选股这件事，说到最后绕不开一个字：贵。 但"贵"是个很玄的说法——30 倍 PE 的消费股算贵吗？10 倍 PE 的银行股算便宜吗？ 脱离历史区间谈绝对估值，几乎没有意义。
所以在量化里，我们更愿意换一个问法：这只股票当前的 PE， 落在它自己过去 N 年的什么位置？这就是"PE 历史分位数"——把绝对估值换算成 0 到 100% 的相对坐标， 让不同行业、不同成长阶段的公司可以放在同一把尺子上比较。
直觉上，这个逻辑很朴素：分位数越低，说明相对自己历史越便宜， 未来均值回复的概率越大。但直觉不等于证据。这篇文章要回答的就是一个问题—— 在 A 股市场，把 PE 分位数当作选股因子，它到底有没有效？有多有效？
我用自己的 A 股数据库做了一次完整的实证：4 个分位窗口 × 4 种持股数量共 16 个组合， 外加分层测试、IC/ICIR 检验和 IC 衰减分析，全部扣除交易成本。 下面把结论和数据一起摊开。
一、回测设计：先把规则钉死
一个可信的回测，参数必须是可以被复现的。先看核心设定。
项目
设定
样本区间
2010-01-04 — 2026-09-18
共 200 个月度调仓区间
股票池
约 1374 → 5120 只
全 A 股，剔除北交所
数据频率
分位因子用周频估值快照
避免用日频噪声放大择时误差
调仓频率
月度（每月首个交易日）
等权买入，持有至下月调仓
因子定义
PE 历史分位数（3/5/10/20 年）
越低越便宜，取前 N 只
持股数量 N
10 / 20 / 50 / 100
等权配置
交易成本
买入 0.026%，卖出 0.126%
佣金万 2.5 双边 + 印花税千 1 单边卖出
无风险利率
2% / 年
用于夏普比率计算
基准
全A等权（主）＋ 沪深300/中证500/中证1000
见下文关于基准口径的说明
1. 股票池过滤：三个必须堵住的口子
股票池的构造比因子本身更容易出错。这里只保留在调仓时点可观测的条件， 任何用到"今天才知道"的信息都会被剔除，否则回测结果会被前视偏差污染。
# 股票池过滤（全部为调仓时点可观测变量）
MIN_LIST_DAYS = 250 # 上市满 250 个交易日
MIN_PRICE = 1.0 # 剔除 1 元以下仙股
MIN_HIST_WEEKS = 104 # 最少历史周数约 2 年
MIN_HIST_RATIO = 0.5 # 有效窗口≥名义一半
EXCLUDE_BJ = True # 剔除北交所
第 4 条MIN_HIST_RATIO尤其值得说。 如果一只股票只有 3 年数据，你硬要算它的"20 年分位"， 算出来的数字只会是噪声。所以要求有效历史至少达到名义窗口的一半， 不满足的直接剔除——这会让不同窗口的样本期起点不一致，但换来的是因子本身的可信度。
2. 分位数怎么算：滚动排序
分位数本质上就是当前 PE 在历史窗口内的排名百分位。用滚动窗口做时序排名即可：
# 对每只股票，取过去 W 周的 PE 序列做滚动排名
pe_pos = pe.where(pe > 0) # 剔除 PE ≤ 0
win = pe_pos.rolling(W, min_periods=mp)
q = win.rank(pct=True)
# W 为周数
# 3年=156, 5年=260, 10年=520, 20年=1040
# mp = max(104, round(W * 0.5))
这里有个容易踩的坑：PE 为负的股票必须剔出分位计算。 亏损公司的 PE 是负数，"负 PE"在数学上比任何正 PE 都小， 如果直接参与排名，所有亏损股都会挤进"最便宜"那一档， 策略立刻变成"专挑亏损公司"——这显然不是我们想要的。
3. 信号与执行的时序：杜绝未来函数
这是整个回测里最容易被忽略、也最致命的一环。规则是：调仓日使用的分位信号，必须来自调仓日之前最后一个可得的估值快照。
换句话说，1 月 4 日买入，用的是 12 月 31 日收盘后已发布的数据， 而不是 1 月 4 日当天或之后的数据。差一天，回测收益就可能凭空多出好几个百分点。
4. 成本怎么扣：按换手率逐期计提
