第 6 课：因子与估值实操巩固

上一课程回顾（含自测参考答案）

课程 5 的五个自测题，参考答案如下：

1. 用一句话分别说出价值、动量、规模三个因子各自"赚什么钱、怕什么"

价值因子：赚均值回归的钱（低估值会向历史中枢修复），怕价值陷阱（便宜是因为真的在变差，修复遥遥无期）。动量因子：赚趋势延续的钱（过去涨的继续涨），怕震荡市反复打脸与动量崩溃（极端反弹里前期跌最惨的暴涨，动量策略瞬间巨亏）。规模因子：赚风险溢价的钱（小盘股风险高所以期望收益高），怕小盘熊市跌得更狠、个股暴雷，且"小盘溢价"在不同市场年代时有时无。

2. 你查到的沪深300 估值百分位是多少？用一句话解释它告诉了你什么

没有标准答案（示例：近 5 年 PE 百分位 35%）。一句话模板："当前估值比过去 5 年 65% 的时间都便宜，处于中偏低区——价值因子信号偏'买'，但这是长期配置参考，不预测短期涨跌。" 关键是把百分位读成"现在在自身历史中的位置"，而不是绝对贵贱。

3. 课程 4 的动量信号和本课的动量因子，区别是什么？

课程 4 的动量是单标的信号：一只 ETF 的价格和 60 日均线比，输出只有"买/不买"两个动作（日历 vs 价格二选一）。本课的动量因子是多资产排序：给所有候选 ETF 按过去 12 个月收益打分排序，买前 20%，是"哪些资产值得买"的选择题。单标的信号是"要不要动手"，因子是"选谁"——因子是信号的推广。

4. 为什么"策略收益能被三因子解释干净（alpha ≈ 0）"说明它没有真正的超额能力？

三因子（市场 + 规模 + 价值）代表的是公开风格的收益：任何人买小盘 + 低估值组合都能拿到。如果你的策略收益和这些风格的暴露完全对得上（alpha ≈ 0），说明你赚的钱只是风格的钱、不是能力的钱——换个说法，别人直接买对应风格的 ETF 就能复制你。真正的超额能力必须体现在三因子解释不掉的部分（alpha > 0）上。这也是机构识别"伪高手"的标准方法。

5. 加餐：AI 加餐的动量分组回测结果如何？高动量组赢了吗？用一句话解释。

没有标准答案。三种可能都正常：赢了（趋势市，动量有效）→ 说明因子在这个区间有用；输了或无差异（震荡市/区间太短/动量崩溃）→ 说明因子的有效性依赖市场环境。关键结论：单次回测结果不能证明因子有效——这正是本课要实操讨论的问题。

学习目标

• 亲手完成估值百分位多平台对照，理解口径差异（窗口 / TTM vs 静态 / 剔除极端值），把课程 2 的"对照验证"用到估值上
• 认识价值陷阱的识别清单，能区分"被错杀"和"真的在变差"
• 亲手跑一次动量分组回测（AI 代写代码），学会解读"因子灵不灵"的三种结果
• 理解因子为什么会失效（拥挤、逻辑破坏、区间依赖、数据挖掘），建立"回测有效 ≠ 未来有效"的警觉

前置要求

• 已掌握：课程 5 的三因子（价值/动量/规模）、估值百分位定义、Fama-French 模型
• 本课延续双轨：主路径用网页工具（约 20 分钟），AI 加餐可选（代码由 AI 代写）

正文

6.1 多平台对照：估值百分位实操（本课主路径）

课程 5 答疑里给过平台清单（蛋卷基金、且慢、乐咕乐股、乌龟量化、亿牛网、雪球、韭圈儿、中证指数官网）。本课把它变成一次对照验证实验——课程 2 的铁律：任何数据都要用独立来源互相印证。

实验步骤：

1. 选 两个平台（推荐：蛋卷基金 + 乐咕乐股，或且慢 + 乌龟量化）。
2. 在两个平台上分别查**沪深300（000300）**的 PE 数值、近 5 年百分位、近 10 年百分位。
3. 按课程 3 的观察笔记格式写三行：
   • 直觉：我猜它现在算贵还是便宜？
   • 数字：平台 A 和平台 B 的百分位各是多少？差多少？和直觉一致吗？
   • 疑问：为什么两个平台会差几个百分点？

