作者：石川
 
来源：川总写量化
 
正文：
 
摘要：放眼未来，量化和基本面分析的紧密结合将是大势所趋；而就目前来看，基于因子的基本面量化投资并非基本面分析的完美替代。
 
1、伟大的会面
 
1968 年夏天，两个后来均被视为投资界传奇的人 —— Warren Buffett 和 Edward Thorp —— 进行了一次伟大的会面。
 
Buffett，无需多言，他深谙基本面分析、是价值投资的终极代言词；Thorp，也无需多言，他是加州大学 Irvine 分校（UCI）数学系教授，一个战胜了赌场和华尔街的男人（Thorp 2017）。
 
Thorp 早先最出名的是发明了 21 点的记牌法，并利用凯利公式下注，征服了拉斯维加斯。之后，他又将其数学和概率天赋应用于华尔街，以系统性的量化手段战胜了市场，他的基金在近 30 年里取得了年化 20% 以上的收益率。Thorp 可以算作是最早将量化技术引入投资的先驱（Thorp and Kassouf 1967）。
 
将这两人凑到一起的是 Ralph Waldo Gerard，时任 UCI 研究生院的院长。他之前一直将自己的钱交给 Buffett 管理并获得了很高的收益。然而在 1968 年，Buffett 发现使用他的老师 Graham 那一套已经无法找到足够多的便宜的股票了，因此决定将资金退回给投资人。这就是 Gerard 需要换一个人帮他理财的契机，而他很自然的想到了他在 UCI 的朋友 Thorp，另一个惊世天才。
 
于是便有了上面所说的会面。
 
 
见面后，Buffett 和 Thorp 都给予对方很高的评价。Thorp 回家后和他妻子说，Buffett 将在未来成为这个世界上最富有的人。而 Buffett 对 Thorp 的直接评价我们不得而知，但从侧面可以猜想到应该也不低，因为在这次碰面后，Gerard 将自己的钱交给 Thorp 管理。
 
这大概是基本面分析（fundamental analysis）和量化投资（quantitative investment）的第一次握手。而讲这个故事也是为了引出今天的主题 —— 基本面量化投资。
 
 
 
2、从基本面分析到基本面量化投资
 
近年来，因子投资（factor investing）被广泛接受。其中很多因子是通过财务报表中的会计学指标构造的，比如 Book-to-Market Value、Return on Equity 等，它们被称为基本面因子。定量使用这类因子进行的基本面投资则被称为基本面量化投资（Quantamental），这个概念也已深入人心，Quantamental 在华尔街大行其道。
 
基于某些 financial ratios 并利用 portfolio optimization techniques，大量的 rule-based 选股策略被发明出来；它们被视为继承了基本面分析（fundamental analysis）的衣钵。另一方面，因子投资的普及造就了数不胜数的 smart beta ETFs 产品；其中不乏对标基本面分析的 Value 和 Quality 因子类产品。这些低成本 ETFs 让普通投资者享受因子投资的同时，也推波助澜了基本面分析的“因子化”。面对如此影响深远的变化，Wall Street Journal 不禁高呼“The Quants Run Wall Street Now”。
 
 
随着使用因子来执行的基本面量化投资的影响日益深远，也有学者表达了担忧。代表性的观点是，虽然量化较主观投资有着毫无争议的优势（比如可以摒弃人的认知偏差、可以回测）；但仅仅使用财报中的 financial ratios 这种相对“简单粗暴”的方式远非基本面分析的合格代替品；使用财务数据排序来构建因子的量化手段仅仅是对证券内在价值（intrinsic value）进行 naïve estimate。
 
上述观点背后的代表人物正是以研究盈余操纵而闻名的 Richard Sloan。对于 Sloan 教授，我想不用多做介绍。小伙伴们对他关于 earnings management 以及 accruals 的著名论文 Dechow, Sloan, and Sweeney (1995) 以及 Sloan (1996) 都谙熟于心。
 
2017 年，Sloan 应美国会计协会（AAA）主席邀请作为当年 AAA 年会 Presidential Scholar 的演讲嘉宾之一，做了一篇题为 Fundamental Analysis Redux（基本面分析的重生）的报告。在报告中，Sloan 表达了基本面投资“因子化”的担忧：学术界越来越忽视 fundamental analysis 的重要性，而是倾向于用有限个简单的财务指标构建因子模型来代替前者；基于因子的基本面量化投资很容易忽视掉财报中的重要信息，且这些指标的数值反映的很可能是失真的会计数据（上市公司充分利用会计准则来产生会计报表）而非某种能够实现盈利的错误定价机会。
 
Sloan 在 AAA 年会做的这篇报告于 2019 年发表于 The Accounting Review（Sloan 2019）。作为基本面量化投资的拥护者，我看后感受颇深，也非常同意量化投资和基本面分析的相结合不应仅仅止步于挑选几个财务指标构建因子这个层面。
 
本文接下来几节就来梳理一下 Sloan (2019) 这篇文章的主要内容。行文中也会加入一些其它相关文献作为支持。希望它能带给各位小伙伴一些思考。
 
感谢汪荣飞博士发给我 Sloan (2019) 这篇文章。
 
 
 
3、基本面分析：A Brief History
 
基本面分析源自 Graham and Dodd (1934) 这本著名的 Security Analysis；基本面分析旨在通过定量和定性分析与上市公司相关的经济和金融数据来衡量证券的内在价值。而 Security Analysis 所提倡的基本面分析技术直接催生了金融分析师（financial analysts）这个职业。
 
1937 年，纽约证券分析师协会成立并于 8 年后推出了 The Analysts Journal。1947 年，美国一些地方的证券分析师协会合并，成立了第一个全国性的金融分析师协会（National Federation of Financial Analysts Societies）。随后，该协会更名为 Financial Analysts Federation（FAF）；The Analysts Journal 也更名为 Financial Analysts Journal。1959 年，Institute of Chartered Financial Analysts（ICFA）成立并开始举办 Chartered Financial Analysts（CFA）考试。最终，FAF 和 ICFA 合并组成了如今家喻户晓的 CFA Institute。
 
随着金融分析师行业的发展，在上世纪 70 年代前后，基本面分析主宰了华尔街。在机构方面，有像 Fidelity 这样的巨头使用严格的基本面分析来推行它们的业务；而在投资者方面，有像 Warren Buffet 和 John Neff 这样的明星作为基本面分析的拥趸。此外，CFA Institute 在其课程设置上也把基本面分析作为在重中之重。
 
然而就在同期，随着学术界在金融领域的迅速发展，一些变化悄然发生了。
 
自上世纪 50 年代开始，现代投资组合理论、CAPM、有效市场假说（EMH）以及期权定价相继被提出，奠定了金融学的基础。而它们之中，对基本面分析造成最大冲击的当属有效市场假说。Fama (1965) 写到：
 
“If the random walk theory is valid and if security exchanges are ‘efficient’ markets, then stock prices at any point in time will represent good estimates of intrinsic or fundamental values. Thus, additional fundamental analysis is only of value when the analyst has new information which was not considered in forming current market prices or has new insights concerning the effects of generally available information which are not already implicit in current prices.”
 
