股價淨值比 PB 是什麼？

簡單來說，股價淨值比像是股票的 CP 值。更深入一點的講法，就是

公司的「股市中的總價值」（市值） / 「資產負債的總價值」（淨值）

其中「股市中的總價值」就是股價乘以發行量，也就是市值。而「實體價值」就是指不動產 廠房及設備、債務…等的總價值，也就是資產負債相底後，真正留下的價值。也有人會寫成「股價/每股淨值」等於分子分母都除以股票發行量。

股價淨值比也透露股票的「未來價值」

投資人的樂觀與悲觀，都會影響 PB 的大小，當某當公司股票前景樂觀，投資人會預期公司營利，則股價推升，造成股價淨值比變高，然而反之投資人對公司前景悲觀，則股價淨值比會偏低。換句話說，股價淨值比就是投資人對於該公司的未來看好還是看壞，代表投資人對於該公司的「未來價值」的共識！

有了理論，還得有數據佐證，讓 FinLab 用最清晰的圖表分析，讓你對股價淨值筆的數值「有感覺」！以下就是 2020 年 6 月 30 號，台灣上市上櫃所有的公司，股價淨值比分佈圖：

你可能會覺得奇怪，為什麼大部份的股票，股價淨值比都大於1呢？大部分股票都偏貴嗎？不是的，這是因為股票是先行反映了此公司的「未來價值」，一家公司只要有營收，就可以用來茁壯，就會成長，所以股價淨值比大於 1 並不會奇怪，因為公司規模都是從小慢慢養大的，反而小於 1 才奇怪，因為代表公司可能有一些財務問題，或是負面新聞導致的，所以看到一家公司股價淨值比低，不是貿然就買進，必須找到下跌的原因，並判斷是否對公司未來有長遠的影響，才能安心買進呀！

雖然股價淨值比低，代表投資人對於某檔股票悲觀，但好處是，你可以用更便宜的價格買到它！相反的，投資人對於股票價格過於樂觀，大家瘋搶，造成股價淨值比過高，暗示買入的價格可能太昂貴囉！

用數據驗證坊間的謠傳

坊間謠傳，股價淨值比越小越好，代表該股票買入成本很低，買的比較划算！為了驗證這個說法，可以來設計一個簡單的實驗試試看！

實驗素材

為了做一個實驗，必須取得以下的資料，進行回測：

1. 股價淨值比：可以從公開資訊觀測站，來得到股價淨值比「每日」的數值，其算法的由來，就是由每日的「股價」除以最新季度財報中的「每股淨值」。
2. 盤後收盤價：除了上述股價淨值比，公開資訊觀測站還提供「每日收盤價」，可以將2004年到現在的收盤價都抓下來。
3. 除權息歷史紀錄：雖然可以由收盤價的漲跌來算出報酬率，但是由於除權息的關係，報酬率會失真，所以額外需要「除權息歷史紀錄」來計算調整後的收盤價，才能更準確反應報酬率。

假如你覺得自己處理這些資料很麻煩，也可以參考FinLab的課程，裡面都有提供喔！（置入性行銷…嘿嘿）

但最簡單的方法，還是使用我們所提供的 FinLab Package 啦！

回測設計

• 回測時間：從2000年到2020年
• 換股頻率：每一季度（’03-31′, ’06-30′, ’09-30′, ’12-31’）
• 選股策略：將所有上市上櫃的股票，股價淨值比由小到大，分成均衡數量五等份，第一個投資組合的是股價淨值比小於 20％的股票，而第二種策略則是 股價淨值比介於 20％～40％的股票，以此類推。

這張圖的 Y 軸是從 2004 年開始投資，資產的倍數變化圖，可以發現股價淨值比低於全體的 20% 的股票組合（藍色），真的比其他組合的報酬率來要好，但這邊的回測是一群股票的整體結果，由於樣本數量夠大，才能發現這樣的現象。

