指数与行业估值分位

回答一个问题：当前估值在过去一段时间里排第几——并且把「过去一段时间」是多长、用哪个公式算的，一并交出去。

这个 skill 的重点不在算法（算法只有三行），而在口径的显式化。同一个指数，取 3 年、5 年、10 年或全历史，可以算出完全不同的分位。任何不告诉你窗口长度的分位数，都不要拿去用。

适用场景

• 你想判断某个指数或行业现在偏贵还是偏便宜，并且希望这个判断可被复核。
• 你在做定期的估值跟踪表，需要口径每次一致。
• 你看到一个「估值分位 23%」的数字，想知道它是怎么算出来的。

输入

输出

当前值、历史分位、窗口内最低/中位/最高、有效样本数、以及一份口径说明。结果与口径不可分离输出——只交出一个百分数，等于交出一个无法复核的数字。

核心逻辑

第一步：把定义摆正

• 市盈率 PE = 每股市价 / 每股收益。行业通常的整体加权算法是 ∑(收盘价×发行数量) / ∑(每股收益×发行数量)，并剔除亏损及暂停上市的公司。年报数据更新时点统一为每年 5 月 1 日。
• 市净率 PB = 每股市价 / 每股净资产。
• 三种 PE 不能混用：静态 PE 用上一会计年度每股收益；TTM（滚动 PE） 用最近四个季度每股收益之和；预测 PE 用季报数据折算的年每股收益。中文语境里的「动态市盈率」在不同数据商指向不同，引用时必须问清是哪一个。

第二步：把数据洗干净

按 PE 口径，亏损导致的负值必须剔除，并把剔除条数记下来。净资产为负的标的，PB 同样失去意义。

这一步的产出不是"干净的数据"，而是"剔除规则 + 剔除了多少"，两者都要随结果输出。

第三步：算分位

通行写法：

历史分位数 = (i − 1) / (n − 1) × 100

其中 i 是当前值在窗口内升序排列后的序数，n 是窗口内的样本数。

必须说清楚的边界：这个公式不是监管规定，也不是学术标准。不同机构对是否用这个式子、窗口取 3 年还是 10 年、是否插值，做法都不一样。所以你算出来的数字只有配上口径才能被比较。

第四步：输出适用性检查

• 窗口越短，分位越容易走到极端。换窗口长度，结论可能翻转。
• 强周期行业应改用 PB。 周期股在盈利高点时 PE 最低——此时「低 PE」恰恰是危险信号。
• 尚未盈利或净资产为负的标的，PE 与 PB 都没有判断意义。
• 分位低不等于会上涨。

依赖与安装

pip install akshare pandas

离线模式（--csv）只需 Python 标准库，不需要装任何东西。

用法

# 在线：算沪深300 的 PE 十年分位
python3 scripts/valuation_percentile.py --code 000300 --metric pe --window 10

# 在线：改用 PB，看五年分位
python3 scripts/valuation_percentile.py --code 000300 --metric pb --window 5

# 离线：喂一份自己的估值序列（推荐先用这个把口径跑通）
python3 scripts/valuation_percentile.py --csv series.csv --value-col PE_TTM --window 10

CSV 需要一个数值列和一个日期列；日期列名会自动识别（日期 / date / trade_date），也可以用 --date-col 指定。

出处

• 中国证监会甘肃监管局《什么是市盈率?什么是市净率?》—— PE 的标准定义与公式。
• 上海证券交易所《读懂上市公司定期报告（十五）》—— PB 定义，以及「尚未盈利或净资产为负时 PE/PB 失去判断意义」的边界。
• 上海证券交易所《上海市场A股市盈率》指标说明 —— 整体加权算法与「剔除亏损及暂停上市公司」的口径，年报数据更新时点统一为每年 5 月 1 日。
• 中证指数有限公司行业市盈率数据服务 —— 静态市盈率与滚动市盈率（TTM）并列发布，并单列「亏损证券数量」字段。
• 中证网《静态市盈率、动态市盈率、预测市盈率分别是什么?》—— 三者公式区别。
• Campbell & Shiller (1988), Stock Prices, Earnings, and Expected Dividends, Journal of Finance 43(3) —— CAPE（10 年通胀调整平均盈利）原始出处。
• Damodaran, NYU Stern, Implied Equity Risk Premium —— 隐含股权风险溢价 = 预期股票收益 − 国债收益率。

完整清单与逐条说明见包内 references/sources.md。

风险与局限

1. 分位数对窗口长度极其敏感。 同一指数取 3 年、5 年、10 年或全历史，可以算出完全不同的分位，而且没有任何机构对此有统一规定。这是本 skill 最容易被误用的地方。
2. 分位低不等于会上涨。 低估可以持续很久，也可能是因为基本面已经永久性改变——用历史分位去推断未来，隐含假设是「估值中枢不变」，而这个假设本身需要你自己论证。
3. 强周期行业不能用 PE 分位。 盈利高点对应低 PE，此时低 PE 是危险而非机会。
4. 数据源由第三方维护。 部分指数的历史估值序列在公开渠道不全，脚本会明确标注缺失区间，不会用插值把缺口填上。
5. 本 skill 不提供买卖判断。 它给出的是「当前估值在历史上的位置」，不是「该不该买」。

常见问题

同一个指数，我用 5 年窗口算出 12%，别人用 10 年算出 68%，谁对？ 都对。差异全部来自窗口长度和是否剔除负值。比较两个分位数之前，先确认口径一致；口径不一致的两个数字放在一起比较没有意义。

为什么脚本要打印这么多口径信息？ 因为一个不带口径的分位数是不可复核的数字。如果你要把它写进报告，口径信息是报告的一部分。

能不能用分位做择时？ 可以把它作为一组观察指标之一，但单独用会很危险：低估可以持续数年。分位回答的是「现在贵不贵」，不回答「什么时候涨」。