如果市场是有效的，那么价格已经很好的反映了证券的内在价值。因此，除非分析师有新的消息（或者对已有消息有新的解读），否则是无法通过已有财报找到定价错误的。虽然 EMH 从推出以来就一直伴随着争议（往回翻仔细看本文第一张图左上角 Buffett 的那句话），但它依然作为市场第一范式牢牢统治了学术界的课堂。
 
以 Bodie, Kane, and Marcus (2017) 这本投资学圣经（可以算是美国各大商学院投资学课程的指定教材；2017 年为第 11 版）为例，其写作理念就从一定程度上支持了 EMH 作为教学的第一范式，因此仅使用了很少的篇幅介绍基本面分析，而将更多的章节留给投资学中的其他内容：
 
“The integrated solutions for Bodie, Kane, and Marcus’ Investments set the standard for graduate/MBA investments textbooks. The unifying theme is that security markets are nearly efficient, meaning that most securities are priced appropriately given their risk and return attributes. The content places greater emphasis on asset allocation and offers a much broader and deeper treatment of futures, options, and other derivative security markets than most investment text.”
 
80 年前，Graham and Dodd (1934) 这本 Security Analysis 用了 15 章用来介绍基本面分析；而如今在 Bodie, Kane, and Marcus (2017) 这本几乎商学院学生人手一册的经典著作中，仅用了 1 章介绍基本面分析。与之形成巨大反差的是，该书中有 9 章介绍投资组合管理、3 章介绍资产定价、2 章介绍有效市场假说，以及 4 章介绍衍生品定价。
 
这种学术界和教学中对于基本面分析的逐渐忽视潜移默化的影响了一代代新人，让严谨且科学的基本面分析走出了大众的视野。
 
 
 
4、基本面量化投资：A Brief History
 
本小节来回顾一下使用因子进行基本面量化投资的发展史。
 
我在之前写过一篇关于因子投资的综述性文章《学术界、管理人、投资者视角下的因子投资》，从三个维度阐述了因子投资的发展。该文的很多观点和 Sloan (2019) 不谋而合。感兴趣的小伙伴不妨一读。下面主要介绍下 Sloan (2019) 中的观点。
 
对于股票市场的定量分析很大程度上得益于上世纪 60 年代 CRSP 推出了股票价格数据，因为它让回测成为可能。有了数据的支持，学术界各显神通，先是对 CAPM 进行了检验并拒绝了它，而后又接二连三的发现了一个又一个的异象（anomalies）或因子（factor）。比如著名的 Fama and French (1993) 三因子中的 Book-to-Market Ratio（B/M）就是一个 value 因子。
 
随着学术界在挖掘异象的道路上越走越远，业界自然也没闲着。业界把学术界的研究成果很好的落地化，变成了许多 style indices（风格指数）。举例来说，1987 年 Russell Investments 推出了最早的两个风格指数，分别对标价值股和成长股，而构造方法恰恰是 B/M：B/M 前一半的股票被放在了 Value Index、B/M 后一半的股票被放在了 Growth Index。在这之后，S&P、MSCI 以及 CRSP 也推出了它们各自的风格指数。
 
最初，推出这些指数的目的是用来评估主动基金经理人的业绩。然而不久之后，复制这些指数的基金便应运而生，而这其中的代表则是大名鼎鼎的 Vanguard。1992 年，Vanguard 推出了第一支 value index fund（和第一支 growth index fund）：
 
“The Value Portfolio seeks to replicated the aggregate price and yield performance of the S&P/Barra Value Index, an index which includes stocks in the S&P 500 Index with lower than average ratios of market prices to book value. These types of stocks are often referred to as ‘value’ stocks.”
 
Index-based Value Funds 一经推出便受到了追捧。人们把它们视作主动型价值投资的低成本替代品。鉴于 Value 因子取得的巨大成功，业界也开始把关注的重点进而转移到学术界发现的其他显著异象，并构造出了一系列 smart beta 产品。在这之中，除了 value 之外另一个高度依赖财务数据的则是 quality 因子。
 
下图展示了 MSCI、Russell 以及 Fidelity 三家提供的 quality index 的选股标准。虽然每一家都用了不止一个财务指标来描述高质量公司，但我们也不得不承认，这些标准依然非常粗糙。颇有意思的是这三个构造方法都是用了某种投资回报率指标（如 ROE 或 ROA）。这很大程度上得益于学术界在 profitability 上的研究成果（比如 Novy-Marx 2013）；同时也反映出业界对于学术界的最新发现追踪的非常及时。截止 2018 年 4 月，规模最大的 quality 因子 ETF —— the iShares Edge MSCI USA Quality Factor ETF —— 的资金量高达 45 亿美元。
 
 
除了单一因子的指数外，业界的另一创新是将多个因子融合到一个 index-based 产品之中（multiple factor investing）。这样，投资者只需要购买一个对应的 ETF 就可以分散化的暴露于几个相关性较低的风格因子（尽管它们的尾部风险相关性并不低……）。这其中最著名的要数 MSCI Diversified Multiple-Factor 系列产品，它的目标是最大化的暴露在 Value、Momentum、Quality 以及 Low Size 四个因子上。在该产品线上，规模最大（10 亿美元）的 ETF 是 iShares Edge MSCI Multifactor USA ETF。
 
除了这些 index-based 产品之外，华尔街上还有数不胜数的管理人采用基于因子的方法实践着基本面量化投资；这其中不乏 Dimensional Fund Advisors、AQR Capital Management、Arrowstreet Capital 等耳熟能详的名字。这些基金都有基于因子的基本面量化投资产品。
 
上述这些推动了基本面投资“因子化”的盛行；却也使得这种投资手段变得异常拥挤。
 
 
 
5、基本面投资“因子化”的不足
 
面对大量相似的、几乎没有秘密可言的基本面因子产品，一个自然而然的问题就是它们能赚到钱嘛？事实上，以因子投资的先驱和倡导者 AQR 为例，它这几年的因子产品表现可谓惨不忍睹（见《艰难时刻需要坚韧信仰》）。
 
对于上面这个问题，客观的答案是：像 Value、Quality 等风格因子从长期来看是有风险溢价的。对很多 super investors 业绩的归因也可以佐证这一点 —— 这些大佬的收益在很大程度上可以被上述风格因子解释。但是，对于短期内某个乃至全部主流风格因子的表现，投资者必须要有非常理性的预期。
 
近日，Rob Arnott、Campbell Harvey 等人发文阐述了因子投资中的三大问题（Arnott et al. 2019）。其中第一条就是投资者错误的预期，包括低估了样本内过拟合的风险（一些因子本来就是假的）、没有考虑竞争带来的因子拥挤、以及对实际交易成本估计严重不足等问题。这三点在 Sloan (2019) 中也有介绍。下面分别来看。
 
Data Mining（p-Hacking）
 
通常来说，我们认为一个因子有效是因为它在回测中取得了非凡的风险收益特征。然而，由于 multiple testing 的问题，很多所谓显著的因子或异象仅仅是数据挖掘的产物。Harvey, Liu, and Zhu (2016)、Green, Hand, and Zhang (2017) 以及 Hou, Xue, and Zhang (2018) 的研究结果均支持上述观点。关于 multiple testing 造成的危害，公众号之前已经反复强调过了，感兴趣的小伙伴请看《出色不如走运 (II)?》、《出色不如走运 (III)?》以及《美丽的回测 —— 教你定量计算过拟合概率》。
 
因子拥挤
 
一个新因子被提出后，随着越来越多人使用，它在样本外的效果则会打折扣。McLean and Pontiff (2016) 研究了 97 个因子在被发表之后的表现，发现因子的收益率比样本内降低 50% 以上。Rule-based 的因子投资更是加剧了这种负面影响。任何一个投资策略想要持续赚钱都是利用了市场在某方面的非有效性。当使用的人越来越多，市场在这方面就会变得更有效，从而降低了该因子获取收益的能力。
 