交易成本不是用一个固定百分比打折，而是逐期根据实际换手计算：
# 买入：佣金万 2.5 + 过户费
COST_BUY = 0.00025 + 0.00001
# 卖出：再加印花税千 1
COST_SELL = COST_BUY + 0.001
# 换手率按权重变化计，成本逐期扣
turnover = 0.5 * sum(|w_now - w_prev|)
cost = turnover * (COST_BUY + COST_SELL)
net_ret = gross_ret - cost
印花税千 1 只在卖出时收，所以卖出的成本是买入的4.8 倍。 这个不对称性对高换手策略的杀伤力很大，后面在成本拖累那一节会看得非常清楚。
二、绩效结果：16 个组合，15 个跑赢基准
图1 四个分位窗口 Top50 组合累计净值（扣费后，2010-01 至 2026-09）
先看整体。四个窗口的 Top50 组合，净值曲线在中段开始明显拉开与基准的差距， 到 2026 年 9 月，PE 5年分位 Top50 的累计净值达到17.23 倍（年化 18.63%）， 同期全A等权 4.82 倍（年化 9.90%），沪深300 仅 1.27 倍（年化 1.46%）。
20 年分位组合起步较晚（受最小历史长度约束，2016 年才有足够数据）， 但形态与另外三个窗口一致——这不是某一个窗口的偶然结果。
核心绩效矩阵
分位窗口
Top10
Top20
Top50
Top100
最大回撤
（Top50）
夏普
（Top50）
年化双边
换手
年化成本
拖累
PE 3年分位
9.63% 14.77% 16.15% 18.47%
-43.25%
0.61
17.3 倍
1.52%
PE 5年分位
14.30% 16.38% 18.63% 19.01%
-37.78%
0.69
15.6 倍
1.40%
PE 10年分位
13.79% 17.85% 19.02% 19.10%
-40.78%
0.72
13.2 倍
1.18%
PE 20年分位
16.12% 14.88% 15.27% 15.62%
-33.40%
0.65
10.3 倍
0.89%
注：上表四个 Top-N 列为对应组合的年化收益率（扣费后）。 回撤、夏普、换手、成本拖累均以 Top50 组合为例。换手与成本为 2010-01 至 2026-09 全区间年化。
作为对照，四个基准指数的同期表现：
基准
年化收益率
年化波动率
最大回撤
夏普比率
卡玛比率
月胜率
全A等权（主基准）
9.90%
28.63%
-53.42%
0.40
0.19
56.5%
沪深300
1.46%
23.36%
-42.85%
0.09
0.03
49.3%
中证500
3.32%
27.24%
-60.60%
0.18
0.05
54.2%
中证1000
3.38%
30.46%
-67.80%
0.19
0.05
53.2%
注：上述基准均未扣除任何费用，其年化收益率可直接与策略的扣费后收益对比。
几个可以直接读出来的事实：
第一，横向上几乎全面占优。16 个组合里 15 个跑赢全A等权，唯一例外是 PE 3年分位 Top10（年化 9.63% vs 基准 9.90%）， 落后 0.27 个百分点——基本可以视作平手。
第二，跑赢的不是"一点点"。以 5 年窗口为例，Top50 年化 18.63%、Top100 年化 19.01%，同期全A等权 9.90%， 超额收益接近 9 个百分点。对比沪深300 的 1.46%，差距更是一个数量级。
第三，20 年窗口的表现最"平"。四个组合年化都在 14.88%–16.12% 之间，且波动率最低（22%–24%）。 原因很直接：20 年窗口要求股票有至少 10 年的有效历史， 能进入样本的都是上市时间足够长的公司，本身就是一个偏成熟、偏大盘的子集。
基准口径的一个提醒
这里必须说明一个容易被忽略的细节：价格指数与含息收益不可直接比较。
我使用的行情数据是前复权价格（已包含分红再投资）， 而沪深300、中证500 等指数是价格指数（不含分红）。 A 股长期股息率大约在 2% 上下，这意味着直接拿策略去和指数比， 会凭空多出约 2 个百分点的"虚假超额"。
