第一课：PE估值——原理、陷阱与实战

人物：老陈——从业二十年的老股民兼私募基金经理；小林——刚入市三个月的年轻人。

场景：周三傍晚，老陈的书房，小林捧着手机，眉飞色舞地走进来。

一、开场：PE=8的钢铁股，真的便宜吗？

「老陈！老陈！我发现了一只超便宜的股票！」

老陈抬起眼皮：「哦？便宜在哪？」

「PE才8倍！你说的买股票要找PE低的，我找到了，钢铁股，PE=8，市场上大把股票PE都三四十倍，这个8倍不是白菜价吗？」

老陈放下茶杯，摇摇头，但没急着说话，反问：「你说PE=8意味着什么？」

「就是……便宜啊，市场只给它8倍估值。」

「我再问你，8倍的钢铁股，和8倍的贵州茅台，你选哪个？」

小林一愣：「贵州茅台哪有过PE=8的时候……」

「我是假设。你选哪个？」

「……当然茅台。但为什么？PE不是一样吗？」

「因为PE的数字背后，是完全不同的生意。」老陈拿起笔，「我们从PE的本质说起。」

二、PE的本质：投资回收期视角

2.1 公式推导

PE，即市盈率（Price-to-Earnings Ratio），定义如下：

$PE = \frac{股票价格（ P ）}{每股收益（ EPS ）} = \frac{总市值}{净利润}$

这个公式背后有一个直觉含义：

假设净利润保持不变，PE = 你需要多少年把买入成本赚回来。

举例：

股价 100 元，每股净利润 5 元 → PE = 20，意味着 20年回本
股价 50 元，每股净利润 6.25 元 → PE = 8，意味着 8年回本

$PE = 市场愿意为这家公司的当前盈利等待多少年$

「所以PE低，就是回本快？」小林问。

「如果利润是真实的、可持续的，是的。关键是——如果。」

「钢铁股的利润是真实的，但可持续吗？」老陈反问。

2.2 PE的分子分母拆解

理解PE陷阱，需要先看清楚分子和分母：

$PE = \frac{P}{EPS}$

分子 P（价格）：是市场实时定价，反映投资者的预期
分母 EPS（每股收益）：是历史数据，反映过去的盈利

核心矛盾：价格是面向未来的，EPS是面向过去的。用过去的盈利来判断当前价格是否合理，本质上是在用后视镜开车。

「这就是为什么PE有三种算法，每种用的EPS不一样。」

三、三种PE的区别与计算

3.1 静态PE

$静态 PE = \frac{当前股价}{上一会计年度 EPS （年报数据）}$

特点：数据确定，但可能已经过时一年。适用：年报刚披露后的短暂窗口期。

举例：某公司2023年年报EPS = 2.00元，当前股价60元。

$静态 PE = \frac{60}{2.00} = 30 倍$

3.2 动态PE（Forward PE）

$动态 PE = \frac{当前股价}{分析师预测当年 EPS}$

特点：更具前瞻性，但依赖预测，主观成分强，分析师预测误差常在20%以上。适用：业绩有明确增长趋势，市场预期较稳定的公司。

举例：分析师预测该公司2024年EPS = 2.50元，当前股价60元。

$动态 PE = \frac{60}{2.50} = 24 倍$

3.3 滚动PE（TTM PE，最常用）

TTM = Trailing Twelve Months，即最近12个月。

$TTM EPS = 上年全年 EPS + 本年前三季度 EPS - 上年前三季度 EPS$

$TTM PE = \frac{当前股价}{TTM EPS}$

特点：滚动更新，既使用真实数据，又比静态PE更及时。行业通用标准。 适用：绝大多数分析场景的首选。

完整举例：

某公司：

2022年全年EPS = 1.80元
2023年前三季度EPS = 1.60元
2022年前三季度EPS = 1.35元

$TTM EPS = 1.80 + 1.60 - 1.35 = 2.05 元$

当前股价 50元：

$TTM PE = \frac{50}{2.05} \approx 24.4 倍$

「记住，默认说PE，指的就是TTM PE。」老陈说，「三种PE相差很大的时候，恰恰是需要认真分析的时候。」

四、PEG修正：给PE装上增速引擎

4.1 PE的先天缺陷

