基金定投10-揭秘“低位多买、高位少买“的底层信号：估值分位是怎么帮你抄底的？一套用PE/PB历史分位驱动的动态仓位规则

基金定投助手：为什么你的基金定投总在追涨杀跌？价值平均法定投引擎 + 综合估值模型+动态再平衡仓位管理，一个单文件 HTML 的免费定投工具-CSDN博客
https://download.csdn.net/download/weitingfu/93339607?spm=1011.2124.3001.6210

你是否遇到过这种场景：定投已经坚持了两三年，打开账户一看，持仓成本比市场平均成本还高，明明一直在"定投"，却感觉像"高位接盘侠"？网上搜到的方案要么让你"无脑定投、闭眼买"，要么让你"跌了加仓、涨了减仓"，可到底跌多少算跌、涨多少算涨，没有一个人给出可量化的标准。本文将从估值分位这个核心指标出发，给出一个生产级解决方案：包含 PE/PB 历史分位的完整计算代码、20%/70% 分位阈值下的加减仓规则、以及一组 10 年回测的真实数据，帮你给定投装上"价值温度计"。

一、先看结论：动态仓位调整到底在干什么

上一篇我们讲了定期再平衡：每季度或每年校准一次，把偏离的仓位拉回目标比例。它像什么呢？像闹钟——时间一到就响，不管外面是牛市还是熊市。

动态仓位调整则是另一个物种：它不看日历，看温度计。

• 再平衡管的是"结构"：核心仓位和卫星仓位的比例不能跑偏；
• 动态调整管的是"价格"：市场便宜的时候多买点，市场贵的时候少买点。

两者不冲突，反而互补。本篇的主角——估值分位，就是那个被行业内公认"判断市场相对位置最优"的温度计。

一句话结论：当指数的 PE 分位低于 20% 时，把权益类资产配置比例上调 10%-15%，去积累廉价份额；当 PE 分位高于 70% 时，把配置比例下调 10%-15%，锁定部分浮盈、降低回调风险。

记住这组数字：20% 加仓、70% 减仓、幅度 10%-15%。这是全篇的核心规则，后面所有内容都在解释它为什么成立、怎么落地。

二、为什么固定金额定投还不够？——从"被动平滑"到"主动择价"

2.1 定投解决了什么

先说句公道话：定投本身已经是个好东西。固定金额定期买入，天然实现了"价格低的时候买得多、价格高的时候买得少"——这在前面的文章里叫成本平滑或波动率收割。

举个例子，你每月投 1000 元：

四个月平均价格是 0.875，而你的平均成本只有 0.787（总投入 4000 ÷ 总份额 5083）。这就是定投的底层数学：你天然比市场平均买得更便宜。

2.2 定投没解决什么：越买越贵的问题

但定投有个隐藏盲区——它不区分"便宜"和"贵"。它只是机械地按月买，于是会出现一个尴尬场景：

指数在 4000 点的时候你每个月买 1000 块，指数涨到 6000 点你还是每个月买 1000 块。表面上"定投"了，实际上你的新增资金正在以越来越高的价格入场。等到牛市顶部区域，你甚至可能因为"涨得这么好、肯定还能涨"的心态，追加投入——越涨越买，成本越买越高。

这就是为什么很多人在牛市里定投，最终收益却平平：份额累积的节奏没有和价格高低挂钩。

2.3 再平衡 vs 动态调整：一个管结构，一个管价格

再平衡和动态调整的区别，可以用厨房来类比：

• 再平衡：冰箱里食材的比例偏了（肉太多、菜太少），定期整理一下，把比例拉回 7:3；
• 动态调整：菜市场打折的时候多囤点肉，菜价暴涨的时候少买点菜——根据价格信号决定采购量。

再平衡是"被动纠偏"，动态调整是"主动择价"。两者叠加，才是完整的仓位管理体系。

这里要划个重点：动态调整不是让你放弃定投、改成"择时"。恰恰相反，它是在定投纪律的基础上，用客观指标替代主观情绪去微调每期买入金额。你依然定期投，只是"投多少"由估值分位说了算。

2.4 从被动到主动：仓位管理的三个层级

把整个仓位管理体系拆开看，其实有三个递进的层级，很多新手容易把它们混为一谈：

第一层解决"要不要坚持投"的问题，第二层解决"比例别跑偏"的问题，第三层解决"买得贵不贵"的问题。越往后越进阶，但每一层都建立在前面一层已经做好的基础上——如果你连定投都坚持不了，谈再平衡和动态调整都是空中楼阁。