因子拥挤也会造成流动性冲击。一旦市场中发生冲击风格因子的事件后，持有相似头寸的管理人会竞相卖出手中的股票，由此产生的流动性危机会造成很大的亏损。2007 年 8 月，美股市场上一些非常优秀的量化对冲基金在短时间内录得了巨大的亏损。Khandani and Lo (2011) 对此进行了研究并发现，很多量化基金经理在短时间内清理了相似的头寸，巨大的抛压对流动性造成了巨大的打击、使得这些股票的价格在短时间内大幅下降。
 
实施成本
 
大多数研究因子的学术论文中并没有对交易费用给予充分的考虑，造成对因子收益率的高估。此外，由于因子投资组合一般都是多、空对冲的组合，因此如果不合理考虑做空限制，也会高估因子的收益。以 value 因子为例，Kok, Ribando, and Sloan (2017) 指出并没有证据表明基于 B/M ratio 的策略可以持续的战胜基准。B/M 在回测中的良好表现主要来自于做空一小撮微小市值的成长股。因此，尽管该因子的 on paper 收益率很高，但在实际中考虑了各种成本和费用之后，却难以盈利。
 
毫无疑问，以因子为工具的基本面量化投资带给人们全新的投资途径。然而，上述诸多问题也随着它的发展变得日益严重，蚕食了因子投资的收益。究其原因，还是因为仅仅基于几个财务指标来构建因子这种做法相对粗糙，它们在很多时候难以反映财务报表中所传递出来的最具价值的信息。从这个意义上说，基本面投资的“因子化”还远远不能取代基本面分析。
 
下面通过 Sloan (2019) 中的一个例子说明基本面分析的价值以及因子投资对此的无能为力。
 
 
 
6、A Case Study
 
Big Five Sporting Goods（下称 BIG5）是一家总部位于加州的体育用品零售商，主要针对美国西部市场。下图展示了该公司于 2017 年 3 月 31 日最新的财务指标（针对 2016 财年）。图中八大指标分别属于 Value、Momentum、Quality 以及 Low Size 四大主流因子。对比 BIG5 和全部股票可知，该公司集 high value、high momentum、high quality 以及 low size 四大优点于一身。
 
 
如此“优异”的股票怎能不令人心动？该公司也毫无悬念的从基本面多因子选股体系中脱颖而出，成为了各路策略追逐的明星。下表展示了 2017 年 3 月 31 日持有该股票的前十大机构（BlackRock、Dimensional Fund Advisors、Vanguard 等赫然在列）。
 
 
当上述这些机构靠着多因子信号竞相购买 BIG5 之时，它的前最大股东 Stadium Capital 却悄悄的在 2016 年 6 月到 2017 年 3 月之间把它所拥有的全部 13% 股份先后卖出。与上述这些机构不同的是，Stadium Capital 是一家专注于基本面分析的对冲基金。
 
究竟是谁比谁更聪明？是使用多因子投资的这些机构，还是站在它们对立面的、深谙基本面分析的 Stadium Capital？科学的基本面分析将会告诉我们答案。
 
随着以 Amazon 为代表的 online 电商的迅速发展，传统零售商受到了巨大的冲击，BIG5 自然也不例外。而其在 2016 财年的优异表现得益于它比它的竞争对手活的更长一些。BIG5 的两大竞争对手分别为 The Sports Authority 和 Sports Chalet。由于整个传统零售行业下行，这两位纷纷于 2016 年申请破产，这立竿见影的减少了 BIG5 在线下面临的竞争。竞争对手的破产使得 BIG5 称为线下消费者的唯一选择，很大程度上提振了 BIG5 在 2016 年的业绩。但考虑到行业受到电商的冲击，这也仅仅是回光返照而已。在 2016 年 Q3 的财报中，BIG5 也坦承了这一点：
 
“Results were driven by strong sales growth, including increases in both customer transactions and average sales, as well as improved merchandise margins, and clearly reflected the benefit from the closure of over 200 Sport Authority and Sport Chalet store locations in our markets.”
 
然而上述 8 大指标的优异数值并不能反映出上述问题。
 
除了竞争对手的纷纷垮台之外，另一大提升 BIG5 业绩的事件是 2016 年美国总统选举。当时，民主党候选人希拉里呼声颇高，而希拉里的主张之一是限制枪支。大量的枪支拥护者担心希拉里如果当选将会颁布更严厉的控枪措施，因此在当年 11 月份大选之前纷纷购置了更多的枪支。作为枪支的销售商，BIG5 受此事件影响而大大提升了销售额。后面的事情大家都知道了，特朗普当选，舆论哗然；而枪支销售给 BIG5 带来的高收益也仅仅成为昙花一现。
 
再一次的，上述 8 大指标的优异数值全然无法反映上述问题。
 
从 value 因子角度来看，2016 年销售额和盈利的激增让 BIG5 非常诱人。但当我们通过基本面分析得知这背后的原因就会明白，这么高的财务数据是难以持续的。如果以它们来外推，根本无法对该公司基本面的变化做出正确判断。下图显示了该公司 2016 到 2017 年股价和 EPS 的走势。
 
 
再让我们看看 quality 维度的 ROE 指标。财报显示，BIG5 的 ROE 高达 0.084。但基本面分析发现其财报中存在斯通见惯的“old plant trap”，这极大降低了 ROE 中作为分母的 the book value of equity，从而虚高了 ROE。由于 BIG5 处在一个衰落的行业之中，其 PP&E 的摊销成本大大低估了其原始成本。具体来说，PP&E 的原始成本为 3.2 亿美元，而 2016 年财报中它的 net PP&E 仅为 7 千 8 百万。为了对此进行修正，Sloan (2019) 将 PP&E 的累积贬值加回到 book value of equity 之中，从而增大了 ROE 的分母。重新计算后，ROE 较前值 0.084 降低了 50% 以上，仅为 0.039。以这个水平来说，BIG5 并没有创造很好的回报。
 
除 ROE 之外，quality 的另外两个指标 debt to equity 以及 accruals to assets 也出现了不同程度的失真。对于前者的计算，没有考虑 operating leases。一旦把它加入，BIG5 的 debt to equity ratio 便从 0.065 一下跳升至 1.500（直接落入高杠杆 quantile）。对于后者，BIG5 在 2016 年末有一大笔 accounts payable。因此，仅看其财报上的 high cash flow 实际上并不能正确判断其真实的运营情况，该 high cash flow 在未来难以持续。
 
当我们使用基本面分析搞清楚了 BIG5 所处的行业背景以及其财报后面的来龙去脉，变会恍然大悟。原来在和因子投资机构的比拼中，Stadium Capital 笑到了最后。
 
这个例子说明仅用简单的因子是难以捕捉财报中其他有价值的信息。即便是在因子投资为主宰的今天，科学、严谨的基本面分析仍有很高的价值。
 
 
 
7、结语
 
最后聊聊我看完 Sloan (2019) 的感受。
 
我猜有些小伙伴会认为 Sloan (2019) 仅使用了很少的例子（原文中用了两个 case studies；本文介绍了 BIG5 这一个）说明基本面分析的价值并“否定”因子投资不足以令人信服。毕竟，基本面投资的“因子化”和基本面分析的使用者所具备的 skill sets 不同。
 