老陈问：「同样是PE=30倍，一家公司净利润每年增长5%，另一家每年增长50%，你觉得这两家公司的30倍PE，意味着一样的估值水平吗？」

小林摇头：「肯定不一样，增速快的那家……应该更值钱？」

「对。PE忽略了增速。所以彼得·林奇提出了PEG指标，专门修正这个缺陷。」

4.2 PEG公式

$PEG = \frac{PE}{净利润增速（ % ）}$

彼得·林奇的经验法则：

PEG < 0.5：严重低估，重点关注

PEG 0.5~1.0：低估区间，值得买入

PEG ≈ 1：合理估值，合理定价

PEG 1~2：轻微高估，需谨慎

PEG > 2：明显高估，非特殊情况应回避

$合理 PE \approx 净利润增速（ % ）$

即：增速30%的公司，合理PE约30倍；增速10%的公司，合理PE约10倍。

4.3 对比举例

案例A：某消费品公司

当前PE = 25倍
净利润年增速 = 30%
PEG = 25 / 30 = 0.83 → 低估，值得关注

案例B：某传统制造公司

当前PE = 30倍
净利润年增速 = 5%
PEG = 30 / 5 = 6.0 → 严重高估，远离

「PE=25 比 PE=30 更贵？」

「你看，PEG=0.83 vs PEG=6，A公司PE=25反而更便宜。」老陈说，「PE是静态快照，PEG是动态电影。」

4.4 PEG的局限性

PEG不是万能的：

增速需要可持续：用过去三年平均增速，而不是单年暴增数字
不适用于周期股：周期股的”高增速”往往是景气顶点，此时PEG最”好看”，实则最危险
不适用于亏损公司：EPS为负，PEG无意义
增速低于5%时失真：分母过小，PEG数值会虚高

五、历史分位判断：PE的相对位置

「除了绝对值，还要看PE处于历史什么位置。」老陈说。

5.1 历史分位法原理

对于同一只股票，在历史区间内的相对位置比绝对数字更有参考价值：

$PE 历史分位 = \frac{历史中 PE 低于当前 PE 的交易日数量}{历史总交易日数量} \times 100%$

经验参考线：

历史分位 < 30%：低估区间，安全边际充足

历史分位 30%~70%：合理区间，正常定价

历史分位 > 70%：高估区间，上行空间有限

5.2 茅台历史PE分位举例

贵州茅台历史PE数据（2014-2023年，基于TTM PE）：

年份	年最低PE	年最高PE	年末PE
2014	10.2	18.6	14.8
2015	14.3	26.1	22.4
2016	19.8	29.7	28.5
2017	26.4	38.2	35.7
2018	18.3	37.6	19.6
2019	20.1	42.3	38.4
2020	38.7	72.5	68.3
2021	37.4	73.8	45.2
2022	30.1	50.8	35.6
2023	20.5	38.7	22.1

10年历史PE区间：约 10~74倍
中位数（50%分位）：约 34倍
30%分位：约 22倍
70%分位：约 46倍

举例：若当前茅台PE = 40倍，则：

处于历史 约62%分位（约62%的历史交易日PE低于40倍）
结论：略偏贵，但仍在合理区间内

「所以不能说茅台PE=40就贵——要放在它自己的历史里看。」

六、多年PE均值与标准差（量化评估）

6.1 统计指标计算

对于一组历史PE数据，计算均值与标准差，可以划定”正常波动区间”：

$\overset{ˉ}{PE} = \frac{1}{n} \sum_{i = 1}^{n} PE_{i}$

$σ = \frac{1}{n} \sum_{i = 1}^{n} (PE_{i} - \overset{ˉ}{PE})^{2}$

博林格带思路：

均值 ± 1σ：正常波动区间（约68%概率）

均值 ± 2σ：极端区间（约95%概率），突破代表明显高估/低估

6.2 沪深300指数5年PE数据（2019-2023）

年份	年均PE	年最低PE	年最高PE
2019	13.2	10.8	15.6
2020	15.8	11.4	18.9
2021	15.1	12.7	18.2
2022	11.9	10.1	14.5
2023	12.4	10.9	14.1