换句话说，动态仓位调整不是要取代定投，而是给已经养成的定投习惯加一层"智能调温"：平时按部就班地投，极端便宜时多买一点，极端昂贵时少买一点。这层微调看似幅度不大，但在 10 年尺度上，积累的份额成本差异相当可观。

举个例子直观感受一下：假设沪深 300 净值在 1.0-1.6 之间波动，你每月固定投 1000 元，10 年下来平均成本大约落在区间中值附近；但如果每次分位低于 20% 时你多投 15%、高于 70% 时少投 15%，低位买到的份额明显增多，高位买的份额减少，平均成本可能比固定定投低 3%-5%——别小看这几个百分点，它是在同样的市场行情下、不需要任何预测能力就能白拿的。

三、估值分位：判断市场贵不贵的"温度计"

3.1 PE 和 PB 是什么

两个指标，先解释清楚为什么"要用它们"：

• PE（市盈率）= 股价 ÷ 每股收益 = 你买这家公司，多少年能靠利润回本。PE 高，说明市场愿意为每一块钱利润付更多钱，情绪更热；
• PB（市净率）= 股价 ÷ 每股净资产 = 你买这家公司，为它的账面资产付了几倍溢价。PB 高，说明市场更愿意为"预期"而不是"净资产"买单。

对指数来说，PE/PB 就是整个市场"贵不贵"的浓缩表达。

3.2 分位的定义与计算

但注意：PE 的绝对数值没有意义。科技股的 PE 常年 30 倍，银行股的 PE 常年 5 倍——你不能说科技股一定比银行股贵，因为盈利结构、行业属性完全不同。

所以行业内用历史分位（percentile）来判断：当前 PE 在过去 N 年的历史区间里，排在第百分之几的位置。

公式很直白：

分位 = (历史区间内 ≤ 当前PE 的交易日数量) ÷ 历史区间总交易日数量 × 100%

举个例子：沪深 300 过去 10 年共有约 2400 个交易日，当前 PE 比其中 2160 天的 PE 都低，那它的 PE 分位就是 2160 ÷ 2400 =90%——市场处于历史极贵区域。反之，如果当前 PE 只比 480 天高，分位就是 20%——历史极便宜区域。

graph LR A[获取指数历史PE/PB序列] --> B[确定历史区间<br/>过去5-10年] B --> C[统计区间内交易日总数 N] C --> D[统计当前PE高于历史的天数 M] D --> E[分位 = M ÷ N × 100%] E --> F{分位 < 20%?} F -->|是| G[低估区：加仓10%-15%] F -->|否| H{分位 > 70%?} H -->|是| I[高估区：减仓10%-15%] H -->|否| J[合理区：维持基准定投]

这张图就是全篇的方法论主干：数据 → 区间 → 计数 → 分位 → 决策，五步闭环，任何一步都不需要主观判断。

3.3 为什么分位比绝对估值更可靠

三个理由，缺一不可：

1. 消掉了"贵贱标准"的主观争议：不同行业、不同市场的 PE 合理区间不同，但"历史分位 90%“在哪个市场都意味着"比过去十年绝大多数时候都贵”；
2. 自带均值回归假设：统计数据表明，指数估值在 90% 以上的时间内都在历史均值的一个标准差区间内波动。分位越高，后续回归均值（下跌）的概率越大；
3. 计算透明、可复现：任何一个程序员拿到历史 PE 序列，都能在 10 行代码内算出分位，不依赖任何"专家感觉"。

💡效率技巧：写代码时直接用numpy的percentileofscore或scipy.stats.percentileofscore，一行就能算出分位，不需要自己手写排序循环。后文代码部分会给出完整实现。

四、核心规则：20% 加仓、70% 减仓

4.1 三档区间划分

基于估值分位，把市场切成三个区间：

这套规则的设计逻辑很朴素：在恐慌时贪婪，在亢奋时克制。但"贪婪"和"克制"不是拍脑袋，而是由分位数这个客观信号触发。

4.2 调整幅度：为什么是 10%-15% 而不是 50%

你可能想问：既然判断出了便宜和贵，为什么不干脆满仓干/清仓跑？答案是——你判断的是概率，不是确定性。

• 分位 10% 说明"过去 90% 的时间都比现在贵"，但这不意味着市场明天就涨；
• 均值回归可能在 1 个月后发生，也可能在 2 年后才发生，中间你可能继续浮亏 30%；
• 所以调整幅度必须克制：10%-15% 既能表达态度，又不至于让一次性判断错误造成致命伤害。

