value.jpeg

簡(jiǎn)書(shū)不維護(hù)了，歡迎關(guān)注我的知乎：波羅學(xué)的個(gè)人主頁(yè)

知乎地址

自2018年2月份開(kāi)始，由于一些可知的原因，我們的大A股已經(jīng)持續(xù)了一年的下跌，近3600點(diǎn)跌到了最低的2500左右。大家都在說(shuō)現(xiàn)在的市場(chǎng)估值已經(jīng)相當(dāng)?shù)土?。那今天我們就用?shù)據(jù)說(shuō)話，來(lái)具體看看當(dāng)前的市場(chǎng)估值情況。

注：因?yàn)檫x取數(shù)據(jù)有部分缺失，故數(shù)據(jù)選取時(shí)間統(tǒng)一為2012年1月1日~2019年2月14日（單身狗在情人節(jié)規(guī)劃這篇文章，怎苦字了得?。?。非金融出生，加入部分自己的思考，有錯(cuò)請(qǐng)指正。

什么是估值

談到股市，最常聽(tīng)到的就是諸如 "股市已經(jīng)到達(dá)3000點(diǎn)了"、"股市剛剛突破了4000點(diǎn)"之類的話。此處的多少點(diǎn)上某種意義上是代表了人們?cè)敢鉃楣墒懈冻龅膬r(jià)。

那么估值呢？簡(jiǎn)言之就是估計(jì)的某件東西的價(jià)值，該數(shù)字通常是無(wú)法準(zhǔn)確得知的。一家公司的估值，主要是由該公司當(dāng)前情況和未來(lái)的發(fā)展?jié)摿Φ榷喾矫嬉蛩貨Q定。市場(chǎng)的估值則是可以由這些大大小的公司來(lái)決定，可由其成分股通過(guò)某些算法計(jì)算而得，可參見(jiàn)指數(shù)估值計(jì)算方法。

那么如何來(lái)評(píng)價(jià)市場(chǎng)估值的高低呢？我們知道，準(zhǔn)確的估值是無(wú)法得知的，大家常會(huì)用PE和PB來(lái)衡量估值高低，PE為市盈率，即市值/盈利，PB是市凈率，即市值/凈資產(chǎn)。當(dāng)這些指標(biāo)高于某個(gè)值時(shí)，我們就會(huì)認(rèn)為當(dāng)前的估值處于高位，反之則處于低位。我們可以此來(lái)簡(jiǎn)化估值的評(píng)估邏輯。

那么，下面將通過(guò)數(shù)據(jù)來(lái)分析這些指標(biāo)，來(lái)評(píng)價(jià)下當(dāng)前股市。

分析工具為Python，下面首先導(dǎo)入一些必要的python包，數(shù)據(jù)來(lái)自于TusharePro：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as stats
import tushare as ts

api = ts.pro_api(token='認(rèn)證token')

以啥分析市場(chǎng)

市場(chǎng)，通常可以用某些指數(shù)來(lái)代表。指數(shù)有很多，通常都是基于不同標(biāo)準(zhǔn)編制的。

我們這里將選取同花順股票軟件上的六大指數(shù)來(lái)進(jìn)行分析，即上證綜指（000001.SH）、深圳成指（399001.SZ）、創(chuàng)業(yè)板指（399006.SZ）、滬深300（000300.SH）、上證50（000016.SH）和中證500（000905.SH）。

關(guān)于各個(gè)指數(shù)的樣本和一些選取的準(zhǔn)則，可以自行網(wǎng)上搜索。

獲取目標(biāo)數(shù)據(jù)

接下來(lái)我們開(kāi)始獲取數(shù)據(jù)，并做一些相應(yīng)的處理，如對(duì)數(shù)據(jù)按交易時(shí)間升序排列以便于后續(xù)的分析。

因?yàn)樾枰@取六大指數(shù)的數(shù)據(jù)，首先定義一些輔助變量：

index_codes = [
    '000001.SH',
    '399001.SZ',
    '399006.SZ',
    '000300.SH',
    '000016.SH',
    '000905.SH'
]
start_date = '20120101' # 開(kāi)始日期
end_date = '20190214'   # 結(jié)束日期
index_dict = {}         # 存儲(chǔ)指標(biāo)數(shù)據(jù)