5年PE均值： $\overset{ˉ}{PE} \approx 13.7$ 倍
标准差： $σ \approx 1.9$ 倍
低估线（均值 - 1σ）： $\approx 11.8$ 倍
高估线（均值 + 1σ）： $\approx 15.6$ 倍

「所以每次沪深300 PE跌破12倍，就是系统性低估的信号。」

七、A股四大PE陷阱（重点！）

「好了，回到你那只钢铁股。」老陈收起笔，正色道，「现在我来告诉你，为什么PE=8的钢铁股是陷阱。」

7.1 陷阱一：周期股陷阱（最重要！）

「钢铁、煤炭、有色金属这类公司，有一个反直觉的规律。」老陈说，「它们利润最高的时候，PE往往最低——而这恰恰是卖出信号，而不是买入信号。」

「这……怎么可能？」

「我来给你推一遍逻辑。」

景气周期的完整逻辑：

钢铁需求旺盛（基建/房地产高峰）
    ↓
钢铁价格大涨（从3000元/吨→5000元/吨）
    ↓
钢铁企业利润爆发（净利润从10亿→100亿）
    ↓
EPS大幅提升 → PE = P/EPS，分母骤增 → PE骤降至个位数
    ↓
散户看到PE=6、PE=8 → 以为便宜 → 买入
    ↓
同时：高利润吸引新产能投入、需求端基建/房地产见顶回落
    ↓
钢铁价格回落（从5000元/吨→3000元/吨）
    ↓
钢铁企业利润暴跌（从100亿→10亿甚至亏损）
    ↓
EPS骤降 → PE = P/EPS，分母骤减 → PE暴升至50倍、100倍
    ↓
散户被套，感叹"PE怎么越来越贵了"

「所以……周期股PE低是因为利润在顶峰，而利润顶峰之后就是下坡路！」小林恍然大悟。

「对。周期股要反向思考PE：PE极低时，往往对应景气顶点，是卖出信号；PE极高甚至亏损、PE无意义时，往往对应景气低谷，是买入信号。」

$\boxed{\text{周期股：低PE≠低估，高PE或亏损≠高估，要看景气位置}}$

数据佐证——华菱钢铁（000932）PE历史数据：

年份	净利润（亿元）	股价（年末，元）	PE	后续走势
2020	43	7.2	6.5	2021年股价继续涨
2021	113	6.8	2.3（极低！）	2022年股价大跌
2022	57	4.3	5.8	2023年企稳
2023	35	4.9	10.8	行业磨底

2021年PE=2.3倍，看起来极度低估；而那正是钢铁景气的顶点，随后净利润腰斩，股价大跌。

「所以你那只PE=8的钢铁股——你知道现在钢铁行业处于什么位置吗？」老陈问。

小林默默拿起手机，开始查行业数据。

7.2 陷阱二：利润注水陷阱（扣非PE才真实）

上市公司净利润可以分为：

$净利润 = 扣非净利润 + 非经常性损益$

非经常性损益包括：政府补贴、资产处置收益、投资收益等一次性项目。

正确做法：用扣非净利润计算PE（扣非PE），才反映主业真实盈利能力。

举例：

科目	金额（亿元）
净利润	10
其中：政府补贴	6
资产处置收益	2
扣非净利润（主业）	2

若股价对应市值100亿：

PE（净利润口径）= 100 / 10 = 10倍（看起来便宜）
扣非PE = 100 / 2 = 50倍（实际很贵）

「差了5倍！」小林倒吸一口凉气。

「你现在知道为什么要看扣非净利润了吧。一次性补贴明年还有吗？资产卖完了还能再卖吗？」

7.3 陷阱三：商誉减值陷阱

「PE骤升有时不是因为股价涨，而是因为……净利润崩了。」

商誉减值逻辑：

公司溢价收购其他公司（如花50亿收购净资产20亿的公司），差价30亿计入商誉（资产负债表）
若被收购公司经营不及预期，需对商誉计提减值准备
商誉减值直接计入当期损失，净利润骤降
EPS骤降 → PE骤升 → 看起来突然很贵，实则是利润被一次性吞噬

