2024 年 A 股市场分化加剧，某头部公募基金因沿用传统 PB-ROE 模型，重仓低 PB 高 ROE 的银行、地产板块，全年收益仅 3.2%，跑输沪深 300 指数 1.8 个百分点；而另一只采用升级后 PB-ROE 矩阵的基金，精准布局 “高 ROE + 合理 PB” 的消费龙头与 “ROE 拐点 + 估值低位” 的科技成长股，全年收益达 22.7%，超额收益显著。这一对比揭示了基金投研的核心痛点：传统 PB-ROE 模型因忽视行业差异、周期波动与盈利质量，已难以适应复杂的市场环境，只有构建动态、分行业、重质量的升级矩阵，才能精准找到财报的 “击球区”—— 即投资胜率与赔率双高的区间。
对券商、基金、资管的业务人员而言，PB-ROE 矩阵是财报分析与投资决策的 “核心工具”，其本质是通过 “估值（PB）与盈利（ROE）的匹配度”，筛选出 “又好又便宜” 的标的。但传统模型的 “一刀切” 标准，往往导致要么陷入价值陷阱，要么错过成长机会。本文将从 PB-ROE 的底层逻辑出发，拆解传统模型的三大痛点，构建 “分行业校准 + 周期动态调整 + 盈利质量过滤” 的升级矩阵，提供可落地的行业配置与标的筛选流程，助力基金投研精准把握财报 “击球区”。
PB-ROE的底层逻辑：为什么它是基金投研的“通用语言”
PB（市净率）反映市场对企业净资产的估值溢价，ROE（净资产收益率）反映企业净资产的盈利能力，两者的组合构成了价值投资的核心框架。对基金投研而言，PB-ROE 矩阵之所以成为 “通用语言”，核心在于其解决了三个关键问题：
1.解决 “估值与盈利的匹配性” 问题
投资的本质是 “以合理价格买入优质资产”，PB 衡量 “价格是否合理”，ROE 衡量 “资产是否优质”。当 PB 低于行业中枢且 ROE 高于行业中枢时，意味着 “优质资产被低估”，是最佳击球区；反之，当 PB 高于行业中枢且 ROE 低于行业中枢时，意味着 “劣质资产被高估”，是绝对回避区。国信价值指数（基于 PB-ROE 模型构建）的表现验证了这一逻辑：2007 年基日至 2025 年，该指数年化收益率达 10.2%，远超沪深 300 的 4.8%，核心原因就是持续聚焦 “低 PB + 高 ROE” 的标的。
2.实现 “跨行业、跨周期的横向对比”
不同行业的估值与盈利水平差异巨大，但 PB-ROE 的相对匹配度具有可比性。例如，消费行业 ROE 高、PB 也高，周期行业 ROE 波动大、PB 低，但通过计算 “ROE/PB 比值”（即每单位估值对应的盈利回报），可以跨行业对比投资性价比。2025 年 Q1，食品饮料行业 ROE/PB 约 6.8%，银行行业约 21%，有色金属行业约 9.2%，说明银行的静态盈利性价比最高，有色金属的弹性最大。
3.适配基金投研的 “批量筛选” 需求
基金经理需要在数千只股票中快速筛选标的，PB-ROE 矩阵通过两个核心指标，可将标的划分为四个象限，实现批量分类，大幅提高投研效率。招商量化精选基金正是基于这一逻辑，持仓股票平均 PB1.5 倍（低于中证 500 的 1.6 倍），平均 ROE13%（高于中证 500 的 11%），长期跑赢指数。
传统PB-ROE模型的三大痛点：为何容易“踩坑”
传统 PB-ROE 模型采用 “统一标准” 筛选标的，忽视了行业属性、周期阶段与盈利质量的差异，导致在实际应用中容易陷入三大误区：
1.痛点一：忽视行业属性差异，“一刀切” 标准导致误判
不同行业的商业模式、资产结构、盈利模式不同，合理的 PB-ROE 区间差异巨大。例如，消费行业属于轻资产、高盈利模式，中枢 ROE 约 15-20%，中枢 PB 约 2.5-3.5 倍；而银行属于重资产、高杠杆模式，中枢 ROE 约 8-12%，中枢 PB 仅 0.5-1 倍。若用统一的 “PB<1 且 ROE>10%” 标准筛选，会错过所有消费龙头，反而选中大量低 ROE 的银行、地产股，陷入价值陷阱。
