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_std
context.lower = data_mean - data_std
def 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.upper
lower = context.lower
new_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_BACKTEST
token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_POST
backtest_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)