股票评估的核心财务指标
上市交易的股票评估从企业内在价值出发。市盈率将股价与每股收益挂钩，反映市场为每元盈利支付的价格。低市盈率可能意味着低估，也可能预示盈利下滑。市净率比较股价与每股净资产，适用于重资产行业。股息率衡量现金回报，对收益型投资者关键。市销率用于尚未盈利的成长型企业。自由现金流折现模型估算未来现金流现值，需要预测增长率和折现率。格雷厄姆的净流动资产价值法寻找股价低于清算价值的标的。这些指标单独使用有局限，组合使用能提高判断准确度。
期货合约的定价逻辑
期货评估不同于股票，核心是基差与持有成本。理论期货价格等于现货价格加上持有成本减去便利收益。持有成本包括仓储费、保险费和资金利息。便利收益来自现货持有者应对供应中断的能力。当期货价格高于现货加持有成本，出现正向套利机会。反向市场则convenience yield高，现货溢价。评估期货还需关注保证金、每日无负债结算和到期日收敛。跨期价差反映供需季节性。跨品种价差如原油与燃料油，用于对冲和投机。
量化模型在股票评估中的应用
多因子模型将股票收益分解为市场、规模、价值、动量、质量等因子。Fama-French三因子加入市值和账面市值比。Carhart四因子增加动量。量化交易者用回归分析确定因子暴露，构建组合。机器学习方法如随机森林和梯度提升树，处理非线性关系。代码示例用Python计算滚动市盈率分位数：
import pandas as pd
import numpy as np
def rolling_pe_percentile(pe_series, window=252):
rolling_min = pe_series.rolling(window).min()
rolling_max = pe_series.rolling(window).max()
percentile = (pe_series - rolling_min) / (rolling_max - rolling_min)
return percentile
该指标帮助识别历史估值高低区域。因子回测需要处理幸存者偏差和前视偏差。
期货量化评估与套利策略
期货评估侧重基差动量、期限结构和波动率。基差动量计算近月与远月合约价差变化率。期限结构斜率反映库存周期。波动率评估用GARCH模型预测条件方差。统计套利寻找配对合约的均值回归。跨期套利监控同一品种不同到期月的价差。跨市场套利比较国内外期货价格，考虑汇率和关税。代码示例计算商品期货的滚动基差：
import numpy as np
def basis_momentum(futures_price, spot_price, lookback=20):
basis = futures_price - spot_price
basis_change = basis.diff(lookback)
return basis_change
该信号用于判断期货相对现货的强弱。套利需考虑交易成本、冲击成本和保证金占用。
技术分析与市场情绪指标
股票和期货评估都可用技术指标。移动平均线判断趋势方向。相对强弱指标识别超买超卖。布林带衡量波动率。成交量确认价格突破有效性。持仓量变化反映资金流入流出。期货的未平仓合约与价格关系提供额外信号。情绪指标包括看跌看涨比率、波动率指数和资金流向。期权隐含波动率用于评估市场恐慌程度。这些指标在量化系统中作为特征输入。
组合评估与风险管理
股票与期货组合评估使用夏普比率、最大回撤和卡尔玛比率。风险价值模型估算给定置信水平下的最大损失。条件风险价值关注尾部风险。压力测试模拟极端行情。相关性矩阵指导分散化。期货用于对冲股票组合的贝塔风险。动态再平衡根据波动率调整仓位。凯利公式确定最优下注比例。量化交易系统需监控滑点和执行延迟。
基本面与量化结合的实战流程
建立股票池，筛选市盈率低于行业中位数且现金流为正的标的。计算多因子得分，排序后买入前20%。期货端监控基差和期限结构，寻找套利机会。每周重新平衡，卖出因子得分下降的股票。设置止损规则，单笔亏损不超过总资金2%。回测使用滚动窗口，避免过度拟合。实盘前用模拟账户验证。评估周期至少包含一个完整市场周期。
常见评估误区与修正
低市盈率陷阱源于盈利不可持续。高市净率可能反映无形资产未被记录。期货评估忽略展期成本导致回测虚高。量化模型在结构突变时失效。修正方法包括使用多个估值指标、加入宏观状态变量、动态调整因子权重。股票评估关注自由现金流而非会计利润。期货评估关注实物交割规则和仓库库存。
评估工具与数据来源
股票数据来自财报、交易所公告和第三方数据库。期货数据包括收盘价、结算价、持仓量和仓单日报。量化平台如聚宽、米筐提供API。开源工具用pandas、numpy和backtrader。评估结果需可视化，热力图展示因子相关性，时间序列图展示净值曲线。自动化报告每周生成，标注异常估值和套利信号。