预警方法：

$商誉风险比 = \frac{商誉余额}{净资产} > 30% ，且收购标的业绩承诺期届满$

商誉占净资产比超过30%的公司，需重点关注减值风险，其PE的可持续性存疑。

7.4 陷阱四：政策补贴陷阱

某些行业高度依赖政策补贴，补贴收入让利润看起来可观，PE看起来偏低。

典型行业：光伏（早期）、新能源汽车（补贴退坡前）、部分农业公司

识别方法：

$补贴依赖度 = \frac{政府补贴}{净利润} \times 100%$

补贴依赖度 > 50%：业绩高度依赖政策，PE估值折价看待
补贴退坡后净利润可能腰斩，PE对应骤升

「政策是人定的，可以朝令夕改。靠补贴活着的公司，你给它什么估值都要打折扣。」

八、Tushare 取数：PE历史数据获取与分位计算

import tushare as ts
import pandas as pd
import numpy as np
 
pro = ts.pro_api('YOUR_TOKEN')
 
# 获取茅台近5年日度PE数据
df = pro.daily_basic(
    ts_code='600519.SH',
    start_date='20190101',
    end_date='20231231',
    fields='trade_date,pe_ttm,pb'
)
df['trade_date'] = pd.to_datetime(df['trade_date'])
df = df.dropna(subset=['pe_ttm']).sort_values('trade_date')
 
# 计算历史分位
current_pe = df['pe_ttm'].iloc[-1]
percentile  = (df['pe_ttm'] < current_pe).sum() / len(df)
mean_pe     = df['pe_ttm'].mean()
std_pe      = df['pe_ttm'].std()
 
print(f"当前PE(TTM)：{current_pe:.1f}倍")
print(f"历史分位：{percentile:.1%}")
print(f"均值：{mean_pe:.1f}  标准差：{std_pe:.1f}")
print(f"低估线(均值-1σ)：{mean_pe - std_pe:.1f}  高估线(均值+1σ)：{mean_pe + std_pe:.1f}")

字段说明：

pe_ttm：滚动市盈率（TTM），tushare直接提供

pb：市净率，可同步获取作为交叉验证

九、综合实战框架：PE估值四步法

老陈拿起白纸，总结道：

第一步：确认PE类型
    → 默认用TTM PE；若处于年报披露后，静态/TTM差异不大
    → 高增速公司可参考动态PE，但要打20%折扣

第二步：用PEG修正
    → 计算近3年平均净利润增速
    → PEG = PE / 增速，判断相对高低
    → 周期股跳过此步

第三步：历史分位定位
    → 拉5~10年历史PE，计算当前所处分位
    → 低于30%分位：安全边际充足
    → 高于70%分位：上行空间有限

第四步：排除四大陷阱
    → 是否周期股？（反向看景气位置）
    → 是否存在大量非经常性损益？（用扣非PE）
    → 商誉占净资产比是否过高？
    → 利润是否依赖政策补贴？

「四步走完，你才能说这个PE是不是真的便宜。」

小林低头又看了看那只钢铁股，叹了口气：「钢铁股，PE=8……第一步就应该想到是周期股，然后去查当前钢铁景气是不是在顶峰……」

「现在会了。亏钱之前搞懂，是最划算的学费。」老陈端起茶杯，「下次你买之前，先把这四步做完，再来找我讨论。」

十、追问思考题

题目一

为什么说”周期股利润最高时是卖出信号”？请完整推导这个反直觉结论的逻辑链条，并解释为什么散户容易在这时买入。

答案方向：

逻辑链条：

周期行业（钢铁/煤炭/化工）的利润高度依赖供需景气，而非企业自身竞争力；
景气高峰时：产品价格高→净利润激增→EPS大增→PE骤降；
高利润吸引资本投入，新建产能陆续投产；同时下游需求（地产/基建）周期性见顶；
下行拐点到来：供给增加+需求回落→产品价格下跌→净利润腰斩乃至亏损；
股价提前反映预期，在利润顶峰前已经见顶；