因此在本文中，主要基准采用"全A等权"—— 等权买入全部可交易股票，与策略使用同一套行情口径，两者可比； 指数仅作为参考坐标，不作为主要对标。
持股数量的反直觉结论：越多越好
图2 PE 3年分位：不同持股数量组合累计净值（扣费后）
这是整个回测中最出乎我意料的地方。把持股数量从 10 只增加到 100 只， 收益是单调上升的：
组合
年化收益率
最大回撤
夏普比率
月胜率
PE 3年分位 Top10
9.63%
-56.56%
0.40
51.5%
PE 3年分位 Top20
14.77%
-52.08%
0.57
56.5%
PE 3年分位 Top50
16.15%
-43.25%
0.61
57.5%
PE 3年分位 Top100
18.47%
-38.42%
0.69
59.5%
教科书上的价值因子回测，往往用"最便宜的前 10 只或前 20 只"来展示因子强度， 因为这样 IC 看起来最漂亮。但那是在实验室里。
真实结果是：Top10 只有 9.63%，连基准都跑不过；Top100 却有 18.47%。原因也不复杂——低 PE 股票里混着一批"价值陷阱"（便宜是因为基本面在恶化）， 10 只持仓时，只要踩中两三个陷阱，个股风险就会压过因子本身的力量。 100 只持仓把个股噪声充分分散，因子真正的统计优势才显现出来。
实操含义：如果你要落地这套策略，持股数量建议在 50–100 只之间， 而不是追求"精选 10 只"。
成本到底吃掉多少
图3 费前与扣费后净值对比，以及各组合的年化成本拖累
把交易成本单独拎出来看，能得到一个很实用的结论：持股越集中，换手越高，成本拖累越重。
组合
年化收益率
（扣费后）
月均单边
换手
年化双边
换手
年化成本
拖累
PE 3年分位 Top10
9.63%
88.5%
21.2 倍
1.77%
PE 3年分位 Top50
16.15%
72.0%
17.3 倍
1.52%
PE 3年分位 Top100
18.47%
59.0%
14.2 倍
1.27%
PE 5年分位 Top10
14.30%
86.6%
20.8 倍
1.81%
PE 5年分位 Top50
18.63%
65.0%
15.6 倍
1.40%
PE 5年分位 Top100
19.01%
51.5%
12.4 倍
1.11%
PE 10年分位 Top10
13.79%
80.2%
19.2 倍
1.66%
PE 10年分位 Top50
19.02%
54.9%
13.2 倍
1.18%
PE 10年分位 Top100
19.10%
41.5%
10.0 倍
0.89%
PE 20年分位 Top10
16.12%
73.0%
17.5 倍
1.54%
PE 20年分位 Top50
15.27%
42.8%
10.3 倍
0.89%
PE 20年分位 Top100
15.62%
30.4%
7.3 倍
0.63%
Top10 组合每年双边换手17.7–21.2 倍，成本拖累1.77%–1.81%； Top100 组合换手降到 10–14 倍，拖累收窄到0.63%–1.27%。
这不是一个可以忽略的量级。一个年化 19% 的策略， 如果成本拖累从 0.9% 抬到 1.8%，最终收益就少掉将近 1 个百分点—— 而这一切仅仅是因为把持仓从 100 只砍到了 10 只。集中度带来的成本上升，叠加了收益的下降，是双向的伤害。
三、因子有效性检验：分层、IC 与衰减
净值曲线好看，只说明"这个组合赚钱了"，不说明"这个因子有效"。 要判断因子的预测能力，需要标准化的检验流程。这里做三件事：分层测试、IC / ICIR 检验、IC 衰减分析。
1. 分层测试：单调性是第一道关
把所有股票按 PE 分位从低到高分成 5 组，G1 是最便宜的 20%，G5 是最贵的 20%， 每组等权持有、月度调仓。如果因子真的有效，年化收益应该从 G1 到 G5 单调递减。
分位窗口
G1（最便宜）
G2
G3
G4
G5（最贵）
G1−G5 价差
PE 3年分位
17.56%
11.96%
9.41%
6.21%