这也是动态仓位调整和"满仓抄底/清仓逃顶"的根本区别：前者是概率加权下的仓位微调，后者是赌方向。

4.3 完整规则表（可直接抄作业）

假设你的权益类目标配置比例是 60%（核心 50% + 卫星 10%）：

⚠️避坑警告：分位阈值是"区间判断"而不是"点位判断"。千万不要因为分位从 69.9% 跳到 70.1% 就立刻大幅调仓——先确认分位数连续站在阈值外（比如连续 5 个交易日）再动手，可以滤掉大量假信号。后文代码里会教你怎么加这个缓冲。

graph TD Start[每月定投日] --> Check[查询当月 PE/PB 历史分位] Check --> Low{分位 &lt; 20%?} Low -->|是| Up[权益配置比例上调 10%-15%<br/>低估区：积累廉价份额] Low -->|否| High{分位 &gt; 70%?} High -->|是| Down[权益配置比例下调 10%-15%<br/>高估区：锁定浮盈、降低回撤风险] High -->|否| Keep[合理区：维持既定定投节奏<br/>不加不减] Up --> Log[记录当月分位与调仓日志] Down --> Log Keep --> Log Log --> Next[下个月继续重复]

这张图把整套执行规则压缩成了一次循环判断：每次定投日只做一次"问号判断"，不需要任何盘感，不需要任何新闻解读，照着流程走即可。规则的可执行性，就体现在这种"流程化"里。

4.5 PE 和 PB 到底该看哪个？——双指标交叉验证

很多读者到这里会问：规则里一会儿说 PE 分位、一会儿说 PB 分位，到底以哪个为准？答案是：两个都看，取更保守的那个。

原因在于 PE 和 PB 各自有盲区：

• PE 的盲区：盈利周期的影响。经济衰退期企业利润大幅下滑，PE = 股价 ÷ 利润，分母变小导致 PE 被动抬高——此时 PE 分位可能显示"很贵"，但实际市场可能已经很便宜了（这叫"戴维斯双杀"的错位阶段）；
• PB 的盲区：资产结构的变化。科技公司、平台型公司的核心资产是人才、数据、品牌，这些不体现在净资产里，PB 会系统性高估它们的"贵"。

实操中推荐这样用：

1. 分别计算 PE 分位和 PB 分位；
2. 取两者中更接近极端的信号：只要其中一个分位 < 20% 且另一个也不高（比如 < 40%），触发低估加仓；只要其中一个分位 > 70% 且另一个也不低（比如 > 50%），触发高估减仓；
3. 如果两个指标指向矛盾（一个说便宜、一个说贵），按兵不动，等待信号收敛。

这套"双指标交叉验证"能大幅过滤单一指标的结构性误判，代价只是每个月多查一个数字，几乎为零。

4.6 一个完整的月度决策流程示例

把上面所有规则串起来，你每个月的操作其实只有五步：

1. 拉数据：查当月指数 PE 分位、PB 分位（10 秒，用小程序或 akshare）；
2. 判区间：分位落在低估区（<20%）、合理区（20%-70%）还是高估区（>70%）；
3. 定乘数：低估区乘数 1.10-1.15，合理区 1.0，高估区 0.85-0.90；
4. 算金额：本月定投金额 = 基准金额 × 乘数，权益与固收按调整后比例分配；
5. 记日志：把当月的分位、乘数、买入金额记下来——半年后回看，你会惊讶于自己当时为什么敢在某个位置重仓。

最后一步尤其重要。投资决策日志是最好的"事后复盘"工具：它能把"当时怕得要死但按规则买了"和"当时头脑发热乱买了"区分开，帮你逐步建立对规则的信任——而信任，恰恰是长期执行的唯一燃料。

4.4 动态调整的"钱"从哪里来

低位上调权益比例，钱从哪来？两个来源：

1. 新增定投资金：把当月定投金额的一部分从固收类转向权益类——比如原本"每月 7000 定投权益 + 3000 定投固收"，低估区改为"8000 权益 + 2000 固收"；
2. 存量调仓：把固收类持仓的一部分（比如 5%）卖出，转入权益类基金。