为什么会有差异？ 百分位 = 当前 PE 在历史序列中的位置，任何影响"历史序列"的因素都会改变它：

$$估值百分位 = \frac{过去N年中，PE \leq 当前PE 的天数}{过去N年总天数} \times 100\%$$

• 窗口不同：近 5 年 vs 近 10 年（2015 年牛市会把近 10 年的历史高位拉高，让当前百分位显得更低）；
• PE 口径不同：静态 PE（用上年年报盈利）vs TTM（用滚动 12 个月盈利），盈利分母不同百分位就不同；
• 是否剔除极端值：有的平台把亏损股或极端 PE 剔除后再算百分位；
• 数据区间起点不同：有的从指数发布日算起，有的只算最近 N 年。

结论判断：两平台差异在 5 个百分点以内 → 结论一致，可信；差异巨大（>15 个百分点）→ 检查两者口径（先看窗口是否相同），找到原因而不是选一个"看起来对"的。对照验证的目的不是求一致，而是搞清楚差异从哪来。

进阶任务（可选）：再查一只行业 ETF（如银行、医药、白酒指数）的百分位，和沪深300 对比。你大概率会发现：低估值行业（银行）常年趴在低位，高估值行业（白酒、医药）常年站在高位——这就是 6.2 价值陷阱的入口。

6.2 价值陷阱：便宜为什么可能是坑

课程 5 说价值因子"怕价值陷阱"。本课把它拆开看：估值低有两种可能，必须分清是哪一种。

• 被错杀（机会）：基本面没问题，只是情绪/流动性/市场风格把价格砸低了 → 均值回归会修复，价值因子赚钱。
• 价值陷阱（坑）：基本面真的在恶化，低 PE 是市场对未来盈利下滑的提前定价 → "便宜有便宜的理由"，PE 看着低，但盈利（分母）也在缩水，股价可以长期不涨甚至阴跌。

为什么"PE 低"会骗人？ 因为 PE 是静态的快照：

$$PE = \frac{价格}{每股收益}$$

低 PE 可能是"价格便宜"，也可能是"收益即将下降"——你现在看到的"每股收益"是过去一年的，而市场定价的是未来。银行股常年 5~6 倍 PE 不是没人发现"便宜"，而是市场认为它的盈利增长空间有限、坏账风险未出清。 这就是"便宜有便宜的理由"。

价值陷阱识别清单（查任何低估值标的时逐条问）：

1. 盈利趋势：最近几个季度/年度，盈利是在增长还是下滑？（下滑 → 警惕，PE 低可能是分母在缩小）
2. 行业处境：行业在扩张还是在萎缩？（夕阳行业、被替代的商业模式 → 警惕）
3. 资产负债表：有没有巨额商誉、高负债、股权质押爆雷风险？（课程 3 的"对照验证"精神：看数字背后的故事）
4. 催化剂：有没有什么逻辑能让它估值修复？（政策反转、盈利拐点、供给侧出清……没有催化剂，修复可能遥遥无期）
5. 历史行为：它是不是常年趴在低位？（常年低位 + 盈利下滑 = 陷阱特征；长期低位 + 盈利平稳创新高 = 更可能是错杀）

一句话总结：看 PE 高低之前，先看盈利方向。 低估值 + 盈利向上 = 错杀候选；低估值 + 盈利向下 = 陷阱候选。价值因子赚的是"错杀修复"的钱，不是"捡便宜"的钱。

6.3 动量分组回测：亲手跑一次（AI 加餐）

课程 5 的加餐让 AI 算动量因子并分组回测。本课把它跑完整、跑明白。把下面需求发给 AI（可直接复制）：

"用 Python（yfinance）拉取 A 股 10 只宽基/行业 ETF（510300、510500、159915、512880、512010、512480、515790、512690、510050、159928）近 3 年日线。每只算动量因子（过去 12 个月收益率，剔除最近 1 个月），按动量排序，前 3 名和后 3 名各成一组；回测两组'分组后持有 1 个月'的收益，滚动做 6 次（每季度调仓一次），最后输出：两组累计收益对比图、两组平均月收益表格、一句结论。不要写太长代码，我要能看懂每段在干嘛。"

跑完看三个东西：

1. 高动量组赢了吗？ 看累计收益曲线谁在上面、平均月收益谁高。
2. 稳定吗？ 6 次调仓里，高动量组赢了几次？赢 5~6 次 = 因子在这个区间很稳；赢 3 次 = 胜负参半，靠某几个月拉开的差距。
3. 结论怎么说？ 用"在这个区间、这个样本里"开头——不要下"动量因子有效/无效"的绝对结论。

三种结果的解读：

关键认知：这次回测的结论只对"这 10 只 ETF、这 3 年、这个调仓频率"成立。样本换一批、区间换一段，结论可能翻转——这就是区间依赖，课程 8 会系统讲回测陷阱，本课先建立直觉。