0.48% 17.08%
PE 5年分位
17.21%
11.48%
8.97%
6.53%
1.74% 15.47%
PE 10年分位
16.39%
10.80%
8.18%
5.19%
1.34% 15.05%
PE 20年分位
12.60%
8.57%
9.00%
3.48%
-0.65% 13.26%
图4 五分层组合年化收益：单调性检验
结果相当干净：四个窗口全部保持单调递减，无一例外。
G1（最便宜）年化 12.60%–17.56%，G5（最贵）年化 −0.65%–1.74%。 最贵的那一组在 20 年窗口下甚至年化为负。 G1 与 G5 的价差达到13.26–17.08 个百分点， 这是一个非常陡峭的分层梯度。
换成多空视角会更直观——做多 G1、做空 G5：
分位窗口
多空组合
年化收益
年化波动率
夏普比率
多空最大回撤
G1 年化
G5 年化
PE 3年分位
13.91%
12.38%
0.96
-21.86%
17.56% 0.48%
PE 5年分位
11.89%
12.91%
0.78
-20.86%
17.21% 1.74%
PE 10年分位
11.50%
12.53%
0.77
-18.36%
16.39% 1.34%
PE 20年分位
11.17%
10.79%
0.85
-9.51%
12.60% -0.65%
图5 多空组合（做多最便宜组 / 做空最贵组）累计净值
多空组合的夏普比率在0.77–0.96之间，波动率仅有 10.8%–12.9%， 显著低于多头组合的 22%–29%， 回撤也明显更浅（−9.51% 至 −21.86%）。这说明 PE 分位数捕捉到的是相对定价差异，而不是市场整体的贝塔。
2. IC / ICIR：因子的统计显著性
IC（Information Coefficient）衡量因子值与下期收益的横截面相关性， 是判断因子预测能力最直接的指标。这里用的是RankIC（Spearman 秩相关）， 对极端值不敏感，更适合估值类因子。
# 每期算因子值与下期收益的 Spearman 秩相关
fwd = forward_return_t + 1
ic = spearman(factor_t, fwd)
# ICIR = IC均值 / IC标准差
# t 值用 Newey-West(HAC,3阶) 修正自相关
分位窗口
截面数
IC 均值
IC 标准差
ICIR
年化 ICIR
NW t 值
IC>0 占比
PE 3年分位
201
1.89
8.96
70.6%
PE 5年分位
201
1.68
8.31
67.7%
PE 10年分位
182
1.73
7.86
70.9%
PE 20年分位
123
1.88
6.73
76.4%
图6 PE 5年分位因子月度 RankIC（上）与四窗口累计 IC（下）
判断标准很简单：|IC| 均值大于 0.05，就可以认为因子有较强的预测能力。
实测结果：四个窗口的 IC 均值全部在 0.0528–0.0587 之间， 稳定站上 0.05 这条线。年化 ICIR 在 1.68–1.89 之间， Newey-West t 值 6.73–8.96，p 值都在 10⁻¹¹ 量级以下。
更值得注意的是IC>0 的占比： 3 年窗口 70.6%、20 年窗口 76.4% 的月份里 IC 为正。 这意味着因子不是靠少数几个月份的极端值撑起来的， 而是大部分时间方向都是对的——这一点比 IC 均值本身更重要。
下方的累计 IC 曲线也很说明问题：四条曲线整体斜率稳定向上， 中途没有出现长期走平或持续回撤的阶段。因子在 16 年里没有明显的失效期。
3. IC 衰减：信号能撑多久？
如果因子只用一个月就失效，那策略必须高频调仓，成本会吃掉大部分收益。 所以需要检验：信号的预测能力在不同持有期下如何变化。
分位窗口
持有 1 个月
持有 3 个月
持有 6 个月
持有 12 个月
PE 3年分位
0.0587 0.0704 ★ 0.0581 0.0454
PE 5年分位
0.0528 0.0663 ★ 0.0570 0.0495
PE 10年分位
0.0538 0.0727 ★ 0.0677 0.0613