2025 年 Q1 数据显示，白酒行业 ROE 达 25.67%，PB 约 6 倍，看似估值偏高，但 ROE/PB 比值仍达 4.3%，高于银行的 2.1%（银行 ROE 约 10%，PB 约 0.48 倍），说明白酒的长期投资性价比并不低。
2.痛点二：忽视周期阶段差异，“静态指标” 误导决策
周期股的 ROE 具有极强的周期性，在景气高点 ROE 极高，在景气低点 ROE 极低，传统静态 PB-ROE 模型会完全搞反买卖点。例如，2021 年钢铁行业 ROE 达 25%，PB 约 1.5 倍，传统模型会认为是 “高 ROE + 低 PB” 的优质标的，但此时行业已处于景气顶部，后续 ROE 骤降至 5%，股价腰斩；而 2025 年 Q1 有色金属行业 ROE 处于近十年高位（12%），但 PB 仅 1.3 倍（处于近三年低位），传统模型会认为是 “高 ROE + 低 PB”，但实际上行业已进入景气下行期，需警惕盈利下滑风险。
3.痛点三：忽视盈利质量，“虚假高 ROE” 导致踩雷
高 ROE 并不等于优质资产，部分企业的高 ROE 是靠高杠杆、非经常性损益或会计操纵实现的，这类 “虚假高 ROE” 不可持续，最终会导致股价暴跌。例如，某地产公司 2023 年 ROE 达 20%，但资产负债率高达 85%，经营现金流 / 净利润仅 0.5 倍，高 ROE 完全靠高杠杆驱动，后续因债务违约暴雷，股价下跌 90%。
升级后的PB-ROE矩阵：基金投研的“精准击球区”
针对传统模型的痛点，我们构建 “分行业校准 + 周期动态调整 + 盈利质量过滤” 的三维升级矩阵，实现从 “静态统一标准” 到 “动态精准匹配” 的跨越，精准定位财报 “击球区”。
1.维度一：分行业校准合理 PB-ROE 区间
基于 2020-2025 年 A 股各行业的历史数据，计算每个行业的中枢 PB（近 5 年中位数）和中枢 ROE（近 5 年扣非 ROE 中位数），作为行业的合理估值与盈利基准，避免 “一刀切” 误判。
数据来源：2025 年 Q1 申万行业指数数据，扣非 ROE 为 TTM 口径，PB 为 LF 口径
2.维度二：周期阶段动态调整估值与盈利权重
根据行业所处的周期阶段（复苏期、繁荣期、衰退期、萧条期），动态调整 PB 和 ROE 的权重，避免静态指标误导决策：
（1）复苏期（ROE 从底部回升，PB 低于中枢）：重点关注 ROE 的边际变化，权重 ROE（60%）> PB（40%），此时 ROE 拐点是核心信号，即使 PB 略高于中枢，也可左侧布局；
（2）繁荣期（ROE 见顶，PB 高于中枢）：重点关注 PB 的安全边际，权重 PB（60%）> ROE（40%），此时 ROE 已达峰值，PB 过高意味着估值泡沫，需逐步减仓；
（3）衰退期（ROE 下滑，PB 低于中枢）：两者权重各 50%，重点关注 ROE 的下滑速度，若 ROE 快速下滑且 PB 未充分反映，需坚决回避；
（4）萧条期（ROE 触底，PB 处于历史低位）：重点关注 PB 的安全边际，权重 PB（70%）> ROE（30%），此时 PB 足够低，即使 ROE 仍在低位，也具备长期配置价值。
3.维度三：盈利质量过滤，剔除 “虚假高 ROE”
在筛选标的前，先通过四大盈利质量指标，剔除靠高杠杆、非经常性损益或会计操纵实现的 “虚假高 ROE”，确保 ROE 的真实性与可持续性：
（1）扣非 ROE 占比：扣非 ROE / 归母 ROE ≥ 90%，排除非经常性损益贡献的盈利；
（2）ROE 稳定性：近 3 年扣非 ROE 波动率 ≤ 15%，排除盈利波动过大的周期股（周期行业可放宽至 25%）；
