一、估值方法概括

估值方法共分为两类：绝对估值法和相对估值法。

绝对估值法以“资产的价值是未来收入的折现”为基准，将未来现金流按照一定贴现率贴现到当前时间点得到资产的价值；这种估值方法有一个难点：如何合理预测公司未来收入？

相对估值法通常利用各种比率进行估值，这种方法常见的用法是：预估整个行业或相似企业各比率的合理水平，当目标公司超过该合理水平时，则为高估或低估。

常用的绝对估值法主要包括：股利贴现模型、自由现金流贴现模型等。常用的相对估值法主要包括：市盈率估值法、市净率估值法、市销率估值法、PEG估值法、企业价值倍数法（EV/EBITDA）等。

二、PE与EV/EBITDA对比

市盈率以其方便的特点成为不少投资者进行估值时首要选择的指标。市盈率和EV/EBITDA之间有什么区别呢？

1.P/E市盈率

市盈率分为动态市盈率和静态市盈率。静态市盈率是用上一个报告期的每股收益作为分母计算得到，动态市盈率是用当期或以后的每股收益预测值计算得到。在行情软件中，多用动态市盈率。

市盈率的含义可以理解为股价收益比率。假设一个股票股价为100，每股收益为10，这时该只股票的市盈率为10。假设在理想情况下，意味着只需要10年该股票就能挣到100，即能回本。因此，常被视为一种估值手段。

市盈率的使用这么简单吗？显然不是。许多公司为了让数据好看，会做多收益，加入一次性利润。比如上一个例子，每股收益的10中只有8是正常经营活动得到的，剩余的2是由于本期一次性收益得到的，但计算市盈率时，这部分仍然被算在里面，这就会导致市盈率偏低。

2.EV/EBITDA

含义：EV/EBITDA又称企业价值倍数，公式为EV/EBITDA。

EV：公司价值，EV=市值+总负债-总现金

EBITDA: 息、税、折旧、摊销前盈余，EBITDA = 营业利润 + 折旧费用 + 摊销费用

和PE相比，从分子来看，EV/EBITDA用企业价值代替股票市值，既考虑了股东的情况，也考虑了债权人的情况，弥补了PE指标只考虑股东没有考虑债权人的不足。从分母来看，EV/EBITDA的分母用息、税、折旧、摊销前盈余代替了每股净收益，不包含财务费用，不受企业资本结构的影响；剔除了折旧和摊销，不受折旧政策的影响。另外，EBITDA不包含投资收益、营业外收入等其他收益项目，使得企业间的比较更加纯粹。

与PE相比，EVEBITDA还有一些缺陷。EBITDA没有考虑到税收因素，如果税收差异大，指标的估值就会失真。

三、基于EV/EBITDA的套利策略

策略思路：以过去20个周期的EV/EBITDA数据为基准，计算均值和方差。设定EV/EBITDA的上下界分别为：均值±标准差。当EV/EBITDA超过上界时，说明当前股价被高估，需平仓。当EV/EBITDA低于下界时，说明当前股价被低估，买入1000股。

回测期：2015.11.01至2020.11.10
回测期初始资金：1000万
回测手续费：0.01%
回测滑点：0.01%

回测结果如下：

回测期累计收益为60.45%，年化收益率为12.02%，最大回撤为11.29%，胜率为96%。

四、策略代码

注：此策略基于掘金量化平台，数据来自掘金量化平台。网址为：掘金量化平台

# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
import pandas as pd# 策略中必须有init方法
def init(context):# 获取成分股context.symbol = 'SHSE.600519'# 每周计算一次上下界schedule(schedule_func=algo1,date_rule='1w',time_rule='09:00:00')# 每日调仓一次schedule(schedule_func=algo2,date_rule='1d',time_rule='09:50:00')def algo1(context):# 获取EVEBITDA数据data = get_fundamentals_n(table='trading_derivative_indicator', symbols=context.symbol, count=20,end_date=context.now, fields='EVEBITDA', df=True)# 计算出合理范围data_mean = data['EVEBITDA'].mean()data_std = data['EVEBITDA'].std()context.upper = data_mean + data_stdcontext.lower = data_mean - data_stddef algo2(context):# 获取最新EVEBITDA数据data = get_fundamentals_n(table='trading_derivative_indicator', symbols=context.symbol, count=1,end_date=context.now, fields='EVEBITDA', df=True)# 低于下界的买入upper = context.upperlower = context.lowernew_EVEBITDA = data['EVEBITDA'].iloc[0]if new_EVEBITDA < lower:order_volume(symbol=context.symbol, volume=1000, side=1, order_type=OrderType_Market, position_effect=PositionEffect_Open)print('以市价单买入1000股')if new_EVEBITDA > upper:position = context.account().position(symbol=context.symbol, side=PositionSide_Long)if position:order_target_volume(symbol=context.symbol, volume=0, position_side=PositionSide_Long, order_type=OrderType_Market)print('以市价单平仓')if __name__ == '__main__':'''strategy_id策略ID, 由系统生成filename文件名, 请与本文件名保持一致mode运行模式, 实时模式:MODE_LIVE回测模式:MODE_BACKTESTtoken绑定计算机的ID, 可在系统设置-密钥管理中生成backtest_start_time回测开始时间backtest_end_time回测结束时间backtest_adjust股票复权方式, 不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POSTbacktest_initial_cash回测初始资金backtest_commission_ratio回测佣金比例backtest_slippage_ratio回测滑点比例'''run(strategy_id='strategy_id',filename='main.py',mode=MODE_BACKTEST,token='token',backtest_start_time='2015-11-01 08:00:00',backtest_end_time='2020-11-10 16:00:00',backtest_adjust=ADJUST_PREV,backtest_initial_cash=10000000,backtest_commission_ratio=0.0001,backtest_slippage_ratio=0.0001)