高估区则完全反过来：新增资金多买固收，存量仓位部分止盈，把权益比例降下来。整个过程没有一次是"追涨杀跌"，全部由分位数这个客观信号驱动。

五、案例回测：全天候组合的动态调整实战

5.1 组合构成

空谈规则没有说服力，直接上数据。这里用的组合是"本土化全天候被动组合"，配置如下：

• 50% 沪深 300（A 股宽基，提供基础收益）
• 50% 中债指数（国内债券，提供低相关性保护）
• 12% 黄金指数（注意：这是额外叠加的卫星仓位，总仓位 112% 是研究报告中给出的原始口径，代表在 100% 组合之上的增强配置）

在这个组合上加入估值分位动态调整：沪深 300 的 PE 分位低于 20% 时，把沪深 300 权重上调 10%-15%（对应资金来自债券部分）；高于 70% 时下调 10%-15%。

pie title 本土化全天候被动组合构成（基准状态） "沪深300 权益" : 50 "中债指数 固收" : 50 "黄金指数 卫星" : 12

graph LR A[组合净值] --> B[估值分位监控] B --> C{沪深300 PE分位} C -->|低于20%| D[权益权重 +10%~15%<br/>卖出部分债券转投权益] C -->|20%-70%| E[维持 50:50 基准比例] C -->|高于70%| F[权益权重 -10%~15%<br/>卖出部分权益转投债券] D --> G[调整后组合] E --> G F --> G

上面两张图分别回答两个问题：第一张告诉你"底仓长什么样"，第二张告诉你"估值信号怎么改变底仓"——合在一起，就是 5.2 节那组回测数据的完整运行逻辑。

5.2 回测结果（2016-2026，10 年）

关键数字翻译成人话：

• 动态调整组合的最大回撤只有-16.2%，同期纯标普 500 的最大回撤高达-33.7%；
• 极端回撤被压缩了51.9%（16.2 ÷ 33.7 ≈ 0.48，即回撤不到标普的一半）；
• 代价仅仅是年化收益牺牲3.19 个百分点（7.83% vs 约 11%）。

5.3 这笔"交易"划算吗

拿 3.19 个百分点的年化收益，换"回撤减半、晚上睡得着觉"，划算吗？答案取决于你是谁：

• 如果你是刚定投 1 年的新手，-33.7% 的回撤大概率让你割肉离场、永久退出定投——浮亏变成实亏，复利链条断裂；
• 如果你已经定投 10 年、本金庞大，回撤 33.7% 意味着几十万甚至上百万的浮盈蒸发——心理冲击远超想象；
• 而-16.2% 的回撤，大多数人都能扛住，定投计划不中断，复利继续运转。

回撤控制是"可持续性"的数学保障：你能扛住的回撤，决定了你能坚持多久；你能坚持多久，决定了复利能滚多大。这正是动态仓位调整的核心价值——不是帮你多赚钱，而是帮你少亏钱、扛得住、活得久。

这一点值得反复强调：在长期定投里，"不死"比"暴富"重要得多。跌 50% 需要涨 100% 才能回本；而回撤控制在 10% 以内，后续只需要涨约 11% 就能修复。控制回撤，就是保护你的复利。

5.4 回测的另一面：动态调整在 A 股震荡市的价值

有人会说：标普 500 是美股，估值分位在美国那种长期牛市中意义有限——这话有道理，但也只说对了一半。动态调整的真正价值战场，恰恰是高波动的 A 股震荡市。

逻辑很直白：

• 美股长期趋势向上，估值长期偏高，你经常等不到"分位 < 20%"的加仓机会，大部分时间只能按基准节奏投；
• A 股牛短熊长、波动剧烈，每隔几年就会来一轮"恐慌探底 → 情绪修复 → 亢奋冲高"的完整循环，分位信号被反复触发；
• 每一次"低估加仓"都意味着你在大跌的废墟里多捡了一批便宜筹码，每一次"高估减仓"都意味着你在情绪最亢奋时少买了一批高价筹码。

换句话说：波动越大，估值分位越值钱。A 股投资者骂归骂，但恰恰是这种大起大落，让估值分位有了用武之地——这就像钓鱼，水越浑、鱼越多，越需要你手里的温度计看得准。

5.5 为什么不直接"满仓抄底"：回撤压缩背后的数学

回到那组回测数据：动态调整组合最大回撤 -16.2%，比纯标普 500 的 -33.7% 压缩了 51.9%。为什么加入估值分位后回撤能降这么多？拆开看有三层原因：