散户为何此时买入：

看到PE极低（分母EPS处于历史最高点），误以为”被市场低估”；
看到公司业绩新高、分红大增，产生”业绩好=前景好”的错觉；
忽略了”当前高利润是不可持续的景气泡沫”这一关键判断；

正确做法：周期股应在景气低谷、PE极高甚至亏损时买入，在景气高峰、PE极低时卖出——与直觉完全相反。

题目二

某公司A：PE=15倍，净利润增速=25%，扣非净利润=净利润（无非经常性损益），行业为消费品。

某公司B：PE=12倍，净利润增速=3%，扣非净利润=净利润×40%（大量政府补贴），行业为传统制造。

哪家更便宜？请用PEG和扣非PE分别计算后对比分析。

答案方向：

公司A：

PEG = 15 / 25 = 0.6（低估区间）
扣非PE = 15倍（无水分，即真实PE=15倍）
消费品增速可持续性强，综合评价：低估

公司B：

PEG = 12 / 3 = 4.0（明显高估）
扣非净利润 = 净利润 × 40%，意味着主业只贡献40%利润
扣非PE = 12 / 40% = 30倍（实际很贵）
传统制造+补贴依赖，综合评价：高估

结论：表面上B（PE=12）比A（PE=15）便宜，实际上A远比B便宜，且质量更高。

题目三

某投资者说：“我只要找PE低于10倍的股票买入，就能跑赢市场。“这个策略在A股历史上有效吗？有哪些根本性缺陷？如何改进？

答案方向：

策略本身的缺陷：

忽略了周期股陷阱：A股中大量低PE股票属于周期性行业（钢铁/煤炭/有色/化工），低PE往往代表景气顶点而非低估；
忽略了利润质量：低PE可能来自虚增利润（非经常性损益、关联交易），扣非PE未必低；
忽略了成长性：低增速+低PE的价值陷阱（Value Trap）——公司盈利不增长甚至下滑，PE虽低但股价也难以上涨；
没有历史分位视角：不同行业的合理PE区间差异极大，统一用”10倍”作为阈值过于简单粗暴；

历史数据：A股”纯低PE策略”在2008-2018年间跑输沪深300，主因是大量低PE股票为周期股和国有企业，盈利不可持续。

改进方向：

剔除周期性行业，单独用”景气反转”逻辑处理；
加入扣非PE过滤（扣非PE < 15倍）；
加入ROE门槛（ROE > 12%），确保公司盈利能力扎实；
加入历史分位判断（处于历史30%分位以下）；
最终形成多因子复合筛选，而非单一指标。

下一课：PB估值——市净率的适用场景与银行股估值逻辑

徐术挺-漫思录

探索

01_PE估值_原理陷阱与实战

第一课：PE估值——原理、陷阱与实战

一、开场：PE=8的钢铁股，真的便宜吗？

二、PE的本质：投资回收期视角

2.1 公式推导

2.2 PE的分子分母拆解

三、三种PE的区别与计算

3.1 静态PE

3.2 动态PE（Forward PE）

3.3 滚动PE（TTM PE，最常用）

四、PEG修正：给PE装上增速引擎

4.1 PE的先天缺陷

4.2 PEG公式

4.3 对比举例

4.4 PEG的局限性

五、历史分位判断：PE的相对位置

5.1 历史分位法原理

5.2 茅台历史PE分位举例

六、多年PE均值与标准差（量化评估）

6.1 统计指标计算

6.2 沪深300指数5年PE数据（2019-2023）

七、A股四大PE陷阱（重点！）

7.1 陷阱一：周期股陷阱（最重要！）

7.2 陷阱二：利润注水陷阱（扣非PE才真实）

7.3 陷阱三：商誉减值陷阱

7.4 陷阱四：政策补贴陷阱

八、Tushare 取数：PE历史数据获取与分位计算

九、综合实战框架：PE估值四步法

十、追问思考题

题目一

题目二

题目三

目录