选股方法论与术语说明
这份文档解释筛选器里每一个数字是怎么来的。没有黑箱——任何一列分数，你都能在这里找到它的口径、公式和已知缺陷。
一、先说清楚：这是什么，不是什么
市面上的选股工具多数是黑箱：给你一个分数，不告诉你分数怎么来的。一旦分数和你的判断不符，你没法知道是你错了还是模型错了。
这里的做法相反——把所有参数摆在明面上。你可以看到七维各自是什么、权重是多少、公式长什么样，甚至可以自己拖着滑块改权重，看结果怎么变。这样你既知道它在算什么，也知道它在哪里会失准。
整套体系有两个独立的部分，可以分开用：
- 七维打分——衡量「这只股票有多好」，综合成长、估值、质地等七个侧面。只有 730 只能算全。
- 三口径预期收益——衡量「按不同假设，预期年化收益有多少」，是纯数字推演。2747 只能算。
两者角度不同：七维看质量，三口径看空间。质量高不代表空间大（可能已经很贵），空间大也不代表质量好（可能基本面在恶化）。最好两个都过一遍。
二、七维打分详解
七维是七个 0~100 的分数，衡量一只股票在七个不同侧面上的相对位置。分数是「在同行业内的分位」，不是绝对值——90 分意味着在同行里排前 10%，而不是「成长率 90%」。
下面逐项说明。权重是括号里那个系数，代表该维度在总分中的重要性。
机构一致预期里，未来两三年盈利增速有多快。权重最高，因为长期看股价增长的源头是盈利增长。
怎么算：取多家券商的 26E / 28E 归母净利润预测，算复合增速，再转成行业内的分位数。
最近机构预期是在上调还是下调。方向比幅度重要——一致预期被连续下调，往往比预期本身偏低更值得警惕。
怎么算：把每篇研报按发布日切成两段（以 2026-08-01 为切点），比较前后两段的预期均值变化。收缩时取样本较少的一段，避免「1 篇 vs 3 篇」被误判为高度一致。
当前估值在全市场中的相对位置。低估值得分高。
怎么算：综合 PE、PB、PEG 等指标，取行业内分位。其中 PEG 分母的增速做了 35% 封顶——否则一个 200% 的增速假设会把 PEG 压到接近 0，让「高增长噱头股」估值失真地变低。
盈利预测被多少家机构覆盖、覆盖机构的质量如何。覆盖越多、分歧越小，预期越可信。
怎么算：用「覆盖家数 + 预测离散度」的四维分解合成可信度分。这一维也是 2017 只算不出七维的原因——覆盖家数太少，可信度无法评估。
过去几年的盈利能力与经营稳定性。看的是已经发生的事实，不是预测。
怎么算：综合历史 ROE 水平与波动、毛利率稳定性、营收连续性等，取行业分位。
机构持股与筹码分布。这里做了一个区分度检验：只有真的能区分好坏的资金才加分。
怎么算：用「前 100 名覆盖数 − 501 名以后覆盖数」测试各类资金，实测社保 +13.2、养老 +11.1（显著加分），国家队 −1.7（不加分）。
现金流、负债、商誉等安全垫指标。权重最低，因为它是「排除地雷」而不是「选出好票」。
怎么算：经营性现金流 / 净利润、资产负债率、商誉占净资产比等。
性质系数：对商业模式打一个折
七维加权后，还要乘一个「性质系数」。这是对商业模式可持续性的整体判断——同样的分数，商业模式越稳，越值钱。
| 性质类 | 系数 | 含义 |
|---|---|---|
| A | 1.00 | 成长可持续、护城河清晰，不打折 |
| B | 0.75 | 周期性偏强或成长确定性一般，打七五折 |
| C | 0.62 | 强周期或商业模式脆弱，打六二折 |
这一层的意义：周期股的高增长不能和高确定性成长股同等对待。同样是 F=90 的成长分，放在一家稳定消费品公司和一家涨价周期公司上，可信度完全不同。系数就是对这种差异的显式折价。
