,中间右侧是各行业不同档位的市盈率,最右侧一列是本行业PE跟未来一季度回报的相关性
1、绝大多数行业都呈现了低PE高收益,高PE低收益的特性
对于市盈率这个指标,在各行业的图普中,与收益负相关的有51个,正相关的30个。负相关占比63%,要低于PB的76.5%。这说明,使用低PE挖掘高收益个股,不确定性更高。但PE仍然在某些行业中有很好的择股优势,比如:房地产业,食品制造业,化学行业。
如果结合PB、PE同时观察,相关性都低于-50%的行业有:
我们可以看出“通用设备制造”“房地产”“化学”行业使用PB、PB估值可能具备较大的优势。
2、各行业的PE低值区域、高值区域不同
我们根据各行业PE市盈率低值区域(PB10)排序,低于15的排名如下:
最低的货币金融服务(银行业),市盈率低值在4.59,偏高的是仓储业(PE=16水平),所对应的高值是15.19,407,从这里可以看出,市盈率PE的波动比PB来得更大,更不稳定。因为市盈率=股价/每股收益,而每股收益=净利润/流通股。当净利润很薄且除以股数后,会出现极小值。而反过来会出现PE的极大值。另外,有些公司轻略为亏损,负数贴近0,样这会出现负数极小值。但总体来说,仍然作为一个可以参考的PE准绳。正是由于PE更容易出现极值,我们可采用了PE的倒数,1/PE,即每股收益率来评估。这样做的好处是,不用管正负,只要1/PE越小,估值高。经过这样处理后,全行业1/PE估值在7%(对应PE14.28)以上的清单如下:
3、各行业相同PE值域的回报不同
如果我们筛选出【1/PE】&回报相关系数大于0.5(相当于PE、回报系数小于-0.5)的行业,并根据1/PE从高至低排列:
银行业,水务公司,零售、批发业具有确定性优势。跟PB的行业谱图相同,PE也有相同的用处。欢迎喜欢使用PE做估值指标的老师可以参考~
——(汪小勉分割线)——
也许读者会问,这些结论是如何产生的,我们在这里post出详细的数据处理方法以及excel vba代码,供大家参考:
方法:
1、建立全量A股数据库:通过wind数据库摘取全量A股的【证券名称】【证券代码】【证监会行业分类】【上市日期】【当季度业绩发布日】【下季度业绩发布日】【发布日收盘价】【下季度收盘价】【季度回报=下季度股价/本季度股价-1】【市盈率pe】【市净率pb】。同时设置变量【本季度日期】&【下季度日期】,如图。控制变量只有一个:本季度日期,例如2009.6.30。如果更改日期则依据它取数的科目将自动更新,例如:本季度发布日。同步根据业绩发布日取数的,如收盘价,pe也同步更新。
2、建立81个行业数据表:
2.1通过数据透视表合并【证监会行业分类】的同类项,得出81个证监会行业分类清单
2.2 作为循环变量,在同一文件夹里生成81个标题为行业名称的模板
2.3 代码
3、设计统一的行业分析模板,以房地产行业为例,将房地产行业全量股票2009.6.30季度业绩发布日的市盈率PE、市净率PB分为10档,分别同期各档位未来1季度的股票回报均值。
保存这个模板,循环打开每个行业模板,复制过去
4、统计各行业PE、PB档位及对应的下季度回报:以行业分类清单为循环变量,筛选出每个行业全量个股记录,并复制黏贴到每个行业模板中,再通过已经保存的行业分析模板统计PB、PE档位,以及各档位未来1季度的回报。循环各季度数据,积累数据
6、汇总81个行业过去10年、44季度的从低档位至高档位PB、PE下的平均季度回报
——(汪小勉分割线)——
各位老师&投资人,我们的文章到此就结束了。感谢大家的参与跟耐心阅读。我们经常会根据PE、PB来说“XX股高估了”,“XX市盈率低于15我才买入”。但事实上,这个PE=15在行业内是否高估?在全量股票中的行业是否低估?我们都需要一个准绳来回答。更加精确管理我们的投资预期跟筛选定量标准。在尝试了许多方法后,我们终于构建了确定这个数值的标准流程与模型方法,得出了这个过去十年,全量A股行业的色谱图谱,供大家参考。谢谢~