PE 20年分位
0.0577 0.0726 ★ 0.0686 0.0628
图7 IC 衰减曲线：信号在不同持有期下的强度
结果再次出乎意料。IC 并没有随持有期延长而衰减，反而在 3 个月处达到峰值。
4 个窗口的 IC 均值从 1 个月的 0.0528–0.0587，上升到 3 个月的0.0663–0.0727，之后才缓慢回落， 到 12 个月仍有 0.0454–0.0628。
这个形态传递了两个信息：
其一，估值修复需要时间。PE 分位数反映的是估值偏离，而估值回归的基本面兑现（盈利改善、预期修正） 通常需要 1–2 个季度的财报周期。1 个月内信号还没充分展开。
其二，月度调仓可能是过度交易。既然 3 个月持有期的 IC 更高，那么把调仓频率从月度降到季度， 可以在提高信号质量的同时把换手率降低约三分之二， 成本拖累相应从 0.6%–1.8% 降到更低水平。
这是本次回测中最具操作价值的一条结论： 把调仓周期改成季度，很可能比在月度框架里继续优化参数更有效。
四、分年度表现：稳定性检查
图8 分年度收益对比：全A等权 vs PE 5年分位 Top50 / Top100
年份
全A等权
PE 5年分位 Top50
PE 5年分位 Top100
2010
16.7% 23.3% 21.1%
2011
-15.9% -6.5% -3.5%
2012
-27.5% -13.8% -15.1%
2013
46.8% 37.4% 46.6%
2014
53.2% 40.3% 45.0%
2015
68.3% 100.7% 104.2%
2016
1.4% 8.8% 5.0%
2017
-14.9% -1.9% 0.8%
2018
-25.7% -24.5% -23.9%
2019
11.2% 27.1% 23.4%
2020
36.1% 49.6% 42.3%
2021
21.0% 8.3% 17.8%
2022
-1.6% 22.3% 19.9%
2023
6.1% 8.0% 8.0%
2024
8.2% 23.8% 23.4%
2025
28.6% 46.3% 44.7%
2026
5.0% 12.8% 9.6%
16 个完整年度（2010–2025）中，PE 5年分位 Top100 跑赢全A等权的年份有13 个，胜率 81.2%（Top50 同为 13/16）。
跑输的只有 3 年，而且幅度都不大： 2013 年（46.60% vs 46.79%，基本持平）、 2021 年（17.78% vs 20.99%，落后 3.2 个百分点）、 2014 年（45.02% vs 53.20%，落后 8.2 个百分点）。
2014 年是相对表现最差的一年，背景是"杠杆牛"启动初期， 资金先涌向弹性大的题材股与中小盘，低估值蓝筹反而跑在后面。这恰好说明因子在极端风格行情中会阶段性落后—— 但从未出现连续两年以上的失效。
反过来，表现最好的年份集中在 2015（基准 +68.3%，Top100+104.2%）、 2020（基准 +36.1%，Top100 +42.3%）、 2025（基准 +28.6%，Top100 +44.7%）。牛市中期与估值修复阶段，因子的弹性会显著放大。
更值得注意的是防守能力。熊市年份里，策略的跌幅普遍小于基准： 2011 年基准 −15.9%，Top100 −3.5%；2012 年基准 −27.5%，Top100 −15.1%； 2018 年基准 −25.7%，Top100 −23.9%；2022 年基准 −1.6%，Top100 +19.9%。低估值本身就是一层缓冲。
五、必须说清楚的两个风险
一份只有正面结论的回测是不负责任的。这套结果里有两个结构性问题， 会系统性地影响你对绝对收益的预期。
1. 存活偏差：绝对收益是上界
我的数据库里，所有股票的最后交易日都落在 2026 年—— 换句话说，已经退市的公司不在样本中。
这对低估值策略的伤害尤其大：一家公司之所以 PE 很低， 有时候正是因为市场已经预见到它要出问题。财务造假、经营恶化、 最终退市的股票，在它们退市前往往都是"便宜"的。 把这些股票从样本里删掉，等于事后把最坏的那部分结果抹掉了。