三、三口径预期收益
这是三个用不同假设推出来的年化预期收益率，统一用三年窗口、1/3 次方（即年化）计算。之所以要三个口径，是因为「未来收益多少」这件事，取决于你假设估值会怎么变——而这是没法确定的，所以干脆把三种情形都算出来。
① μ 业绩 —— 只算盈利增长
最朴素的口径。它的含义是：如果市场愿意给的估值倍数三年不变，你每年能赚多少。这是三条口径里最「干净」的一条，不掺杂任何估值假设。
② μ 目标价 —— 用卖方目标价外推
把券商给的目标价，换算成它隐含的估值倍数，再看这个倍数相对当前是升还是降。含义是：如果卖方的估值判断是对的，你每年能赚多少。
③ μ 回归 —— 假设估值回到自身历史中枢
含义是：如果估值会回到它的「常态」，你每年能赚多少。估值越低、离历史中枢越远，这一条就越高。
三者之差，才是最有信息量的地方
差值为负：说明当前估值已经偏高，靠估值赚不到钱，甚至会被压缩。
如果三条都高：盈利增长和估值修复同向，是最理想的情形——但要警惕这是「乐观合成」。
举个真实的例子：某只股票 μ业绩 只有 8.6%，但 μ回归高达 88.6%。这说明它的盈利增长其实不快，预期收益几乎全部来自「估值从极低位回归」。这种结构一旦估值不回归（比如行业景气继续下行），预期就会落空。三个口径拆开看，比看一个总分有用得多。
四、为什么有 730 只和 2747 只两个池
打开筛选器你会看到「候选池口径」有三个选项。这不是设计冗余，而是数据本身的边界。
| 口径 | 数量 | 能算什么 |
|---|---|---|
| 全部 | 2747 | 三口径预期收益 |
| 仅七维齐全 | 730 | 三口径 + 完整七维打分 |
| 仅三口径 | 2017 | 只有三口径，七维空缺 |
为什么那 2017 只算不出七维？因为七维里的 C 券商可信度和 R 修正动量都依赖券商覆盖与一致预期。这 2017 只的机构覆盖中位数只有 3 家，样本太少，算出来的可信度和动量没有意义。
所以工具里做了三档切换，让你既能看到「能完整打分的核心池」，也能看到「数据不全但可能有货的池子」，而不是让系统替你预先做减法。
残缺分怎么处理？七维不齐的标的，总分按已填的维度加权归一算出，并在总分旁边标一个 n/7 徽章提示完整度。你也可以勾选「总分须按全部七维算出」，只保留完整打分的标的。
五、术语表
- 一致预期
- 多家券商对同一家公司未来盈利预测的汇总。通常取平均值或中位数。注意「一致」只是说法——现实中各家分歧可能很大，这也是为什么要有「券商可信度」这一维。
- 归母净利润
- 归属于母公司股东的净利润。剔除少数股东权益后的利润，是衡量股东实际所得的指标。本文所有「26E / 28E 归母」指 2026 / 2028 年的预测归母净利润（E = Estimate，预测值）。
- PE_TTM
- 市盈率（Trailing Twelve Months），即当前市值除以最近四个季度累计净利润。相比静态 PE 更能反映当下盈利水平。
- PE 分位
- 当前 PE 在过去一段时间（本文用两年）所有取值中排第几。分位 5% 意味着「比过去两年 95% 的时候都便宜」。注意：分位低不等于便宜——如果公司基本面恶化，PE 可以长期停在低位。
- PB
- 市净率，市值除以净资产。适合用来评估重资产行业（银行、制造业），对轻资产公司参考价值有限。
- PEG
- PE 除以盈利增速。PEG = 1 通常被视为「增长与估值匹配」。本文对分母增速做了 35% 封顶，避免超高增速把 PEG 压到失真。
- ROE
- 净资产收益率，净利润除以净资产。衡量股东投入的赚钱效率，是判断生意质量的核心指标之一。
- 基数比