1. 高位少买 = 少接高价筹码：70% 分位以上你减仓 10%-15%，意味着牛市顶部你买入的份额更少，市场反转时你手里的"高价库存"更轻，浮亏自然更小；
2. 低位多买 = 摊薄整体成本：20% 分位以下你加仓 10%-15%，相当于在市场底部把平均成本往下拽了一截——同样的下跌，你的亏损比例更低；
3. 股债联动 = 风险对冲：减下来的钱没有离场，而是转入了中债等低相关性资产，市场大跌时债券往往相对坚挺，组合整体被"兜住"。

这三层机制叠加，就是回撤从 33.7% 压缩到 16.2% 的完整逻辑。它不是靠预测涨跌，而是靠"在贵的地方少买、在便宜的地方多买"这种结构性操作自然实现的。

也正因为如此，动态调整从来不是"择时博弈"，而是把仓位管理与市场定价有机结合的工程化方案——这恰恰是程序员思维最擅长的事情。

六、为什么估值分位有效？——均值回归的底层逻辑

6.1 数据事实：估值是个"橡皮筋"

统计数据显示：指数估值在 90% 以上的时间里，都在历史均值的一个标准差区间内波动。翻译成人话：

• 估值不是随机游走的，它像一根被拉伸的橡皮筋；
• 拉得越远（分位越高），回归均值（下跌）的弹力越大；
• 压得越狠（分位越低），反弹（上涨）的弹力越大。

所以"PE 分位 20% 加仓、70% 减仓"的底层逻辑是：你在橡皮筋最松弛的位置买入，在最紧绷的位置卖出——这本质是概率加权后的正向决策。

graph LR subgraph 估值橡皮筋示意 A[历史极低分位<br/>分位 < 20%<br/>橡皮筋松弛] -->|弹力小| M[历史均值<br/>约 50% 分位] B[历史极高分位<br/>分位 > 70%<br/>橡皮筋紧绷] -->|弹力大| M end M -->|90%以上的时间<br/>估值在均值1个标准差内波动| C[均值回归是常态] C --> D[低估区加仓 → 赚回归的钱] C --> E[高估区减仓 → 躲回归的刀]

别把这张图当玩笑：它形象地刻画了估值分位的全部底层逻辑——估值是"有弹性的"，偏离越远，回归的力量越大。你要做的不是预测回归何时发生，而是确保自己站在橡皮筋恢复原状时的有利一侧。

6.2 概率优势：你不是赌方向，你是压概率

有人说：估值低不代表马上涨，万一"便宜了还能更便宜"呢？说得对。但注意规则的设计——它从来不赌"马上"：

• 低估区加仓 10%-15%，而不是梭哈：就算继续跌，你的仓位上限只多了 15%，定投节奏还在，成本继续被平滑；
• 高估区减仓 10%-15%，而不是清仓：就算继续涨，你还有 85% 的仓位在车上，不会完全踏空；
• 真正的胜负手是时间：估值分位低的时候你买得便宜，长期均值回归兑现时，你的份额成本天然低于追高的人。

你不是赌"明天涨"，而是赌"长期看，便宜买比贵买好"——这个概率在 10 年尺度上几乎是确定的。

七、缺陷与边界：分位不是万能的

任何指标都有失效的场景，估值分位也不例外。提前说清楚，免得你盲目相信：

7.1 历史区间依赖（本篇思考题核心）

分位的计算依赖"历史区间"的定义。问题来了：

• 沪深 300 有 20 年历史，分位相对可靠；
• 一只上市只有 3 年的指数（比如某新行业指数），它的 20% 分位意味着什么？样本太少，可能只是"过去 3 年恰好最低"，不代表真的便宜；
• 更极端的：科创板 50 指数上市以来整体处于估值下行通道，"历史低分位"可能是常态，而不是买点。

应对思路：①加长历史窗口（至少 5-8 年）；②对上市时间短的指数，用可比指数或行业 PE 中位数做参考；③把分位当作"参考信号"而非"唯一信号"。

7.2 结构性变化

指数成份股调整、会计准则变化、行业权重迁移，都会让历史 PE 序列"失真"。比如某指数从"金融股为主"变成"科技股为主"，整体 PE 中枢抬升——拿过去的 PE 区间衡量当下，会系统性误判。

