equities

股票

这项技能是一套决策流程：哪家公司该用哪种估值指标、哪种指数编制方法适合哪种投资目标，以及分析股票的先后顺序。它假设用户可以自行查询定义；这项技能的价值在于选对工具。

核心概念

选择估值指标

根据行业和资本结构匹配指标——用错指标是股票分析中最常见的错误。

情况	使用	避免	原因
金融业（银行、保险公司）	P/B、P/TBV、ROE 与 P/B 对比	EV/EBITDA	债务是原材料，而非融资手段——EV 和 EBITDA 没有意义；账面价值的公允价值接近度更高
资本密集型行业（工业、电信、能源）	EV/EBITDA、EV/EBIT	仅用 P/E	消除同业间折旧政策和杠杆差异的影响
成熟的股息支付企业（公用事业、必需消费品）	股息率 + 派息可持续性、P/E	PEG	增长低且稳定；收入和覆盖率最重要
高增长、低盈利或无盈利企业	EV/Sales、PEG（若有盈利）、单位经济效益	P/E、P/B	盈利因再投资而受到压低；账面价值大多由无形资产构成
周期性行业（汽车、半导体、材料）	中周期或正常化 P/E、周期底部的 P/B	当前 P/E	P/E 在周期顶峰时最低，在周期底部时最高——当前 P/E 会颠倒买卖信号
盈利为负、现金流为正	EV/EBITDA、P/FCF	P/E、盈利收益率	分母为负时，比率无法定义或会产生误导
REIT 和上市房地产公司	P/FFO、P/AFFO、NAV	P/E	GAAP 折旧会扭曲房地产企业的盈利——实际资产技能会详细说明
跨境或杠杆水平不同	基于 EV 的倍数	股权倍数	企业价值可对资本结构进行标准化

适用于所有情况的交叉核验：

• 当业务发生变化时，在确定分子时使用远期（未来 12 个月）预估；若预估质量较差，则使用历史数据。
• 与公司自身的历史水平及真正的同行组比较，而非与整个市场比较。
• 在判定便宜或昂贵之前，将任何倍数换算成其隐含假设（增长、利润率、要求回报率）——低倍数通常反映了实际问题。

选择指数编制方法

投资目标	编制方法	需指出的权衡
低成本、税务高效地获取市场敞口	市值加权（S&P 500、全市场）	天生追逐动量；集中于超大盘股——单个行业的权重可能超过 30%
降低集中度／偏向小盘股	等权重	换手率和再平衡成本更高；结构性偏向规模和逆向投资
打破价格与权重的关联	基本面加权（营收、盈利、账面价值）	本质上是绕了一圈的价值倾向；应比较其成本与明确采用价值策略的基金
明确获取因子敞口	因子／风格指数（价值、动量、质量、低波动）	核实因子定义和再平衡规则；因子择时很少奏效
避免	价格加权（类似 DJIA）	权重与股价成正比，在经济意义上毫无依据——仅因历史沿用

选择规则：核心市场贝塔默认采用市值加权；只有当用户明确想要其中蕴含的倾向并接受较高换手率时，才加入等权重或基本面加权；将任何“智能贝塔”产品视为因子投资组合，并评估其因子载荷，而不是相信其营销名称。

安全分析流程

1. 对业务分类——所属行业（GICS 或同等分类）、周期性还是防御性、资本密集度、杠杆水平。这决定估值工具（见上表）。
2. 质量筛选——营收趋势、利润率趋势、ROIC 与资本成本的对比、资产负债表风险（净债务/EBITDA、利息保障倍数）、股数变化趋势（股权稀释还是回购）。
3. 盈利基准——选择过去或预期 EPS，检查是否有一次性项目，并使用稀释后股数。对于周期性行业，按中周期水平进行标准化。
4. 使用匹配的指标估值——采用表格中的主要倍数，搭配一个交叉验证倍数；若股息至关重要，还应通过股息进行验证（Gordon 增长模型：P = D1 / (r - g)，仅在 g < r 时有效）。
5. 因子与风格背景——通过回归（或目测）分析对市场贝塔、规模、价值、动量、质量因子的敞口。区分个股特定的投资论点与可通过指数以更低成本买入的因子押注。
6. 投资组合适配性——评估对行业集中度和因子倾向的边际影响；以总回报（价格回报 + 股息）作为比较基准，绝不能只看价格回报。