所以：本文中所有绝对收益数字应当被视为上界。 相对收益（策略 vs 全A等权）则相对可靠一些—— 因为基准腿和策略腿共享同一个偏差，两者的差值能抵消掉一部分。
2. 风格暴露：这是价值因子，不是纯 alpha
图9 16 个组合的风险—收益分布（vs 基准指数）
先看市值分布：持仓的市值分位中位数为0.701， 也就是说组合系统性偏向中大盘股，而不是很多人第一反应里的"小市值策略"。 这一点反而是加分项——说明收益不是靠小盘股流动性溢价撑起来的。
但行业层面就没有这么让人安心了：
图10 持仓行业超配情况（PE 5年分位 Top50）
非银金融超配3.50 倍、 银行超配3.06 倍、 房地产超配2.26 倍。
这是一个非常清晰的画像：这套策略本质上是一个深度价值风格组合， 重仓金融与地产。它的收益里，有多少来自"选股能力"（alpha）， 有多少来自"价值风格本身的贝塔"，仅靠这个回测是无法分离的。
2010 年以来 A 股的价值风格经历了多轮长周期轮动。 要确认因子本身是否稳定有效，还需要做行业中性化和市值中性化之后再跑一遍——把行业和市值的影响剥离掉， 看剩余部分是否还能贡献超额收益。
这是下一步最该做的事，也是本文结论的主要保留意见。（不过话说回来，分层测试的单调性、IC 的显著性、以及 20 年窗口下 G5 组年化为负——这些特征很难单纯用风格暴露来解释。）
图11 四个市场阶段的分段表现
分段来看，策略在四个阶段都优于同期基准，没有出现任何一段的系统性崩溃， 其中"阶段四 震荡与价值回归"（2023-01 至 2026-09）表现最为突出， PE 3年分位 Top100 年化22.29%，同期基准 12.40%。
即便是整体最难做的"阶段二 杠杆牛→股灾→白马牛"（2015-2018）， 基准年化 −0.16%，而 PE 3年分位 Top100 仍有+9.40%； "阶段一 震荡下行"（2010-2014）基准年化 10.04%，Top100 为 17.09%。穿越了杠杆牛、股灾、白马抱团、结构牛、熊市与价值回归——整整四轮完整周期。
六、结论
把这次实证的核心结论收成六条：
1. 因子有效。四个分位窗口的 IC 均值都在 0.0528–0.0587， 稳定越过 0.05 的强预测阈值，NW t 值 6.73–8.96，年化 ICIR 1.68–1.89。
2. 分层单调。G1 到 G5 年化收益逐层递减，四个窗口无一例外， G1−G5 价差 13.26–17.08 个百分点，20 年窗口下最贵组年化为负。
3. 持股越多越好。Top100 全面优于 Top10， Top10 甚至跑不过基准。集中度带来的价值陷阱风险压过了精选收益，建议持股 50–100 只。
4. 3 个月是最佳持有期。IC 在 3 个月处达到峰值（0.0663–0.0727）， 月度调仓存在过度交易，改成季度调仓更优。
5. 绝对收益是上界。存活偏差使已退市股票缺失， 低估值策略受影响尤甚；相对基准的超额更可信。
6. 存在明显风格暴露。非银金融、银行、房地产分别超配 3.50 倍、3.06 倍、2.26 倍，需要中性化后才能分离纯 alpha。
如果只记一句话：
"便宜"这个模糊的概念，可以用 PE 历史分位数变成可计算、可检验的信号。 四个窗口、16 个组合、200 个月度截面、16 年的实证结果显示—— 这个信号的统计显著性足够扎实，但使用时请保持分散（50–100 只）， 并留意它的价值风格底色。
上面这套流程本身是可以复用的：定义因子 → 计算滚动分位 → 构造组合 → 扣费回测 → 分层与 IC 检验 → 中性化复核。 把 PE 换成分红率、ROE、营收增速， 整套框架不用改，直接就能跑下一个因子。
真正花时间的从来不是代码，而是那些容易出错的地方： PE 为负怎么处理、信号与执行差几天、基准含不含分红、 退市股有没有留在样本里。这些细节决定了回测结果到底能不能信。
免责声明：本文为量化研究方法探讨，所有数据均来自历史回测， 不构成任何投资建议。回测结果不代表未来表现。 市场有风险，决策需独立判断。
热门跟贴