- 本文特指
28E归母 ÷ 26E归母。超过 3 倍判为「低基数失真」——意味着起点利润极低，任何恢复性增长都会被数学放大成惊人的增长率。比如某养猪企业 μ 业绩高达 624%，不是因为它真的每年翻倍，而是因为 2026 年预期利润接近于零。 - 低基数陷阱
- 业绩基数过低导致的增长率虚高。看到 μ 异常高的标的（比如超过 100%），第一件事是看基数比，而不是兴奋。筛选器里默认勾选「剔除低基数失真标记」。
- 修正动量
- 机构预期被上调或下调的方向和速度。预期在上修的股票，往往比预期已经很高但开始下修的股票表现更好——因为市场在「重新定价」。
- 分位加权
- 把不同量纲的指标（比如 PE 是倍数、ROE 是百分比）先各自转成 0~100 的分位数，再加权合成。好处是可以横向比较不同性质的指标。
- Spearman 相关系数
- 衡量两个排序之间的一致程度，取值 −1 到 +1。注意：分位加权综合分换一组权重，排序会显著变化（实测两套权重下 Top 榜的重合度只有 0.37~0.66），这是特性不是缺陷。
- 上行虚、下行实
- 本文对预期收益类指标的定性。预期收益是「假设一切顺利」的估计，天然偏乐观；而回撤是真实发生过的事实，不能打折。所以用预期收益时必须配下行保护。
六、常见误用与边界
误用一：把高分当买入信号
分数高只说明各项指标位置靠前。它不包含任何择时信息——一只分数 90 的股票，完全可能在接下来半年跌 40%。分数是「选什么」的参考，不是「什么时候买」的答案。
误用二：只看 μ 业绩，忽略基数比
μ 业绩排名前几名的标的，往往都是低基数导致的虚高。真正有意义的做法是先剔除基数比 >3 倍的，再看剩下的排名。
误用三：认为「μ 高 = 收益高」
μ 是盈利比值（内置「估值倍数不变」假设），不等于股价回报。股价年化 = 盈利增长 + 估值变化。如果盈利涨 30% 但估值杀 50%，你还是亏。
一个典型的自相矛盾信号是「μ 很高，但卖方目标价空间很小」——这通常意味着预测被系统性下修，或者市场不认这套盈利预期。看到这种组合要格外小心。
误用四：以为综合分是客观真理
权重是人定的。本文的 0.24 / 0.10 / 0.17 / 0.15 / 0.14 / 0.12 / 0.08 是一套筛选结果，不是唯一答案。筛选器里给了滑块，就是让你自己试试——换一版权重，看看你的结论还站不站得住。如果换个权重前十名大变样，说明这个池子的稳健性本来就不高。
误用五：把七维分数当行业间可比
七维分数是行业内分位。一只半导体公司的 F=80 和一只白酒公司的 F=80，含义并不相同——它们是在各自行业内部排到前 20%，而两个行业的成长中枢本身就不同。跨行业比较总分时要知道这一点。
这套体系的固有局限
- 依赖机构预期：覆盖不足的公司无法评估，且机构预期本身有滞后和从众倾向。
- 不含择时：所有指标都是「此刻的相对位置」，不含技术面、资金面、市场情绪。
- 不含政策与事件风险：比如单一区域收入占比过高时，一次政策变动就可能砍掉整块业务——这类跳跃风险无法用连续分数刻画。
- 历史数据可能失真：计算区间涨跌时必须用复权净值，否则高送转会被误算为下跌。
七、数据来源与更新
本页所述数据来自公开渠道：
- 行情与估值：公开行情接口（收盘价、PE_TTM、PB、总市值）
- 机构一致预期：券商预测数据汇总
- 历史 PE 分位：按交易日采样的历史估值序列（两年窗口，剔除 PE≤0 的亏损期）
- 财务数据：公司定期报告（利润表 / 资产负债表 / 现金流量表）
- 股东结构：十大流通股东披露
数据日期以筛选器顶部显示为准。所有数据可能存在滞后或误差，请以公司公告和交易所披露为准。