关键公式

公式	表达式	用途
EV/EBITDA	(市值 + 债务 - 现金) / EBITDA	不受资本结构影响的估值
盈利收益率	EPS / 价格	比较股票与债券收益率
PEG	(P/E) / 盈利增长率（以 % 计）	经增长调整的估值
Gordon 增长模型	P = D1 / (r - g)	基于股息的内在价值
CAPM	E(R) = R_f + beta × (E(R_m) - R_f)	估值所需回报率的输入值
总回报	价格回报 + 股息回报	业绩比较基准

示例

指标选择与估值

已知： 一家工业公司，市值 $500M，总债务 $100M，现金 $50M，EBITDA $75M，EPS $7.50，股价 $150。 判断并计算：

1. 资本密集型工业企业 → 主要指标为 EV/EBITDA（见上表），以 P/E 作为交叉验证。
2. EV = $500M + $100M - $50M = $550M。EV/EBITDA = $550M / $75M = 7.33x。
3. 交叉验证：P/E = $150 / $7.50 = 20.0x；盈利收益率 = 7.50 / 150 = 5.0%。
4. 解读：如果利润率稳定，对于工业企业而言，7.33x EV/EBITDA 属于较温和的水平——应与同业公司及该公司过去 5-10 年的区间进行比较。20x P/E 看起来比 EV 倍数更高，是因为该公司的净债务较少；EV 倍数更适合跨同业比较。

常见误区

• 将 EV/EBITDA 用于银行，或将 P/E 用于 REIT——指标与行业不匹配是这项技能旨在避免的主要错误
• 在周期高点买入过去 P/E 较低的周期性股票（即“价值陷阱”的反转）
• 将基本面加权指数或智能贝塔指数视为 Alpha，而非打包后的因子倾向
• 混淆价格回报与总回报——股息复利构成了长期股票回报的很大一部分
• 回测因子或筛选结果时的幸存者偏差

交叉引用

• historical-risk（财富管理插件）：股票收益序列的波动率和回撤度量
• statistics-fundamentals（核心插件）：通过 CAPM 回归估算 beta
• performance-metrics（财富管理插件）：夏普比率及相关风险调整后收益指标
• fund-vehicles（财富管理插件）：股票基金选择（ETF、共同基金、SMA）
• currencies-and-fx（财富管理插件）：国际股票的货币影响
• asset-allocation（财富管理插件）：多资产投资组合中的股票配置
• real-assets（财富管理插件）：REIT 估值（P/FFO、NAV）由该技能负责
• qualitative-valuation（财富管理插件）和 quantitative-valuation（财富管理插件）：更深入的单家公司估值工作流
• financial-statements（财富管理插件）：为基本面选股提供基础的 EBITDA、自由现金流、ROIC 和利润率分析
• equity-compensation（财富管理插件）：通过 RSU、期权和 ESPP 获得的雇主股票，既带有股票风险，也受税务和内幕交易限制
• factor-investing（财富管理插件）：上述规定的智能贝塔和风格产品因子载荷评估由该技能负责

运行脚本

uv run scripts/equities.py            # run the demo (uses PEP 723 inline deps)
uv run scripts/equities.py --verify   # check demo outputs against the worked example (exit 1 on mismatch)
python3 scripts/equities.py            # alternative (requires: pip install numpy)

演示会输出估值指标（包括示例计算中的 EV/EBITDA 和盈利收益率）、基于合成数据的因子回归，以及行业集中度分析。运行 --help 可查看类和函数列表。若要以编程方式使用，请导入模块，而不要运行该脚本——演示仅会在 python equities.py 下执行。