对于普通投资者，正因为不具备专业金融分析师的基本面分析能力，才使用因子投资；而使用 value、quality 这些风格因子的目标是以概率取胜。换句话说，也许使用有限个因子挑出来的个别股票并不靠谱（比如上面的 BIG5），但只要控制好仓位，让选出的标的足够分散，那么还是能够依靠概率优势和大数定律获得长期的风险溢价。
 
长久以来，学术界的一种主流观点是：由于有限套利，市场并非完美有效；而定价错误的大小应刚好等于通过基本面分析（以发现该定价错误）的套利成本。而显然，使用一些广为人知的因子来实现基本面量化投资并没有套利成本，所以因子投资者应该对它能够取得的效果有正确的认知。就因子投资的效果来说，样本内的过度挖掘以及样本外的过度拥挤都会对其产生很大的负面影响；基本面投资的“因子化”并不等同于基本面分析。
 
我想，这才是 Sloan (2019) 呼吁重新重视基本面分析的初衷。在 Security Analysis 中，Graham 和 Dodd 就曾明确的指出投资者不应仅仅依靠几个量化的指标来制定其投资决策，而是应该进行全面系统的基本面分析。
 
当然，这不意味着量化和基本面分析不能结合。
 
随着近几十年投资学作为一门独立学科高速发展，数量化的触角已经渗透到投资流程的方方面面，如今可以说是无量化不投资。时至今日，广义的量化投资已经发展成为基于现代科学方法的理论体系、研究方式以及工程系统的总和。因此，基本面分析和量化投资的合二为一注定会发生。当前基于因子的基本面量化投资只是一个过渡，而这二者的最佳结合应是使用量化的手段来高质量、低成本的复制优秀基本面分析师对于财务报表勾稽关系的解读。当然，这绝不容易。
 
在现阶段，如何有效的利用基本面分析来提升因子投资的效果呢？主要有以下两个途径。
 
首先，利用会计学知识可以加工因子。举一个最简单的例子。Return on Total Assets（ROTA）是一个常用的指标。根据定义，它可以分解为：
 
 
上式左侧正是 ROTA。在上式右侧，它被分解为两部分的乘积。其中右侧第一项是 net profit margin，代表了公司的效益（effectiveness）；第二项是 total asset turnover，代表了公司的效率（efficiency）。ROTA 的高低由 effectiveness 和 efficiency 两要素决定。比起单一要素带来的高 ROTA 而言，当效益和效率都很高时，这个公司更有可能是优秀的公司。从这个猜想出发可以把 ROTA 因子改进分解成这两部分的组合，并以这两部分的综合评分来选股，以此和单纯使用 ROTA 选股进行对比。下表给出了在中证 500 指数上的效果。
 
 
结果显示，ROTA 分解后，纯多头组合的夏普率较单纯使用 ROTA 而言从 0.62 上升至 0.67。利用简单的会计学知识就有可能改进一个常见的因子并取得更好的风险收益特征。再次强调的是，这仅仅是一个 toy example；基本面分析在因子的改造中能够发挥更大的作用。
 
利用会计学知识和基本面分析的第二个重要作用是识别财务造假。无论是 Enron 的伪造收入，还是 WorldCom 的伪造利润和现金流，都可以从它们财务报表中寻觅出蛛丝马迹。会计学领域有很多经典著作揭示了财务欺诈的常见方法，非常值得学习。具备专业的基本面分析知识对于因子投资中的排雷至关重要。对于这方面的例子，可以参考申万宏源曹春晓分析师的报告《财务造假启示录：财务质量因子研究》；RiceQuant 对该研究也进行过复现（链接在此）。
 
基本面分析关心的本质是对公司未来现金流的预测。基于因子的基本面量化投资有其无可替代的优势，但仅依赖有限的财务指标所关注的仍然只是已经发生的过去。唯有以量化的手段进行基本面分析才有可能更好的预测未来。对于因子投资来说，科学、严谨的基本面分析将会持续创造价值。
 
放眼未来，量化和基本面分析的紧密结合将是大势所趋；而就目前来看，基于因子的基本面量化投资并非基本面分析的完美替代，一如 Sloan 教授在 Fundamental Analysis Redux 一文最后所说的那样：
 
“I acknowledge the benefits of quantitative investing, but argue that the simpleand well-known rules-based strategies that increasingly dominate today’sinvesting landscape are not good substitutes for fundamental analysis.”
 
参考文献
 
Arnott, R., C. R. Harvey, V. Kalesnik, and J. Linnainmaa (2019). Alice's adventures in factorland: three blunders that plague factor investing. The Journal of Portfolio Management, Vol. 45(4), 18 – 36.
 
Black, F. and M. Scholes (1973). The pricing of options and corporate liabilities. Journal of Political Economy, Vol. 81(3), 637 – 654.
 
Bodie, Z., A. Kane, and A. J. Marcus (2017). Investment (11th edition). McGraw-Hill.
 
Dechow, P. M., R. G. Sloan, and A. P. Sweeney (1995). Detecting earnings management. The Accounting Review, Vol. 70(2), 193 – 225.
 
Fama, E. F. (1965). Random walks in stock market prices. Financial Analysts Journal, Vol. 51(1), 75 – 80.
 
Fama, E. F. and K. R. French (1993). Common Risk Factors in the Returns on Stocks and Bonds. Journal of Financial Economics, Vol. 33(1), 3 – 56.
 
Graham, B. and D. L. Dodd (1934). Security Analysis. McGraw-Hill.
 
Green, J., J. R. M. Hand, and X. F. Zhang (2017). The characteristics that provide independent information about average U.S. monthly stock returns. The Review of Financial Studies, Vol. 30(12), 4389 – 4436.
 
Harvey, C. R., Y. Liu, and H. Zhu (2016). … and the cross-section of expected returns. The Review of Financial Studies, Vol. 29(1), 5 – 68.
 
Hou, K., C. Xue, and L. Zhang (2018). Replicating anomalies. The Review of Financial Studies, forthcoming.
 
Khandani, A.E. and A.W. Lo (2011). What happened to the quants in August 2007? Evidence from factors and transactions data. Journal of Financial Markets, Vol. 14(1), 1 – 46.
 
Kok, U. W., J. Ribando, and R. G. Sloan (2017). Facts about formulaic value investing. Financial Analysts Journal, Vol. 73(2), 81 – 99.
 
McLean, R.D. and J. Pontiff (2016). Does academic research destroy stock return predictability? The Journal of Finance, Vol. 71(1), 5 – 32.
 
Novy-Marx, R. (2013). The other side of value: the gross profitability premium. Journal of Financial Economics, Vol. 108(1), 1 – 28.
 
Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? The Accounting Review, Vol. 71(3), 289 – 315.
 
Sloan, R. G. (2019). Fundamental analysis redux. The Accounting Review, Vol. 94(2), 363 – 377.
 
Thorp, E. O. (2017). A Man for All Markets: from Las Vegas to Wall street, How I Beat the Dealer and the Market. England, London: Oneworld Publications.
 
Thorp, E. O. and S. T. Kassouf (1967). Beat the Market: a Scientific Stock Market System. New York: Random House.
 