為了批量獲取數(shù)據(jù)，定義一個(gè)單指數(shù)數(shù)據(jù)獲取與處理的函數(shù)，返回值為pd.DataFrame類型，pandas為我們提供了很多常用的數(shù)據(jù)分析方法。

def get_index_valudation_indicator_df(code, start_date, end_date):
    fields = 'trade_date,pe,pb'
    data = api.index_dailybasic(
        ts_code=code,
        start_date=start_date,
        end_date=end_date,
        fields=fields
    )

    data = data.drop_duplicates()
    data.index = pd.to_datetime(data['trade_date'])
    data = data.sort_index()
    return data

到這里，我們開(kāi)始正式下載數(shù)據(jù)。一個(gè)for循環(huán)獲取就把所有數(shù)據(jù)加載到index_dict中，多么簡(jiǎn)潔快速。代碼如下：

for index_code in index_codes:
    index_dict[index_code] = get_index_valudation_indicator_df(index_code, start_date, end_date)

先檢查下各指數(shù)數(shù)據(jù)行數(shù)，確保成功獲取數(shù)據(jù)：

for k, index_df in index_dict.items():
    print(k, len(index_df))

輸出如下：

000001.SH 1728
399001.SZ 1728
399006.SZ 1728
000300.SH 1728
000016.SH 1728
000905.SH 1728

都為1728行，一切正常！來(lái)簡(jiǎn)單觀察一下數(shù)據(jù)，以上證綜指為例打印出結(jié)尾5行數(shù)據(jù)：

index_dict['000001.SH'].tail(5)

輸出如下：

            trade_date  pe  pb
trade_date          
2019-02-01  20190201    12.61   1.30
2019-02-11  20190211    12.77   1.32
2019-02-12  20190212    12.83   1.32
2019-02-13  20190213    13.08   1.35
2019-02-14  20190214    13.07   1.34

pandas為我們提供了一個(gè)info方法可以查看數(shù)據(jù)的整體情況。如下：

index_dict['000001.SH'].info()

輸出如下：

 <class 'pandas.core.frame.DataFrame'>
 DatetimeIndex: 1728 entries, 2012-01-04 to 2019-02-14
 Data columns (total 3 columns):
 trade_date 1728 non-null object
 pe 1728 non-null float64
 pb 1728 non-null float64
 dtypes: float64(2), object(1)
 memory usage: 54.0+ KB

可以看出我們的數(shù)據(jù)時(shí)間跨度為2012年01月04日至2019年02月14日，共1728條記錄。不是從2012年1月1日開(kāi)始當(dāng)然是因?yàn)?月1日至1月3日是元旦假期。

注：最初數(shù)據(jù)獲取時(shí)，選擇了2010年1月1日~2019年2月14日，但數(shù)據(jù)檢查時(shí)發(fā)現(xiàn)部分指數(shù)缺失，故退而求其次縮短了時(shí)間段。

開(kāi)始正式分析

進(jìn)入正題，我們?cè)撊绾芜M(jìn)行分析？先來(lái)談一些個(gè)人對(duì)估值的看法。

我們經(jīng)常會(huì)聽(tīng)到這樣的說(shuō)法，美股PE和PB為某個(gè)范圍內(nèi)時(shí)則表明當(dāng)前的估值是合理的，若高于或低于該值就被認(rèn)為是貴或便宜了。中國(guó)也是如此，不過(guò)A股通常會(huì)比美股的合理值高出一不少，這是否表明泡沫的存在？個(gè)人看法，中國(guó)經(jīng)濟(jì)長(zhǎng)期處在高速發(fā)展階段，所存環(huán)境不同與美股截然不同，對(duì)未來(lái)的預(yù)期高一點(diǎn)自然是可以理解的。簡(jiǎn)單的思考后，我總結(jié)出了如下幾個(gè)觀點(diǎn)：

• 合理的估值會(huì)隨著大環(huán)境變化而變化；
• 合理的估值隨著不同市場(chǎng)行業(yè)的預(yù)期不同而不同；
• 合理的估值在一定時(shí)間周期與大環(huán)境下是相對(duì)確定的；