究竟股價淨值比選多少比較安全呢？

結合上述的實驗結果，可以做圖繪製出「每段時間的股價淨值比中位數」：

由上圖中可以發現，股價淨值比的中位數是「隨時間浮動的」！也就是，當牛市時，全體國民瘋搶股票，造成很多雞蛋水餃股，股價莫名其妙衝很高；另外當熊市時，很多很多股票都被打回原形，造成股價淨值比中位數來到 1 左右，甚至在 2008 金融海嘯時，比 1 還小！所以股價淨值比的高低是「相對的」，也就是說，股價淨值比小於 1.5 不帶表划算，例如當金融海嘯時，超過一半的股票 PB 都小於 0.7，所以不能用絕對的數值來判斷股價淨值比，而是用相對、浮動的百分比，會比較妥當喔！到底要怎麼用來選股，賣個關子，看到最後再告訴你。

選股價淨值比低的股票，報酬會不會不穩定呢？

正如剛剛所提及，股價淨值比小於 1 的股票，代表投資人對其公司前景不看好，或沒人關注，那當金融海嘯發生時，這些淨值低的股票，會不會有倒閉的風險呢？為了回答這個問題，像剛剛一樣，將股票的股價淨值比從小到大，切成五等份，持有一個季度，並衡量每個季度的報酬率：

上圖 Y 軸是報酬率，0.1 代表賺 10% 的意思。你會發現，當股價淨值比小的股票組合（PB < 20%，上圖藍色），在2007年股市泡沫時，有異常很好的表現（圖中最高的藍色棒子），報酬率來到了50％/季，畢竟大家熱炒一波，便宜股雞犬升天，變成高價股，是很正常的！那下跌的時候呢？可以看到當 2008 年下跌時，低股價淨值比的股票並沒有跌得很嚴重！為什麼會這樣呢？

照理說不被看好的股票應該會跌的更嚴重吧？

還記得剛剛所提及的「股價淨值比中位數」嗎？由於金融海嘯時，股價淨值比中位數（50％）來到了 0.7 這麼小，更何況是小於 20％ 的股票，據統計，2008年股價淨值比 20％ 的絕對數值，只剩下 0.39 ！也就是股價淨值比低於 0.39 才有可能被選入持股中，相信這些股票是已經跌到「跌無可跌」的地步了吧！

所以我們就要選擇低股價淨值比的股票囉？等等…別著急，先來看看

低股價淨值比的股票 – 近年表現如何？

上面的圖表，是考慮了 2008 年金融海嘯時的狀況，那假如是近幾年呢？近幾年的報酬率表現如下：

上圖中可以發現，在 2017 年和 2018 年，低股價淨值比，也就是藍色代表的報酬率，明顯高於其他的股票，但是 2019 和 2020 年則沒有表現得特別好，甚至在這次疫情下，下跌的最多，而反彈的卻不夠多！大致上來說，可以發現 2019 年以後 股價淨值比的表現並沒有特別突出或是特別差，變成一個比較中性的指標。

為何股價淨值比，在 2020 疫情期間表現不好？

總結了以下三點，說明股價淨值比近期表現不太理想的原因：

• 股價淨值比越來越多人使用，市場效率變高，這個指標越來越不顯著。
• 在 2013 年、2004 年 也出現過股價淨值比失效的狀況，也可以說每一種指標，都有失效的時候，不是全年無休一直都有效果，說不定之後又生效了也不一定。
• 但很大的因素，是因為疫情之下，上漲的都是生技股，而生技股的股價淨值比，由於體質關係，本來就會高於平均的緣故，例如以 2020 年 6 月 30 號的統計，技股平均股價淨值比：3.07，遠高於整體的平均：2.2，由於領漲的都是生技股，所以自然「高股價淨值比」看起來報酬率比較好。

由上述結論其實可以看出，選股其實也很偏重題材的，畢竟只要題材有了，股價淨值比也是可以忽略不計，當作沒看到都可以！然而假如想要建立一個長久有效的選股模型，相信股價淨值比是不會被取代的，相信時間會還給股價淨值比一個公道。