免责声明：文章内容不可视为投资意见。市场有风险，入市需谨慎。
 
 
 
 
 
拓展阅读：
 
 
1.市面上经典的量化交易策略都在这里了！（源码）
 
 
2.期货/股票数据大全查询（历史/实时/Tick/财务等）
 
 
3.被动与主动的完美结合：指数增强策略的魅力
 
 
4.七种量化选股模型
 
 
5.如何设计量化交易策略？
 

以下哪个选项不是Python语言的保留字？
EXCEL2016中，向单元格输入内容后，想将光标定位在下一列，按（）健。A:TABB:CTRLC:ALTD:SHIFT
APCI源特别适合强极性化合物的分析。A:错B:对
从生产力发展水平看，三代是以青铜器为主要生产工具，被称为（）A:艺术起源B:原始艺术时代C:青铜时代D:艺术萌芽期
下列符号表示两拍的是A:B:C:D:
5G全网建设与优化仿真系统中，NSA组网下，5G基站直接接入到5G核心网，5G核心网传输信令，5GNR基站传输数据业务。A:对B:错
公元前1000-500年时，在如今意大利北部居住的是__________A:埃特鲁里亚人(Etruschi)B:东北的威尼托人(veneti)C:西北的高卢人（galli）D:拉丁人(latini)
有的时候，工程的实际使用寿命并会大于设计寿命。A:错B:对
插座的线路很简单，应遵循一个原则对于两孔插座，通常是左零、右火。A:错B:对
态度不是与生俱来的，且稳定而不变。A:错B:对
出口补贴对出口国消费的影响是（）A:国内价格下降消费增加B:国内价格上涨消费减少C:政府补贴支出增加D:出口量增加
控制的有效性取决于()。A:纠正的方法和方向B:监督的方法和力度C:科学的方法与工具D:计划的周密程度
约翰·罗尔斯要求人们采用“无知之幕”的思维方式，来寻求（）原则。A:程序公正B:分配公正C:交易公正D:补偿公正
脉冲反吹风袋式收尘器种类有（）。A:手动式B:电动型C:机动型D:气动型
由于书法是以汉字为塑造形象的材料，与人们的生活、学习、工作没有关系。（）A:对B:错
以下是挺水植物的是（）。A:金鱼藻B:苦草C:菱D:芦苇
Whatisthemainaimofbookreview?A:summariesreviewsandcommentstheresearchtrendsthemajordiscoveriessignificantfindingstheleadingopinionsonaparticularsubjectB:analyzingordiscussingresearchespreviouslypublishedbyothersC:analyzingaperspectiveorarguesapoin
声带小结喉镜下表现为（）A:单侧声带前1/3处游离缘突起；B:双侧声带前1/3游离缘对称性突起；C:双侧声带前中1/3游离缘突起；D:双侧声带中后1/3交点的游离缘对称突起。
海洋内波因为发生在海洋内部，所以没有什么危害。A:错B:对
Speakingreferstocharacterdialogs,whichservetopropelthedevelopmentofthestory.A:对B:错
建筑物的荷载最终是由基础承担的。A:错B:对
AutoCAD软件文字样式对话框中，“字高”不能设置为0，否则书写的文字高度即为0。A:错B:对
急性弥漫性增生性肾小球肾炎光镜下的主要病变为A:肾小球系膜基质增生B:肾小球内皮细胞和系膜细胞增生C:壁层上皮增生D:新月体形成E:肾小球基底膜增厚
几何条件反映的速度变化与截面变化的关系。A:对B:错
导游按工作程序，应该在规定时间要求送客到达机场，如客人乘坐的是国内航班，应提前多长时间（）A:120分钟B:60分钟C:45分钟D:90分钟
“替代性旅游”这一概念的几个核心成分包括：旅游者与当地人之间的接触和沟通、对平等的追求、（）、对环境意识的追求和对人文关怀的追求。A:对文化的追求B:对个性的追求C:对公益的追求D:对消费的追求
“选择性粘贴”对话框有哪些选项？A:批注B:全部C:数值D:格式
面部皮肤低度恶性肿瘤为()A:腺癌B:蕈样肉芽肿C:恶性黑素瘤D:基底细胞癌E:鳞状细胞癌
定量金相的基本符号采用国际通用的体视学符号，其中L表示（）。A:点数B:平面面积C:线段长度D:物体数
糖皮质激素的临床应用有_______________。A:各种休克B:低血容量性休克C:感染中毒性休克D:过敏性休克E:心源性休克
技术创新，只有通过有独创意义的设计创造出全新的产品成为引导消费的先驱。虽然功能性的创造离不开技术设计，但产品设计对功能的创造与技术设计是不同的。A:对B:错
江西某公司为获取一项工程合同，拟向工程发包有关人员支付好处费10万元。公司市场部持公司董事长的批示到财会部申领该笔款项。财会部经理王某认为，该项支出不符合有关规定，但考虑到公司主要领导已作出了批示，即同意拨付该笔款项。下列各项中，正确的是（）。A:王某的行为与会计职业道德无关B:王某的行为违背了坚持准则的会计职业道德要求C:王某的行为违背了爱岗敬业的会计职业道德要求D:王某的行为符合参与管理的会计职业道德要求
与女子胞关系密切的经脉是（）A:任脉B:带脉C:督脉D:冲脉
顺治十四年江南乡试案中，因为（）中举方氏家族成员受到牵连而被流放。A:方孝标B:方犹C:方拱乾D:方章钺
同一优先级的中断源同时发生时，CPUA:外部中断1B:定时器0中断C:定时器1中断D:外部中断0
在sheet1工作表中引用sheet2中A1单元格的内容，引用格式为sheet2.A1.A:对B:错
基于新型半导体结构的FPGA的两种结构有：碳纳米管交叉开关结构、忆阻器结构。A:错B:对
Whatdoestheword“catchy”mean?A:歌曲朗朗上口的B:主题容易抓住的
阿莫西林粉主要用于治疗鱼类细菌性疾病。A:错B:对
有车之人对某款车的评价不会受自己车子品牌的影响。（）A:错B:对
创业者应该如何有效资源整合？（）A:发挥自有资源杠杆作用B:设置利益“共赢”机制C:用心经营人脉资源D:控制启动期费用支出
如果(1)锗用锑(A:(1)为n型半导体(2)为p型半导体B:(1)(2)均为n型半导体C:(1)(2)均为p型半导体D:(1)为p型半导体(2)为n型半导体
在Excel?2010中，可在原工作表中嵌入图表，也可以在新工作表中生成图表。A:对B:错
情绪与肝有关是因为（）A:肝主疏泄能调节情志B:肝主升发C:肝能藏血和调节血量D:肝能调节女子月经和男子排精
学生的知识学习过程主要是一个对知识的内在加工过程，包括三个阶段A:知识应用B:知识反馈C:知识获得D:知识保持
肾综合征出血热病毒感染引起的典型临床表现有A:头痛眼眶痛腰痛B:面、颈、上胸部潮红C:水肿D:出血和肾损害E:高热
信息的外部来源产生在（）。A:市场推广信息B:经验来源C:私人来源D:公共来源
JSON使用什么符号来表示对象？A:[]B::C:{}D:""

ArcGIS水文分析实战教程（2）ArcGIS水文分析工具的基本原理
 
 
 
作为成熟的GIS软件，ArcGIS提供了相当不错了水文分析工具。包括在spatial扩展中提供的水文分析工具集和地下水分析工具；如果还关注ArcGIS周边，还能发现美国还有一个团队在一直维护ArcHydro工具集。ArcGIS软件在地表水分析方面的研究成果还是相当不错的，目前已经非常成熟；地下水分析方面还处于起步阶段，只提供少有的几个工具；而ArcHydro则是免费的专业级别的水文分析工具集合。
 本章节主要介绍ArcMap中原生的水文工具集，力求让广大读者了解其运作原理。了解原理之后才能制定其分析流程。 BY 李远祥
 