6.4 因子为什么会失效

6.3 你已经可能亲眼看到"因子不灵"。本课把它上升为理论：因子失效的四种常见原因。

① 拥挤交易（crowding）：一个因子被发现有效 → 资金涌入 → 超额收益被买走。人多的地方没有超额收益——价值因子在 1990s 的美股、小盘因子在 A 股某些年份，都经历过"越多人信越不灵"。

② 逻辑破坏：因子赚钱靠的是一条经济逻辑，逻辑变了因子就失效。例：价值因子在美股 2010s 大幅跑输——低利率时代成长股（科技）的估值逻辑被重写，"便宜"长期不被修复；动量崩溃——极端行情下趋势逻辑短暂崩塌。因子不是永动机，它赚的是逻辑的钱，逻辑会过期。

③ 区间依赖（样本依赖）：任何"有效"都必须在特定区间验证。回测 10 年有效，可能只是那 10 年恰好适合它；换到另一段历史就失效。样本外验证（用没参与选因子的数据检验）是标准解法——本课的动量回测换区间再跑一次就是最简单的样本外。

④ 数据挖掘（data mining）：回测一万个"因子"，总有几个碰巧在过去表现好——那不是发现，是在噪声里找规律（过拟合的雏形，课程 8 细讲）。判断一个因子是不是真的：先有逻辑，后有回测（"为什么它应该有效"能讲清楚），并且逻辑 + 数据都要经得起换市场、换区间检验。

判断因子真伪的 checklist：

• 能一句话讲清赚钱逻辑（它赚谁的钱、为什么长期不被抹平）？
• 换市场/换区间/换样本后还有效（或至少讲得清为什么失效）？
• 失效时知道为什么失效（拥挤？逻辑破坏？）而不是一句"市场变了"？

一句话总结：因子有效是"特定环境下的暂时状态"，不是"永远成立的真理"。 用因子的正确姿势是：知道它赚什么钱（逻辑）、知道它怕什么（失效条件）、监控环境是否变了。

6.5 本课实战任务汇总

主路径（必做，约 20 分钟）：

1. 两个平台对照查沪深300 估值百分位，写观察笔记三行（直觉/数字/疑问），并查清楚两个平台的窗口和 PE 口径；
2. 查一只行业 ETF 的百分位（如银行、医药），用 6.2 的清单判断它更像"被错杀"还是"价值陷阱"，写一句话理由。

AI 加餐（强烈建议做）： 按 6.3 的需求跑动量分组回测，把三件事（赢没赢、稳不稳、结论怎么说）写进笔记。

进阶加餐（可选）：让 AI 用 pandas 算一下这 10 只 ETF 两两之间的相关系数矩阵（用 .corr()），热力图输出——你会发现行业 ETF 之间相关性很高、宽基和行业相关性居中。这为下一门课（组合构建与风险分散）埋了伏笔：分散的前提是资产之间相关性低。

自测练习

1. 你在两个平台查到的沪深300 百分位各是多少？差多少？用一句话解释差异来源（窗口/口径/剔除规则）。
2. 说出价值陷阱的两个识别特征；举一个你认为"可能是价值陷阱"的行业或标的，用 6.2 的清单说一句理由。
3. 你的动量分组回测结果：高动量组赢了吗？稳定吗？如果没赢或时灵时不灵，给出两个可能原因（6.4 里的）。
4. 为什么"一个因子在过去 10 年回测有效"不能保证未来有效？至少说出两个原因。
5. 加餐（可选）：相关系数矩阵里，你观察到行业 ETF 之间相关性是高还是低？这对"分散风险"意味着什么？

答案不需要现在核对；下一门课开头会回顾。课程 6 练完，你已经把"选什么"（因子）的工具用熟，下一课就是"怎么配"（组合）。

学习要点小结

• 估值百分位也要对照验证：两平台差异来自窗口、PE 口径（静态 vs TTM）、剔除规则；差异 >15 个百分点要查口径而不是选一个信。
• 低估值有两种：被错杀（机会）vs 价值陷阱（坑）；先看盈利方向，再看 PE 高低；识别清单五问：盈利趋势/行业处境/资产负债表/催化剂/历史行为。
• 动量分组回测的三种结果各有解读；结论必须限定"区间 + 样本 + 调仓频率"，单次回测不能证明因子有效。
• 因子失效四因：拥挤交易、逻辑破坏、区间依赖、数据挖掘；用因子的正确姿势 = 讲得清逻辑 + 知道怕什么 + 监控环境。
• 因子是"选什么"，相关性是"怎么配"的前提——下一课进入组合构建。

答疑记录