基于以上這些看法，下面開(kāi)始具體的分析。

A股當(dāng)前的合理估值是多少

雖然從長(zhǎng)期來(lái)看，合理的估值在不斷變化，但短期內(nèi)是有一個(gè)值可供我們參考的。那么我們?nèi)绾潍@取到這個(gè)值呢？能想到的辦法就是從歷史數(shù)據(jù)中分析而來(lái)，可計(jì)算的幾個(gè)指標(biāo)有：平均數(shù)、頻率分布最高區(qū)間（類似眾數(shù)）、中位數(shù)。這里選取的是7年的數(shù)據(jù)，當(dāng)然沒(méi)有什么理由，在保證數(shù)據(jù)準(zhǔn)確完備的前提下選的時(shí)間線盡量長(zhǎng)點(diǎn)。下面開(kāi)始來(lái)計(jì)算這些指標(biāo)。

先定義一個(gè)函數(shù)計(jì)算歷史估值的分布情況并返回最高分布區(qū)間，并計(jì)算出這個(gè)區(qū)間的平均數(shù)。

def get_interval_freq_max(data):
    c = pd.cut(data, bins=10).value_counts() # 計(jì)算各區(qū)間分布數(shù)量，假設(shè)為10
    p = c / c.sum()  # 計(jì)算各區(qū)間分布頻率
    m = p.max()  # 計(jì)算最大值
   for k, v in p.items(): # 找出最大值的key，即所在區(qū)間
       if m == v:
            max_interval = k
            return data[(data >= max_interval.left) & (data <= max_interval.right)].mean()

計(jì)算指標(biāo)并輸出，最后轉(zhuǎn)化為pd.DataFrame類型以便于作圖，下面為代碼實(shí)現(xiàn)：

index_current_indicator_dict = {}
for k, index in index_dict.items():
    index_current_indicator_dict[k] = {
        'pb': index['pb'][-1],
        'pb_mean': index['pb'].mean(),
        'pb_high_feq': get_interval_freq_max(index['pb']),
        'pb_median': index['pb'].median(),
        'pe': index['pe'][-1],
        'pe_mean': index['pe'].mean(),
        'pe_high_feq': get_interval_freq_max(index['pe']),
        'pe_median': index['pe'].median()
    }

indicator_df = pd.DataFrame(index_current_indicator_dict)
print(indicator_df)

            000001.SH   399001.SZ   399006.SZ   000300.SH   000016.SH   000905.SH
pb          1.340000    2.250000    3.840000    1.380000    1.170000    1.680000
pb_high_feq 1.601113    3.118865    5.752357    1.494908    1.205844    2.235625
pb_mean     1.605637    2.710625    5.342436    1.552286    1.343003    2.629954
pb_median   1.590000    2.640000    4.990000    1.500000    1.270000    2.480000
pe          13.070000   20.130000   34.870000   12.300000   10.230000   19.360000
pe_high_feq 11.022995   15.323544   35.389715   11.991063   10.478383   27.131933
pe_mean     13.755469   24.546250   55.418264   12.171325   10.062737   36.700735
pe_median   13.550000   21.475000   54.820000   11.970000   9.970000    34.140000

從輸出的數(shù)據(jù)分析不夠直觀，下面我們來(lái)嘗試通過(guò)圖形方式展現(xiàn)，先來(lái)看PB：

columns = ['pb', 'pb_mean', 'pb_high_feq', 'pb_median']
indicator_df.loc[columns].T.plot(kind='bar', figsize=(15, 5))

輸出如下：

image.png

讀圖可以得到如下的結(jié)論：

• 無(wú)論使用哪個(gè)指標(biāo)作為合理估值，選取的6大指數(shù)PB（即藍(lán)色柱）當(dāng)前都處在低位；
• 創(chuàng)業(yè)板的PB最高，這或許與大家對(duì)創(chuàng)業(yè)板公司的成長(zhǎng)有較高預(yù)期有關(guān)；
• 無(wú)論使用哪個(gè)指標(biāo)作為合理估值，中證500當(dāng)前PB與它們都有較大的差距；