（3）现金流匹配度：经营活动现金流量净额 / 归母净利润 ≥ 0.8，排除盈利无法转化为现金的企业；
（4）杠杆合理性：非金融企业资产负债率 ≤ 60%，金融企业核心一级资本充足率 ≥ 8%，排除高杠杆驱动的高 ROE。
基于升级矩阵的行业配置策略：四象限轮动
将升级后的 PB-ROE 矩阵划分为四个象限，每个象限对应不同的配置策略，实现行业的动态轮动：
1.第一象限：高 ROE + 合理 PB（黄金击球区）
（1）特征：扣非 ROE 高于行业中枢 10% 以上，PB 处于行业中枢 ±20% 区间，盈利质量达标；
（2）配置策略：超配，作为组合的核心底仓，占比 60%-70%；
（3）2025 年 Q1 代表行业：食品饮料（ROE19.55%，PB2.8 倍，中枢 3.0 倍）、白色家电（ROE18.63%，PB2.2 倍，中枢 2.2 倍）、通信（ROE12%，PB2.0 倍，中枢 2.0 倍）；
（4）核心逻辑：这类行业盈利稳定、估值合理，具备长期复利效应，是基金组合的 “压舱石”。
2.第二象限：高 ROE + 高 PB（估值泡沫区）
（1）特征：扣非 ROE 高于行业中枢，但 PB 高于行业中枢 30% 以上；
（2）配置策略：谨慎配置，占比不超过 10%，仅选择盈利增速能消化估值的龙头；
（3）2025 年 Q1 代表行业：部分 AI 龙头（ROE10%，PB5.0 倍，中枢 2.5 倍）、创新药（ROE8%，PB4.0 倍，中枢 2.5 倍）；
（4）核心逻辑：这类行业估值已透支未来盈利增长，若盈利增速不及预期，容易出现估值杀，需严格控制仓位。
3.第三象限：低 ROE + 低 PB（价值陷阱区）
（1）特征：扣非 ROE 低于行业中枢 20% 以上，PB 低于行业中枢 30% 以上；
（2）配置策略：坚决回避，除非出现明确的周期反转信号；
（3）2025 年 Q1 代表行业：房地产（ROE3%，PB0.3 倍，中枢 0.8 倍）、传统钢铁（ROE4%，PB0.5 倍，中枢 1.0 倍）；
（4）核心逻辑：这类行业 ROE 持续下滑，低 PB 是对盈利恶化的合理反映，并非低估，容易陷入 “越跌越贵” 的价值陷阱。
4.第四象限：低 ROE + 合理 PB（周期反转区）
（1）特征：扣非 ROE 低于行业中枢，但处于边际改善趋势，PB 处于行业中枢 ±20% 区间；
（2）配置策略：左侧布局，占比 20%-30%，重点关注 ROE 拐点明确的行业；
（3）2025 年 Q1 代表行业：电子（ROE8%，PB2.1 倍，中枢 2.5 倍，ROE 连续两个季度回升）、农林牧渔（ROE7%，PB1.8 倍，中枢 2.0 倍，猪周期反转预期）；
（4）核心逻辑：这类行业处于周期底部，ROE 即将触底回升，估值尚未反映盈利改善，具备较高的赔率。
标的筛选的实操步骤：从财报到“击球点”
在行业配置的基础上，通过五步实操流程，从财报中精准筛选出 “击球点” 标的，适用于基金投研的批量选股：
1.第一步：分行业初选，锁定目标池
根据行业配置策略，确定每个行业的配置比例，然后在对应行业中，筛选出扣非 ROE 高于行业中位数、PB 处于行业合理区间的标的，形成初选池。例如，在食品饮料行业，筛选扣非 ROE>18%、PB2.0-4.0 倍的标的。
2.第二步：盈利质量过滤，剔除劣质标的
用四大盈利质量指标对初选池进行过滤，剔除扣非 ROE 占比 <90%、ROE 波动率> 15%、现金流匹配度 < 0.8、资产负债率 > 60% 的标的，形成优质池。
3.第三步：估值匹配度计算，排序优选
计算每个标的的估值匹配度，公式为： 估值匹配度 =（标的 PB / 行业中枢 PB）/（标的 ROE / 行业中枢 ROE）
（1）估值匹配度 < 0.8：低估，优先配置；
