4S策略叠加估值过滤，高估值个股直接剔除选股池。

基于 Python 的 4S 选股策略叠加估值过滤方案高估值个股自动剔除全文去营销化、保持技术中立适合课程设计、量化策略实验或 GitHub 工程化项目。4S 选股策略叠加估值过滤与高估值个股剔除方案Python 实现一、实际应用场景描述在智能证券投资课程与量化选股研究中一个长期被验证的经验规律是好公司 ≠ 好股票估值决定安全边际。以 4S 选股模型 为例其核心因子包括- Sales Growth营收增长- ROE净资产收益率- Size市值- Momentum动量在课程实验或原型开发中常见问题是- 选出了基本面优秀的公司- 但买入时点恰好处于估值泡沫阶段- 导致策略回撤大、持有体验差因此一个工程化程度较高的选股系统应当在 基本面筛选之后、组合构建之前引入 估值过滤机制。二、引入痛点在传统课程实验或策略开发中常见痛点包括1. 估值因素被忽视只关注成长与盈利忽略估值约束。2. 估值阈值主观化“PE 太高就不要”缺乏统一标准。3. 剔除逻辑混乱哪些估值指标如何剔除何时生效4. 工程化程度低估值过滤与选股逻辑耦合严重难以维护。三、核心逻辑讲解1️⃣ 估值过滤的基本思想在 4S 基本面选股基础上剔除估值过高个股降低组合泡沫风险。2️⃣ 常用估值指标示例指标 说明PE市盈率 盈利估值水平PB市净率 资产估值水平PS市销率 营收估值水平本文以 PE 为主、PB 为辅 作为示例。3️⃣ 估值剔除规则示例个股被视为 高估值满足任一条件即剔除is_overvalued PE 50OR PB 54️⃣ 策略执行顺序原始股票池↓4S 基本面打分↓估值过滤剔除高估值↓选取得分最高的股票四、代码模块化实现Python项目结构4s_with_valuation_filter/│├── data/│ └── stock_data.csv│├── src/│ ├── data_loader.py│ ├── factor_builder.py│ ├── valuation_filter.py│ └── selector.py│├── main.py├── requirements.txt└── README.md1️⃣ 数据加载模块data_loader.pyimport pandas as pddef load_stock_data(path: str) - pd.DataFrame:加载股票行情与基本面数据df pd.read_csv(path, parse_dates[date])df df.sort_values([date, code])return df2️⃣ 因子构建模块factor_builder.pyimport pandas as pddef build_4s_factors(df: pd.DataFrame) - pd.DataFrame:构建 4S 因子df df.copy()df[sales_growth] df.groupby(code)[revenue].pct_change(periods4)df[roe] df[roe]df[size] df[market_cap]df[momentum] df.groupby(code)[close].pct_change(periods20)return df3️⃣ 估值过滤模块valuation_filter.pyimport pandas as pddef apply_valuation_filter(df: pd.DataFrame,max_pe: float 50,max_pb: float 5) - pd.DataFrame:剔除高估值个股df df.copy()df[is_overvalued] ((df[pe] max_pe) |(df[pb] max_pb))filtered_df df[df[is_overvalued] False].copy()return filtered_df4️⃣ 选股模块selector.pyimport pandas as pddef select_top_stocks(df: pd.DataFrame, top_n: int 30) - pd.DataFrame:基于 4S 因子选股# 因子排名for factor in [sales_growth, roe, size, momentum]:df[f{factor}_rank] df.groupby(date)[factor].rank(pctTrue)df[score] (df[sales_growth_rank] df[roe_rank] df[size_rank] df[momentum_rank]) / 4latest_date df[date].max()latest_df df[df[date] latest_date]return latest_df.nlargest(top_n, score)5️⃣ 主程序main.pyfrom src.data_loader import load_stock_datafrom src.factor_builder import build_4s_factorsfrom src.valuation_filter import apply_valuation_filterfrom src.selector import select_top_stocksdf load_stock_data(data/stock_data.csv)df build_4s_factors(df)# 估值过滤filtered_df apply_valuation_filter(df, max_pe50, max_pb5)# 选股top_stocks select_top_stocks(filtered_df, top_n30)print(top_stocks[[code, sales_growth, roe, pe, pb, score]])五、README 文件与使用说明README.md# 4S 选股策略叠加估值过滤工具## 项目简介本工具用于- 在 4S 基本面选股基础上- 自动剔除高估值个股- 输出估值合理的优质股票池## 使用方法1. 准备数据stock_data.csv2. 安装依赖pip install -r requirements.txt3. 运行主程序python main.py## 数据字段要求- date / code / revenue / roe / market_cap / close- pe / pb## 输出说明- 最新一期 4S 综合得分排名前 N 的股票- 已自动剔除 PE 50 或 PB 5 的个股六、核心知识点卡片1️⃣ 估值过滤的工程化意义- 降低组合估值泡沫- 提高策略安全边际- 改善最大回撤表现2️⃣ 估值指标的合理使用- PE 适用于盈利稳定的公司- PB 适用于重资产行业- 单一指标 ≠ 万能标准3️⃣ 策略执行顺序的重要性- 先基本面后估值- 避免“估值陷阱”- 保持因子逻辑清晰七、免责声明与风险提示免责声明- 本内容仅供 学术研究与课程实验 使用- 不构成任何投资建议- 回测结果不代表未来表现风险提示- 估值阈值具有主观性- 不同行业估值中枢差异巨大- 过度剔除可能降低策略覆盖率八、总结本文介绍了一种 4S 选股策略叠加估值过滤 的 Python 工程化实现方案具备以下特点- ✅ 基本面与估值解耦- ✅ 剔除规则清晰、可配置- ✅ 模块化设计便于扩展后续可扩展方向包括- 行业相对估值过滤- 动态估值阈值- 估值因子加权本文代码仅供学习与技术交流不构成任何投资建议股市有风险入市需谨慎利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