 
了解ArcGIS水文分析工具
 
ArcGIS在其ArcToolBox中提供了水文分析工具集，其作用主要是模拟地表水形成径流的过程，并利用这一模拟过程实现河流、出水口以及流域的提取。由于水文分析工具集在spatial工具箱中，因此要运行它，必须具备spatial扩展授权。
 
水文分析工具集提供总计11个工具，如下图
 
 
相对于ArcHydro上百个工具，原生的水文分析工具显得相对少了点，但每一个工具都非常的实用。它的所有的分析都是基于数字高程模型（DEM）和D8单流向算法进行的，因此，了解DEM和D8算法是相当重要的。
 
了解DEM数据
 
对GIS人员来说，DEM是常见的数据格式了。但对水文分析人员，不一定都了解。DEM是一种连续的栅格的，每一个栅格代表一个矩形范围，而每个栅格用不同的灰度值表示其高程值。如下图
 
 
因为DEM是连续的栅格数据，ArcGIS软件默认给定的是灰白的渲染模式，因此，如果不看其图例，一般人是不清楚DEM数据表达的地形的。
 
 从图上可以看出，该区域最高的地方为4327米，最低是442米。而渲染方式是地形数值越高越偏向亮色，地势越低越偏向黑色。基本上可以看清楚发亮的部分是山脊，而黑色部分是山谷或者河流。连续灰度的渲染方式是给机器计算时使用的，如果像更好的表达DEM数据，更符合人类阅读，可以通过DEM生成山体阴影，然后叠加彩色的渲染方式，可以参考笔者之前的文章《ArcGIS制图技巧系列（2）地形渲染》，其效果大概如下图
 
 这还不是关键，了解DEM关键的要清楚DEM的元数据信息。这个元数据信息可以在在【图层】右键【属性】中查看。
 

 从元数据信息可以看到该DEM的像元大小是30*30，也就是每一个栅格的格子代表实际面积为30 * 30 见方。如果加上上面的行数和列数788 * 768 ，那么可以计算出该区域的总面积为30 * 30 *788 * 768 （平方米）。这就是DEM元数据信息中所包含的重要信息。
 
 
 
在利用DEM做河流提取和流域提取时，要限制最小区域的集水区（即形成河流的最小汇水面积），那就需要通过DEM的元数据信息进行换算栅格的格子数。例如最小的流域为9平方公里，那么换算成该数据的栅格数据为9000000/30/30 = 10000（格子数）。这会在后面流量分析中提及到。
 
 
D8单流向算法
 
前面提及到ArcGIS水文分析的两个重要的基础，一是使用DEM进行分析，二是分析的基础算法为D8单流向算法。
 D8算法是假定雨水降落在地形中某一个格子上，改格子的水流将会流向周围8个格子地形最低的格子中。如果多个像元格子的最大下降方向都相同，则会扩大相邻像元范围，直到找到最陡下降方向为止。如图所示
 
 其流向则用2的n次方表示，从0开始，按照逆时针分别为递增，其方位编码如下图所示
 
 
 
 
这样编码的好处自然是通过数学的方式，让计算机可以非常快的使用二进制进行索引，加快大区域的流量累计统计。
 
 
所以，D8 算法又称作单流向算法。其特点就计算速度快，能够很好的反应出地形对地表径流形成的作用。但其弊端也是显而易见。因为水流只流向一个方向，是单线传递，一旦遇到某一洼地的时候，周边的水流都会集中向该洼地流入，导致断流现象,而现实中由于水会向多个方位不定向的流动，是不会轻易导致断流的。如果要避免这种情况发生，就需要对地形中的洼地进行填平，确保水流也能从该洼地流出。这就是为什么水文分析工具中出现了一些与水文分析完全没有关系的一个工具–填洼 。
 
 
 
从D8算法可以看出，ArcGIS的水文分析工具是依赖无凹陷的DEM地形的，所以在分析之前都必须对DEM数据进行检查。【汇】工具和【填洼】工具就是为了分析前查找和填平洼地而生的，在使用水文分析之前必须要使用这两个工具对DEM进行处理。
 单流向算法影响限制了ArcGIS水文分析工具的使用。尤其是地势平坦的地区和人工干预比较多的城市区域，基本上不适用。因为地势平坦导致水流无法沿某一方向流动而形成径流。
 另一种情况是事实上的断流形成，如存在地表水流汇流入地下水系的情况。一旦出现流入地下暗河，D8算法就完全失效。因此，在喀斯特地貌中同样也不适用。
 
 
D8算法是完全不考虑降雨的多少、土壤渗透率、植被吸水以及水流挡阻等水文过程，它只是假定有无限的降雨并最终汇聚水流形成径流，并通过汇流范围来定义最终的河流。因此，它只是一个径流汇成河流的定性分析（尽管流量计算看起来是有定量因子），并不能通过其流量算法去做水文的预报。
 
关于流量
 
ArcGIS水文分析中的流量并不是指水文监测中的实际流量，它只是流向分析结果的一个栅格累计计算。流量栅格中每一个像元记录的是流向栅格中流向该点的栅格数量的总和。如下图所示
 
 从原理上可以看出，如果将流量上栅格上的某一点作为出水口，那么，所有流向该点的像元的集合便构成了一个最小的集水区域。所以，如果要针对分析区域进行小流域的划分，那么前提条件便是要得到流向和流量栅格，并且要根据栅格像元的大小计算最小的积水区域，而这个区域的计算则需要将面积换算为栅格的数量。
 
 
 
换算的方法在前面DEM介绍部分已经说明清楚，读者可以往上翻页再次浏览。ArcGIS的官方文档是不会对这些换算的方法进行说明，因为它面向的是偏计算机专业的人员，水文专业人员可能会对此比较难以理解。
 
 
工具中的水文学术语
 
在ArcGIS水文分析工具11个分析工具中，只有河流链接、河网分级、分水岭、河流长度 这几个才是直接对接水文学术语。
 
河流连接
 
ArcGIS官方帮助写得相当羞涩难懂，其工具解释如下
 
 
 
向各交汇点之间的栅格线状网络的各部分分配唯一值。
 
 
基本上单看帮助说明，不管是GIS人员还是水文专业人员都不知道所云。再看其插图，基本上可以看出其具体作用，就是针对一定流量的径流进行交互连接。如下图所示
 
 但问题又来了，在传统的水文学上，河流链接是分为外链和内链的，用于判定是否存在支流及河源。所以，这个工具也仅仅是作为基于DEM生成河网的方式。下图为水文学上得河流链，可以对比一下其区别。
 
 
河网分级
 
河网分析是根据水系的连接情况进行等级划分。ArcGIS的这个工具基本上可以跟水文学能够完全对接。但它只支持水文学上最常用的两种分级模式–斯特拉勒（STRAHLER）和施里夫（SHREVE）分级方法。
 
 
 
这里的分级方法与传统的地理学河流分级不一样。地理学上大江大河定义为一级，如长江、黄河、珠江这些定义为一级河流；西江属于珠江的一个大支流，定义为二级河流，如此类推。这只是方便水利主管单位对流域进行管理去定义的，在水文分析中这种定义方式没有太大的使用价值。
 
 
在水文学上主要使用以下几种分级模式
 
 
格雷夫利厄斯(Gravelius)分级法
 格雷夫利厄斯(Gravelius)分级法有点类似中国传统的河流分级定义，水系中最大的主流为1级，直接汇入1级河流的水系为2级，依次类推直到分级完成。
 