基于EV/EBITDA的量化策略（基于python，附代码）相关推荐

基于EV/EBITDA倍数估值法的Alpha对冲策略
Alpha对冲策略简介什么是Alpha对冲策略? 投资者在市场交易中面临着系统性风险(即Beta风险)和非系统性风险(即Alpha风险),通过对系统性风险进行度量并将其分离,从而获取超额绝对收益 ...
2020华为杯E题——基于灰色预测的大雾能见度预测模型（附代码）
2020华为杯E题--基于灰色预测的大雾能见度预测模型(附代码) 一.E题赛题二.赛题分析三.基于灰色预测的大雾能见度预测模型 3.1灰色预测模型的定义 3.2 灰色预测模型的目的 GM(1,1) ...
基于遗传算法优化的Elman神经网络数据预测-附代码
基于遗传算法优化的Elman神经网络数据预测 - 附代码文章目录基于遗传算法优化的Elman神经网络数据预测 - 附代码 1.Elman 神经网络结构 2.Elman 神经用络学习过程 3.电力负 ...
路径规划算法：基于灰狼优化(GWO)的路径规划算法- 附代码
路径规划算法:基于灰狼优化(GWO)的路径规划算法- 附代码文章目录路径规划算法:基于灰狼优化(GWO)的路径规划算法- 附代码 1.算法原理 1.1 环境设定 1.2 约束条件 1.3 适应度函 ...
FPGA零基础学习：基于FPGA的二进制转BCD设计（附代码）
FPGA零基础学习:基于FPGA的二进制转BCD设计(附代码) 本系列将带来FPGA的系统性学习,从最基本的数字电路基础开始,最详细操作步骤,最直白的言语描述,手把手的"傻瓜式"讲 ...
路径规划算法：基于入侵杂草优化的路径规划算法- 附代码
路径规划算法:基于入侵杂草优化的路径规划算法- 附代码文章目录路径规划算法:基于入侵杂草优化的路径规划算法- 附代码 1.算法原理 1.1 环境设定 1.2 约束条件 1.3 适应度函数 2.算法 ...
量化选股——基于多因子模型的量化策略（第1部分—因子测算策略构建）
文章目录 1.多因子模型概述 2.因子挖掘 3.多因子策略 4.多因子策略构建基于多因子的策略通用流程 Fama-French三因子因子效果测算方法因子测算结论&量化策略构建东西有点多 ...
基于大数据个性化音乐推荐算法分析（附代码github地址）
github网址:https://github.com/ciecus/music_lgb_recommend_kkbox 欢迎fork我,和我讨论呀~ 摘要:音乐推荐算法针对当今时代信息过载的问题 ...
基于蜣螂优化的Elman神经网络数据预测-附代码
基于蜣螂算法优化的Elman神经网络数据预测 - 附代码文章目录基于蜣螂算法优化的Elman神经网络数据预测 - 附代码 1.Elman 神经网络结构 2.Elman 神经用络学习过程 3.电力负 ...
Python基于机器学习的文本情感分析详细步骤[附代码和文字解释]
最近在研究情感分析,感谢CSDN上很多博主的文章,让我受益匪浅.因此在跑出准确率高达88%的分类结果后,写下自己的代码和总结,希望对大家有所帮助~ 目录一.文本数据预处理 1.读取json并转化为列 ...

基于EV/EBITDA的量化策略（基于python，附代码）

一、估值方法概括

二、PE与EV/EBITDA对比

1.P/E市盈率

2.EV/EBITDA

三、基于EV/EBITDA的套利策略

四、策略代码

基于EV/EBITDA的量化策略（基于python，附代码）相关推荐

最新文章

热门文章

基于EV/EBITDA的量化策略（基于python，附代码）

一、估值方法概括

二、PE与EV/EBITDA对比

1.P/E市盈率

2.EV/EBITDA

三、基于EV/EBITDA的套利策略

四、 策略代码

基于EV/EBITDA的量化策略（基于python，附代码）相关推荐

最新文章

热门文章

四、策略代码