（2）0.8 ≤ 估值匹配度 ≤ 1.2：合理，可配置；
（3）估值匹配度 > 1.2：高估，回避。
例如，贵州茅台 2025 年 Q1 PB6.0 倍，ROE28%，白酒行业中枢 PB5.5 倍，中枢 ROE25%，则估值匹配度 =（6.0/5.5）/（28/25）≈0.97，处于合理区间，可配置。
4.第四步：财报交叉验证，确认基本面
对估值匹配度靠前的标的，进行财报深度验证，重点关注：
（1）杜邦拆解：分析 ROE 的来源，优先选择净利率驱动的标的，回避高杠杆驱动的标的；
（2）成长性：近 3 年营收复合增速≥10%，净利润复合增速≥15%；
（3）现金流：自由现金流为正，分红率≥30%；
（4）风险点：无大额商誉、无关联交易异常、无审计非标意见。
5.第五步：构建组合，动态调整
根据估值匹配度和基本面验证结果，构建最终组合，每个行业配置 3-5 只标的，单只标的仓位不超过 10%。每季度根据财报数据，重新计算估值匹配度，调整标的权重，剔除估值过高或盈利恶化的标的，纳入新的优质标的。
核心误区与规避方法
在应用 PB-ROE 矩阵时，需规避三大核心误区：
（1）误区一：只看静态指标，不看动态预期：传统模型用历史 ROE 和当前 PB，而市场定价的是未来 ROE。需结合分析师一致预期，用预期 ROE替代历史 ROE，提高模型的前瞻性。
（2）误区二：忽视商业模式差异：轻资产行业（如软件）的 PB 天然高于重资产行业（如钢铁），不能简单对比 PB 绝对值，需用 ROE/PB 比值进行相对比较。
（3）误区三：过度依赖模型，忽视基本面：PB-ROE 是筛选工具，不是决策依据。对筛选出的标的，必须进行深度基本面研究，验证其盈利的可持续性和估值的合理性。
结语
对基金投研而言，PB-ROE 矩阵的核心价值，不是提供一个机械的选股公式，而是建立一套 “估值与盈利匹配、质量与价格并重” 的投研框架。传统模型的失败，在于其 “静态、统一、重数量” 的缺陷；而升级后的矩阵，通过 “分行业校准、周期动态调整、盈利质量过滤”，实现了 “动态、精准、重质量” 的跨越，能够精准定位财报的 “击球区”。
在复杂多变的市场环境中，基金经理需要牢记：没有绝对的好公司，也没有绝对的便宜公司，只有 “估值与盈利匹配、盈利质量过硬” 的公司，才是值得投资的标的。只有将 PB-ROE 矩阵与深度财报分析、行业研究结合起来，才能在市场波动中持续获取超额收益。
历史文章
绿色金融资产的财报解读：碳中和目标下的项目收益与风险评估框架
监管科技下的财报验证：用供应链数据与能耗指标交叉核验企业真实性
ESG 如何重塑财报分析：从 “合规披露” 到 “价值关联” 的量化整合方法
审计意见的 “弦外之音”：关键审计事项与非标意见的风险解读手册
现金流造假的三大典型模式：票据贴现、资金闭环与关联方对倒的识别逻辑
功能更新
4月功能更新 | 优化借贷标识、右侧解析表切换、支持全局调整、数据核对编辑方式、新增异常流水标签等。
3月功能更新 | 对手方管理支持下拉快速筛选历史数据、疑似关联方支持删除操作、新增“对手方类型”筛选条件等
3月功能更新 | 支持zip格式的加密压缩包上传于识别、针对核查主体名自动识别优化等
12月功能更新 | 数据导入新增手动录入流水、资金穿透模块、银行流水统计页面、白名单功能、银企对账功能等
12月功能更新 | 语言转换选项展示方式修改、财报模块增加权限控制和编辑功能等
关于我们
达观数据金融是为金融机构提供AI数字化转型的智库，用科技赋能金融机构业务增长。
我们为银行、证券、基金、资管、保险、金租、信托等金融机构提供智能信贷、智能投行、智能搜索、智能审核、智能运管等行业解决方案。
目前产品服务已获多家金融机构客户认可，覆盖股份制银行、头部证券公司、监管机构、国有银行等。