 
霍顿（Horton）分级法
 霍顿（Horton）分级法将最小的没有分支的水系定义为1级，只接纳1级河流的水系定义为2级，只接纳2级河流的水系定义为3级，如此类推直到定义完成。
 
 
斯特拉勒（STRAHLER）分级法
 斯特拉勒（STRAHLER）分级法，没有支流汇入的水系定义为1级别，两个相同级别的水系汇入某一河流时，河流等级增加1级；如果等级不同，则以最大等级的河流相同。依次分级完成所有定义。
 
 
施里夫（SHREVE）分级法
 施里夫（SHREVE）分级法有点类似累计分级，将没有支流的水系定义为1级，多个支流汇入，将其级别相加作为汇入河流的级别。如此类推直到分级完成。
 
 
沙伊达格分级法
 沙伊达格分级法是施里夫分级法的一个变种，分级方式与施里夫方法一致，只是将没有支流的河流定义为2级，这样所有的河流级别都是偶数。
 
 
以下是各种河网分级的示意图
 
 格雷夫利厄斯分级法：水系中河流越小，级数就越大,难以区分水系中的主流和支流，同样为1级的河流可能相差较大。
 霍顿分级法：2级以上的河流均可以一直延伸到河源，但实际上它们的最上游都只具有1级河流的特征。
 斯持拉勒法：不可能像霍顿分级法一样将2级以上河流都一直延伸到河源，因而总是将能通过全流域水量和泥沙量的河流作为水系中最高级的河流的。斯持拉勒法主要不足是不能反映流域内河流级愈高，通过的水量和泥沙量也愈大的事实。
 施里夫和沙伊达格分级法：很好弥补了上述分级方法的缺陷，非常适合在数值上进行计算。
 
 
 
为什么ArcGIS只保留斯特拉勒（STRAHLER）和施里夫（SHREVE）两种分级方法。笔者认为如果单从统计方面来说，施里夫（SHREVE）方法是最优，毕竟其推导有点类似汇流的计算，在水文流量和泥沙量的一些模拟上应该有比较大的参考价值。
 斯特拉勒（STRAHLER）分级方法，一些研究水文的大师级人马认为它是根据水系形态与水文要素综合分析引导出来的，可以作为寻求水系地貌的基础。
 ArcGIS是根据流向和流量栅格来计算地表径流（非河流），而河网分级工具并不是对已有的河流进行分析，而是针对具有一定流量的地表径流进行分级，分级之后再作为地表径流转为真正河流的基础。所以，笔者认为，如果是希望通过DEM去提取水系，那么采用斯特拉勒（STRAHLER）分级方法作为依据；如果是希望寻找河网链与流量、泥沙量的关系，推荐使用施里夫分级方法。
 
 
分水岭
 
ArcGIS的分水岭实际上就是水文学上的分水线围闭而成的面。引申出来的就是集水区、流域。分水岭是可以嵌套的，例如大的分水岭嵌套若干个小分水岭，也就是大流域里面包含了如果个小流域。
 下图是ArcGIS软件对分水岭组成的说明，这并不是水文学上的分水线定义。
 
 
水流长度
 
水流长度工具的主要用途是计算给定盆地内最长水流的长度。这个跟水文学上的定义可以对上。
 
本章总结
 
本章主要是针对ArcGIS中的水文分析工具的一些基本原理和方法，对应水文学的一些相关原理进行论述。希望能通过一些简单的对照，能够帮助GIS和水文分析人员增强对行业和工具理解，能够在后续的分析工作更加精准的设置工具的参数，正确使用工具来辅助分析决策。

1、总资产报酬率(ROA)：
 
是相对于公司资产总值而言的，该公司获利能力的一项指标。总资产报酬率(ROA)对该公司使用资产创造经济效益的能力上，提供了一个基本概念。以该公司年度总收益除以资产总值所得的数字比率，即为该公司的总资产报酬率，有时亦称之为”投资报酬率”。
 
2、股东权益报酬率(ROE)：
 
是公司获利是否丰厚的一项衡量标准，它代表公司使用投资人投入的资金创造利润的能力。以公司收入净值除以股份总额所得之数字比率，即为股东权益报酬率(ROE)。股东权益报酬率是比较相同产业中公司获利能力的一项重要数字。
 
3、本益比：
 
以每股股价除以每股盈利所得之数字。这项数字可能是最常用到的评量方式，它可以用于比较该公司最近或未来的每股盈利水准。在考虑本益比时，投资人应该比较该股目前和过往之本益比数字差距，同时也应与其他类似产业公司之本益比数字相比。在评估这项数字时，应考虑各种可能的变化对该数字的影响，例如未来预期盈利的变化率。
 
4、流动比率：
 
指流动资产(现金或一年内可变现的资产)和流动负债(一年内到期的负债)之间的关系。这项数字对那些正遭遇财务困难的公司尤其重要。对大部份产业公司而言，若流动资产大于流动负债至少1.5倍以上，代表该公司具备短期偿债能力。若其数字远低于1.5 ，代表该公司可能即将面临资金调度的危机。尽管如此，这些数字的参考价值因产业的不同，可能有很大的差异性。
 
5、长期负债与资本比率：
 
从资产负债表取得的这项比率，系用于评估公司的财务能力。以长期负债除以总资本，即可得该比率。(总资本等于股本总额加上长期负债;通常这项分析即可得出该公司负债和股本比。) “低负债”资产负债表代表该公司负债小或无负债。总资本中负债比率高达50%(即负债和股本比率为1:1)或更高时，表示该公司财务严重失去平衡，沈重的利息支出可能限制公司未来盈利的成长，并且使得公司无力取得维持营运或扩大营业所需的资金。这个概念和我们在比较房屋贷款和房屋价值上的关系时相同。然而对于公用事业公司而言，高负债率或高财务杠杆率的重要性远低于其他型态的产业公司，因为这类公司拥有相对可预期且足够的收入和现金流量来支付利息费用的支出。
 
6、市盈率：（P/E——>Price/Earning）
 
市盈率一直被看作是衡量股票投资价值的指标，简单来看，市盈率是股价与每股收益的比值。一般来说，市盈率越低，表明投资收回成本的周期越短，因此投资价值越高。 
 市盈率分为三种，分别是静态市盈率、滚动市盈率、动态市盈率 。
 
6.1、静态市盈率：LYR
 
常用来对业绩波动较为稳定的公司（价值股）进行估值，因为静态价值股市盈率指标通常不会怎么变化，去年的和今年的差不多。
 
计算方式：静态市盈率=目前总市值/最近一个会计年度的净利润
例子：假设收盘时中国建筑的股价为9.64元，总市值2892亿，最近一个会计年度（去年也就是2017年）公司净利润为298.7亿，则静态市盈率=2892/298.7=9.68倍 由此也可以看到，静态市盈率反应的是，如果公司未来净利润不增长的情况下，投资该公司可以回收成本的年限。
 
6.2、滚动市盈率：TTM
 
常用于对稳定增长型公司进行估值，稳定增长型公司每年净利润保持一定幅度的上涨，去年的数据和今年的会有不小的差距，而且滚动市盈率能够排除业绩的季节性影响。
 
计算方式：滚动市盈率=目前总市值/最近四个会计季度的净利润总和 
例子：假设收盘时可口可乐的股价为42.41美元，总市值402.48亿，最近四个会计季度（17年二三四季度、18年一季度）公司净利润加起来为12.96亿，则滚动市盈率=402.48/12.96=31.06倍 。
一般应该优先参考滚动市盈率，这种市盈率更加合理，考虑的都是已公布数据，这样客观谨慎，而且又尽可能考虑当下情况，但是不能绝对化。
 