低股價淨值比策略實戰

有用的策略，只要一句話就瞭解：

找出股票價格大於5，股價在季線之上，且（股價淨值比 X 股價） 最小的20檔股票，持有一個季度

FinLab 策略庫

太簡單了吧！？就是要這麼簡單呀！

有時候，投資搞太複雜，看完型態學，又分析價量，再觀察籌碼分析，最後還是被自己的人性所打敗。這樣盲目照著各方說法操作，只會讓你覺得股市就像大海，載浮載沈。FinLab 主張，策略簡單，邏輯粗暴，無腦複製，讓你有時間多陪陪自己的家人，多出去戶外運動。投資不複雜，複雜的是人心，也就是看到這篇文章，卻沒有行動的你。

回測後，結果如下圖所示，這是一個非常簡單的策略，一年調整四次，卻可以有非常可觀的歷史報酬率（ 2000 至今有 2000％！），美中不足的是， 2004 年跟 2008 年大跌，最大跌幅（maximum drawdown）來到了 – 60%，另外，這個策略所買的股票，成交量很小，所以餵納量可能不夠大，假如你的資本太大的話，可能會不適用。假如你手邊資金小，那此策略應該是，可以用股市大富翁試試看此策略！至於避開大盤大跌的方法，就讓我留到下一篇吧！

今天的程式碼成果：

先取得要分析之資料

今天我們來分析一下股票的本益比、股價淨值比和殖利率，
先提供給大家一個爬蟲，讓大家可以直接把資料爬下來：

import datetime
import pandas as pd
import warnings
import requests
from io import StringIO
import pandas_profiling

def crawler(date):
    datestr = date.strftime('%Y%m%d')
    url = 'https://www.twse.com.tw/exchangeReport/BWIBBU_d?response=csv&date='+datestr+'&selectType=ALL'
    res = requests.get(url)
    df = pd.read_csv(StringIO(res.text), header=1)
    df['本益比'] = pd.to_numeric(df['本益比'], errors='coerce')
    
    return df.dropna(thresh=3).dropna(thresh=0.8, axis=1)

接下來我們就呼叫 crawler 這個函式，就可以將財務數據資料都爬取下來囉！

df = crawler(datetime.date(2019,10,7))
df.head()

1. 用舊的方法來分析資料

最簡單的方式，假如有用過 pandas 的大家應該都知道，
可以使用 df.describe() 來大致上觀察數據的樣貌
假如你對 pandas 不太熟悉，它有點像是拿來處理表格的資料，
就像是 python 界的 excel 一樣，雖然它非常好用，但是有點太古老（無聊）了！

df.describe()

2. 酷炫的方法資料分析

首先我們可以安裝 pandas_profiling

pip install pandas_profiling

接下來就可以直接來使用：

import pandas_profiling
df = crawler(datetime.date(2019,10,7))
df.profile_report()

然後我們就會看到超精美的圖表！

找出資料的缺漏或問題

我覺得 pandas_profiling 很棒的地方在於，
可以將資料一口氣全部統整給我們，方便我們去做資料前處理，
例如下圖中的左下角，就可以看到每一個column有哪些警告，

• 本益比有 20.4 % 是缺漏的：這是正常情況，因為本益比小於零不顯示
• 殖利率有 20.0 % 是 0：這也是正常情況，因為公司不一定有發股利股息
• 財報都是用第 2 季的財報：這也是正常的！

有了這種檢驗，更能夠讓我們知道資料的可靠程度，真的非常非常棒！
除了上述的檢驗外，我們還可以

輕鬆檢視每一個 column 的資料

這邊可以看到每一種資料的分佈，可以讓我們更好的掌握數據分佈型態

檢視資料相關性

這邊還可以檢視資料的相關性，這邊有些複雜的名詞，哪天再來跟各位介紹

pandas_profiling 真的是很不錯的 package，
可以幫我們進一步的認識資料，
假如你也覺得這個 package 很實用，
也歡迎你分享給大家喔！