再來(lái)看PE：

columns = ['pe', 'pe_mean', 'pe_high_feq', 'pe_median']
indicator_df.loc[columns].T.plot(kind='bar', figsize=(15, 5))

image.png

讀上圖會(huì)發(fā)現(xiàn)一些與PB指標(biāo)相同的結(jié)論，比如創(chuàng)業(yè)板估值依然是最高，中證500當(dāng)前被嚴(yán)重低估等。那么有哪些不同呢？一個(gè)最易得出的結(jié)論就是多數(shù)指數(shù)當(dāng)前的市盈率在其他各指標(biāo)中并非最低。不知道這是不是近期企業(yè)盈利下降有關(guān)。

總體而言，如果鐘愛(ài)于指數(shù)投資、堅(jiān)信價(jià)值回歸，當(dāng)前或許較適合增加中證500配置比重。

當(dāng)前估值處在歷史什么位置

以上的分析主要從總體角度觀察。下面我們將從時(shí)間序列上觀察估值的歷史變化，而最好的方式從分位的角度來(lái)看問(wèn)題。

我們先來(lái)計(jì)算各指數(shù)的估值處在近7年的什么分位，計(jì)算代碼如下：

index_current_quantile_dict = {}

for k, index in index_dict.items():
    index_current_quantile_dict[k] = {
        'pb_percentile': stats.percentileofscore(index['pb'], index['pb'][-1]),
        'pe_percentile':stats.percentileofscore(index['pe'], index['pe'][-1])
    }

pd.DataFrame(index_current_quantile_dict)

輸出如下：

                000001.SH   399001.SZ   399006.SZ   000300.SH   000016.SH   000905.SH
pb_percentile   13.425926   33.767361   25.954861   23.350694   19.994213   4.687500
pe_percentile   45.949074   47.366898   10.358796   55.555556   57.725694   3.009259

從這張表可以得出哪些結(jié)論？所有指數(shù)的市凈率都處在1/2分位以下，而對(duì)于市盈率，除了中證500和創(chuàng)業(yè)板指，都位于1/2分位附近。創(chuàng)業(yè)板指和中證500低估較為明顯，特別是中證500，無(wú)論從凈資產(chǎn)還是盈利角度來(lái)看都有很大的投資價(jià)值。

上面是計(jì)算最近的情況，我們也可以通過(guò)繪制歷史的變化圖，來(lái)看看不同時(shí)期估值指標(biāo)的表現(xiàn)情況。同時(shí)可以添加相應(yīng)的分位輔助線（包括1/4、1/2、3/4分位）來(lái)更好的對(duì)比。

以上證指數(shù)為例：

data_pe = index_dict['000001.SH'][['pe']].copy()
data_pb = index_dict['000001.SH'][['pb']].copy()
data_pe['pe_Q1'] = data_pe['pe'].quantile(0.25)
data_pe['pe_Q2'] = data_pe['pe'].quantile(0.5)
data_pe['pe_Q3'] = data_pe['pe'].quantile(0.75)
data_pb['pb_Q1'] = data_pb['pb'].quantile(0.25)
data_pb['pb_Q2'] = data_pb['pb'].quantile(0.5)
data_pb['pb_Q3'] = data_pb['pb'].quantile(0.75)

準(zhǔn)備好數(shù)據(jù)，直接作出兩指標(biāo)的時(shí)間序列變化圖：

fig = plt.figure()
ax_pe, ax_pb = fig.subplots(2, 1)
ax_pe.set_title('pe timeseries')
ax_pb.set_title('pb timeseries')
data_pe[['pe_Q1', 'pe_Q2', 'pe_Q3', 'pe']].plot(figsize=(12, 15), ax=ax_pe)
data_pb[['pb_Q1', 'pb_Q2', 'pb_Q3', 'pb']].plot(figsize=(12, 15), ax=ax_pb)
plt.show()

繪圖結(jié)果：

image.png

可以看出，在2012年至2014年期間估值長(zhǎng)期處于低位，足足有兩年之久。所以說(shuō)，雖然當(dāng)前資產(chǎn)較為便宜，但并不代表就來(lái)一定會(huì)上漲。不過(guò)或許是蓄力越久，爆發(fā)就有力。眾所周知，2014年下半年至2015年上半年的那一波瘋牛市。