6.3、动态市盈率：
 
券商软件显示的就是动态市盈率，常用于对快速增长型、周期型、困境反转型公司的估值，这些类型的公司业绩变化较快，用动态市盈率进行测算能对公司未来进行一定的预判，但是通常存在以下弊端：1、测算的不准确性；2、即使测算准确了，未来能够保持这种业绩的时间也不好判断。
 
计算方式：动态市盈率=目前总市值/还没有实现的下一会计年度的净利润 
例子：收盘时英特尔的股价为60.76美元，总市值360.11亿，2018年第一季度公司净利润为2.52亿，则推算下一会计年度【也就是2018年】净利润为2.52*4=10.08亿，则动态市盈率=360.11/10.08=35.73倍 
 
6.4、P/E的缺点：
 
 
 
  6.4.1、企业盈利不稳定导致市盈率失真
  
 
 
  
市盈率是由股价与每股收益的比值决定的，每股收益越高，市盈率相对越低，投资价值越凸显。当然，若企业盈利相对稳定，用市盈率容易做出投资价值大小的判断，但往往企业的盈利情况并不稳定，企业的市盈率忽高忽低，投资价值难以做出判断。
 
 
 
 
 
 
  6.4.2、成长期企业市盈率难测
  
 
 
  
市盈率也难以在不同行业之间做出比较。毕竟，所处行业不同，每股盈利的水平不同。若处在朝阳行业，例如互联网，每股收益相对较高，而市场往往对其估值偏高；但若是企业出在夕阳行业，如煤炭等，若出现较高的市盈率，很多人就恐高了，毕竟每股收益难以支撑高市盈率。因此，不同行业比较也较难。同样也能看出，若是同行业中，企业出在飞速成长阶段，市场对其估值也会偏高造成此时P/E偏低，而低市盈率代表的高投资价值的理论不太合适。
 
 
 
 
 
 
  6.4.3、偶发事件造成市盈率难定
  
 
 
  
企业变化日新月异，一些偶发事件的发生，也会导致市盈率判断失效。例如并购重组、资产注入或者暂时陷入亏损等。前两者涉及资产重新组合，每股盈利水平难测，投资价值也难以测度；而企业短暂陷入亏损，可以看作短期的盈利不稳定，有可能造成投资价值的误判。
 
 
 
 
6.5、如何避免低P/E的陷阱：
 
 
 
  6.5.1、公司、行业分类分析
  
 
 
  
要用好市盈率，首先得把公司分好类，不同的公司用不同的市盈率进行估值，有些公司甚至根本不适合用市盈率对其进行估值（在业绩判断不出来的情况下）。其次，不同行业不同分析，每个行业的情况是不一样的，不能统一判断。你不能用银行股的市盈率去跟互联网板块做对比，两者没有可比性。
 
 
 
 
 
 
  6.5.2、设定可接受估值区间
  
 
 
  
给自己设定一个能够接受的估值区间，有些泡沫公司估值太贵，连看的价值都没有，所以为了避免自己进入这种泡沫型的公司里，最好给自己设定一个可以接受的估值区间。
 
 
 
 
 
 
  6.5.3、取平均P/E
  
 
 
  
在某一时刻的市盈率说明的情况有限，可以抱团平均，然后将市盈率与去年同期相比。在操作的时候，可以剔除市盈率异常变动的时点，求得平均市盈率，作同比环比的比较。
 
 
 
 
 
 
  6.5.4、使用市销率辅助
  
 
 
  
市要解决市盈率分析不足，可以引入市销率这一指标。
 
 
 
 
6.6、P/E水平：
 
<0：指该公司盈利为负(一般显示为“-”)   
0-13：即价值被低估
14-20：即正常水平
21-28：即价值被高估
 
6.7、P/E值的影响因素：
 
与公司所处行业密切相关：如电子信息行业龙头股市盈率高达150倍，钢铁板块市盈率常在10倍左右徘徊。
受股本大小和股价高低的影响：股本越小的股票越受青睐，其市场定位和市盈率越高。
公司高成长与否,对市盈率有重大影响：公司未来前景越好，成长性越高，股价自然就高，市盈率水平就越高。
 
7、市销率：
 
市销率=总市值/主营业务收入 = 每股股价/每股中的销售额（市销率越低，投资价值越大） 
 主营业务收入(销售收入)：就是这个公司在营业环节产生的总收入，去掉费用，就是毛利润了，所以越多越好。
 
市销率同样也是衡量企业的投资价值。
引入市销率辅助做出判断，优点也比较好分析。
 
7.1、市销率的好处：
 
该指标不会出现负值，因为企业的主营业务收入最低只能到零（即没有收入）。对于亏损企业（市盈率指标不适用）和资不抵债的企业（市净率指标不适用），市销率仍然适用。
市销率指标特别适合对尚未盈利的高成长性企业估值。比如美国纳斯达克市场和中国新三板市场对上市企业的盈利要求比较低，更看重企业的创新能力和增长潜力，因此对于这些市场上的一些股票，市销率指标更加适用。
市销率指标的计算公式中，分母是主营业务收入，而非总营业收入。因此，在国内证券市场上运用这一指标来选股，可以剔除那些市盈率可能很低（看上去很有吸引力）但主营业务又没有核心竞争力、主要依靠非经常性损益增加收入和利润的股票（上市公司）。
 
7.2、市销率指标的三个“盲点”：
 
不能反映成本的变化，而成本是影响企业利润、现金流量和价值的重要因素之一；
市销率指标只能用于同行业对比，不同行业的市销率对比没有意义； 
关联销售较多的上市公司，其主营收入可能被虚增，这种情况下，用市销率指标来估值可能会误导投资者。
 
7.3、市销率指标最适合评估哪两类公司？
 
以销售业务为主的成长性公司，尤其是正在快速扩大市场份额的公司。最典型的例子是京东，它曾经历了连续11年的亏损，但与此同时市场份额却在高速扩张，其背后的投资人就是采用市销率对其估值，逻辑是，只要销售规模够大，细微的利润率改善就可以造就利润规模扩张；而利润率改善也是可以预见的，因为市场份额的增长能够提高在行业里的定价权和话语权，销售规模的增长可能会带来规模效应，也有利于利润率提升。
一些毛利率比较稳定的行业，如公用事业、商品零售业。由于毛利率稳定，因此其主营业务收入与利润的表现比较一致。
 
8、市净率：
 
市净率 = 市值/净资产 = 股票时价/每股净值 （市净率越低的股票，其投资价值越高） 
 净资产：公司的总资产－负债＝净资产，净资产就是这个公司真正属于股东们的东西，越多越好。
 
在判断投资价值时还要考虑当时的市场环境以及公司经营情况、盈利能力等。
市净率不适用于短线炒作。市净率低于1的股票不一定会马上反弹上升，也不一定跌到净资产以下就会止跌，能跌到净资产以下肯定有其内在的原因。
 
9、市现率：
 
市现率 = 市值/现金流量（市现率越小越划算） 
 现金流：就是公司在运营中的现金流量，越多越好，所以市现率越小越划算。
 
 
 
总的说：净利润，现金流，净资产，销售收入越多越好。当然，其估值也会推动股价随之增长，市值也就更大了。如果能碰到前者较多，市值较少的情况，先别激动，好好研究一下是不是公司出现什么不可逆转的大问题，如果是被市场错杀，那恭喜你，这是个很好的投资机会。