基本面选股的核心财务指标
市盈率是股价与每股收益的比值，反映市场愿意为每元盈利支付的价格。低市盈率可能意味着股票被低估，但需结合行业特性。周期股在盈利高峰时市盈率往往很低，此时反而要警惕。市净率是股价与每股净资产的比值，适用于重资产行业，如银行、钢铁。市净率低于1说明股价跌破净资产，可能具备安全边际。净资产收益率衡量公司运用自有资本的效率，长期维持在15%以上通常意味着较强的竞争优势。营收增长率体现公司业务扩张速度，连续多个季度保持20%以上增长，往往能驱动股价上行。负债率反映财务风险，过高负债率在利率上升周期会侵蚀利润。流动比率和速动比率检验短期偿债能力，低于1可能面临流动性压力。
盈利能力与成长性指标
毛利率是营业收入减去营业成本后的利润与收入之比，高毛利率说明产品定价能力强或成本控制好。净利率是净利润与营收之比，剔除所有费用后的最终盈利能力。营业利润增长率剔除投资收益等非经常性损益，更真实反映主业增长。每股收益是净利润除以总股本，直接决定股东回报。每股经营现金流是经营活动现金流净额除以总股本，比每股收益更难被操纵。现金流与净利润的比值长期大于1，说明盈利质量高。研发费用占比对科技股至关重要，持续高研发投入能构建技术壁垒。存货周转率和应收账款周转率反映运营效率，周转率下降可能预示销售不畅或回款困难。
估值与股息指标
股息率是每股股息与股价之比，高股息率在弱市中有防御性，但需警惕股息不可持续。派息率是股息占净利润的比例，过高可能影响再投资。市盈率相对盈利增长比率将估值与成长性结合，低于1通常被认为低估。市销率适用于尚未盈利的成长型公司，但需注意毛利率差异。企业价值倍数剔除资本结构影响，便于跨公司比较。自由现金流是经营现金流减去资本支出，持续为正且增长的公司具备内在价值。净负债率是有息负债减去现金后与净资产之比，负值代表净现金状态，抗风险能力强。
期货交易中的基本面指标
期货交易同样依赖基本面指标，但侧重供需与库存。库存消费比是库存量与消费量的比值，低于历史均值往往支撑价格。基差是现货价格减去期货价格，正基差说明现货紧张。持仓量变化反映资金流入流出，配合价格突破可确认趋势。加工利润是成品价格减去原料成本，利润为负时企业可能减产，进而影响未来供应。进口盈亏决定进口意愿，亏损时进口减少，利多国内价格。波动率指数衡量市场恐慌程度，极端高波动常伴随反转。期限结构近月升水表明现货紧缺，远月升水则预期未来宽松。
结合量化筛选的实践
构建选股系统时，将上述指标组合成多因子模型。价值因子包括市盈率、市净率、股息率。质量因子包括净资产收益率、毛利率、现金流。成长因子包括营收增长率、营业利润增长率。动量因子包括过去6个月收益率。低波动因子包括历史波动率。对因子进行标准化处理，消除量纲影响。设定阈值过滤，如市盈率低于行业均值80%，净资产收益率大于15%，营收增长率大于10%。每月调仓，持有综合得分前20%的股票。回测中需注意幸存者偏差和前视偏差。期货策略中，库存消费比低于0.8且基差为正时做多，高于1.2且基差为负时做空。
代码示例 基于Python的选股筛选
import pandas as pd
# 假设df包含股票代码、市盈率、市净率、净资产收益率、营收增长率、负债率
df = pd.read_csv('stock_fundamentals.csv')
# 筛选条件：市盈率0-30，市净率0-5，净资产收益率>15%，营收增长率>10%，负债率<60%
filtered = df[
(df['市盈率'] > 0) & (df['市盈率'] < 30) &
(df['市净率'] > 0) & (df['市净率'] < 5) &
(df['净资产收益率'] > 15) &
(df['营收增长率'] > 10) &
(df['负债率'] < 60)
]
# 按净资产收益率降序排列
result = filtered.sort_values('净资产收益率', ascending=False)
print(result[['股票代码', '市盈率', '净资产收益率']])
期货基本面数据可通过Wind或Tushare获取，计算库存消费比和基差后构建信号。量化交易中，基本面因子需与技术因子结合，避免单一因子失效。定期更新财务数据，注意财报发布滞后性。用滚动窗口回测，检验因子在不同市场环境下的稳定性。控制行业暴露，避免过度集中。设置止损和仓位管理规则，基本面恶化时及时退出。
