我们平时做股票投资，经常会提到市盈率（PE）、市净率（PB）、净资产收益率（ROE）等数据，并有各种分析技术说明如何根据 PE、PB、ROE 等数据对股票价值进行评估。那 PE、PB、ROE 数据对 A股市场到底有多少参考价值呢？这里我们用 Python 简单的对其做一分析，供大家参考，详细过程如下。
分析 PE、PB 对股价的影响
我们先提取个股 PE、PB数据，并用三维点阵图显示，评估其规律，直接上代码如下：
import matplotlib.pyplot as plt
import numpy as np
import tushare as ts
import pandas as pd
from mpl_toolkits.mplot3d import Axes3D #绘制三D图形
# 获取股票基本信息，包括 PE、PB 值
df_base = ts.get_stock_basics()
df_base['code'] = df_base.index
# 获取股票当天数据，包括当前股价
df_todays = ts.get_today_all()
df_todays['code'] = df_todays.index
# 整合股价与 PE、PB 数据
df = pd.merge(df_todays, df_base, how='left', on=['code'])
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
X = df['per'].tolist() # X 轴为 PE 数据
Y = df['pb_x'].tolist() # Y 轴为 PB 数据
Z = df['trade'].tolist() # Z 轴为 股价数据
#给三个坐标轴注明
ax.set_xlabel('PE', color='r')
ax.set_ylabel('PB', color='g')
ax.set_zlabel('trade', color='b')
ax.scatter(X, Y, Z)
plt.show()
其统计结果如下图所示：
观察以上散点图，除了个别异常数据，主要数据集中在一起，不方便直观观察，下面我们根据数据情况进行异常值剔除。
剔除 PE、PB 异常值后的分析
根据上图分析，PE 数据分布范围比较大，但主要集中在 -500 至 1000之间，PB数据比较集中，但有个别异常值，股价（trade）数据主要集中在 0 至 100 之间，有一个异常值500多，应该是 贵州茅台（sh600519）吧。下面我们剔除异常值，只选择 PE 在 -100 到 200之间、股价在 0 至 100之间，PB 在0至 10 之间的数据，
import matplotlib.pyplot as plt
import numpy as np
import tushare as ts
import pandas as pd
from mpl_toolkits.mplot3d import Axes3D #绘制三D图形
# 获取股票基本信息，包括 PE、PB 值
df_base = ts.get_stock_basics()
df_base['code'] = df_base.index
# 获取股票当天数据，包括当前股价
df_todays = ts.get_today_all()
df_todays['code'] = df_todays.index
# 整合股价与 PE、PB 数据
df = pd.merge(df_todays, df_base, how='left', on=['code'])
df.dropna()
# 剔除异常值
result = df[(-100<df['per'])&(df['per']<200)
&(0<df['pb_x'])&(df['pb_x']<10)
# &(roe_describe['25%']<df['roe'])&(df['roe']<roe_describe['75%'])
&(0<df['trade'])&(df['trade']<100)]
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
X = result['per'].tolist() # X 轴为 PE 数据
Y = result['pb_x'].tolist() # Y 轴为 PB 数据
Z = result['trade'].tolist() # Z 轴为 股价数据
ax.set_xlabel('PE', color='r')
# ax.set_ylabel('roe', color='g')
ax.set_ylabel('PB', color='g')
ax.set_zlabel('trade', color='b')#给三个坐标轴注明
ax.scatter(X, Y, Z)
plt.show()
统计结果的 3D 散点图如下图所示，纵坐标为股价：
3D 散点图还是不能非常清楚的看到 PE、PB 与股价的关系，我们稍稍调整一下角度，先查看 PE 与股价的关系，如下图所示：
再调整角度，查看 PB 值与 股价的关系，我们加了两条辅助线，以说明其相关性，如下图所示：
直观的已经可以看到，PE、PB 与股价有一定的相关性，至于具体有什么样的关系，以后我们会做进一步的拟合分析。
分析 PB、ROE 对股价的影响
通过以上的分析，我们看到 PB值 与股价的线性关系相对明显，下面我们对 PB、ROE 对股价的影响做进一步的分析，至于 PE 与 ROE 的分析，各位可以参考代码自行修改。
PB 、ROE 与股价的分析 ，同样剔除异常值，数据选择范围 0<PB<8， -20<ROE<30，0<股价<70 ,代码如下：
import matplotlib.pyplot as plt
import numpy as np
import tushare as ts
import pandas as pd
from mpl_toolkits.mplot3d import Axes3D #绘制三D图形
# 获取股票基本信息，包括 PE、PB 值
df_base = ts.get_stock_basics()
df_base['code'] = df_base.index
# 获取股票当天数据，包括当前股价
df_todays = ts.get_today_all()
df_todays['code'] = df_todays.index
df_roe = ts.get_report_data(2018,3)
df_roe['code'] = df_roe.index
# 整合股价与 PE、PB 数据
df = pd.merge(df_todays, df_base, how='left', on=['code'])
df = pd.merge(df, df_roe, how='left', on=['code'])
df.dropna()
result = df[(0<df['pb_x'])&(df['pb_x']<8)
&(-20<df['roe'])&(df['roe']<30)
&(0<df['trade'])&(df['trade']<70)]
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
X = result['pb_x'].tolist() # X 轴为 PB 数据
Y = result['roe'].tolist()
Z = result['trade'].tolist() # Z 轴为 股价数据
ax.set_xlabel('PB', color='g')
ax.set_ylabel('roe', color='g')
ax.set_zlabel('trade', color='b')#给三个坐标轴注明
ax.scatter(X, Y, Z)
plt.show()
PB、ROE与股价关系 3D散点图如下所示：
同样，变换角度来观察 ROE 与股价的关系，如下图所示：
后续工作
以上，我们 对 PE、PB、ROE 与股价的关系，做了直观 的图形分析，发现效果并不是非常明显。今后，我们会进一步深入分析，如进一步细分数据范围、引入更多参数、进行主成分分析等，并做相应函数拟合，以期挖掘出更多有价值的结论。