7.3 极端行情失效

均值回归在 90% 的时间里成立，意味着10% 的时间里它严重失效。典型的例子是 2020 年的科技股行情：估值一路新高，越"贵"越涨，提前减仓的人踏空了大半段。估值分位管不了"情绪泡沫可以吹多久"——这正是下一篇要讲的均线趋势指标需要登场的原因。

7.4 组合使用原则（行业共识）

正因为单一指标有局限，行业内通常的做法是多指标联合：

• 估值分位（本篇）：管"贵不贵"，均值回归逻辑；
• 均线趋势（下一篇）：管"强不强"，趋势延续逻辑；
• 波动率指标（下一篇）：管"风险大不大"，动态平衡风险敞口。

三个指标各有分工、互相校验，只有当它们指向同一方向时，才加大调整幅度；指向矛盾时，维持基准仓位。这样既不会被单一指标的假信号骗，也不会错过真正的极端机会。

graph TD A[市场状态] --> B[估值分位指标<br/>管：贵不贵<br/>逻辑：均值回归] A --> C[均线趋势指标<br/>管：强不强<br/>逻辑：趋势延续] A --> D[波动率指标<br/>管：风险大不大<br/>逻辑：风险平价] B --> E{信号是否一致?} C --> E D --> E E -->|全部同向| F[加大调整幅度<br/>权益 ±15%] E -->|部分同向| G[小幅调整<br/>权益 ±10%] E -->|互相矛盾| H[维持基准仓位<br/>等待信号收敛] F --> I[动态仓位最终配置] G --> I H --> I

这张图是动态仓位管理的完整版拼图：本篇只用了"估值分位"一块，剩下两块在下一篇登场。记住这个框架，你就理解了整个动态仓位体系的进化方向——从单指标到多指标，从"看温度"到"看温度 + 看风向 + 看浪高"。

7.5 不同市场的适配参数

估值分位的"20%/70%"阈值是宽基指数基金的通用水准，但落地到不同市场，参数要微调：

这个表是经验值，不是精确值。重点不是阈值具体取多少，而是你要意识到：不同的市场有不同的估值中枢和波动特征，参数必须按市场属性适配——拿美股参数直接套港股，大概率会错过信号或频繁误触发。

7.6 估值分位解决不了的"人性问题"

最后说一个技术指标永远解决不了的问题：执行纪律。

估值分位最大的优势是客观，最大的敌人是"你不信它"：

• 分位跌到 10% 时，市场通常正处于最恐慌的阶段，新闻标题全是"危机"“崩盘”，你的本能是"再等等"——这时候敢按规则加仓的人，十个里不到两个；
• 分位涨到 90% 时，市场通常正在最亢奋的阶段，周围人都在晒收益，你的本能是"再加一把"——这时候肯按规则减仓的人，同样寥寥无几。

规则设计得再好，执行不了等于零。这也是为什么建议程序员用工程手段约束自己：自动定投、条件单、脚本提醒、把规则写进代码——让纪律从"意志力"变成"程序逻辑"。人斗不过情绪，但代码可以。

八、代码实战：写一个估值分位计算器

理论讲完，上代码。下面是完整的 Python 实现：先模拟一个 PE 序列并计算历史分位，再实现"20% 加仓 / 70% 减仓"的动态定投，并与固定金额定投对比。

import numpy as np import pandas as pd from scipy.stats import percentileofscore # ---------- 第一步：模拟 10 年 PE 序列（2400 个交易日） ---------- # 真实场景请替换为实际指数 PE 历史数据（如中证指数官网、Wind、聚宽等） rng = np.random.default_rng(42) # 用均值回归模型模拟 PE：围绕中枢 15 波动，波动幅度随"情绪"放大 pe = np.zeros(2400) pe[0] = 15.0 for i in range(1, 2400): # 均值回归 + 噪声 pe[i] = 15 + 0.92 * (pe[i-1] - 15) + rng.normal(0, 1.2) # 人为注入一轮牛熊，让分位能覆盖低/高两个极端 pe[600:900] += 6 # 牛市段，PE 冲高 pe[1500:1800] -= 5 # 熊市段，PE 探底 pe = np.clip(pe, 6, 40) df = pd.DataFrame({"pe": pe}) df["date"] = pd.date_range("2016-01-01", periods=2400, freq="B") # ---------- 第二步：计算 PE 历史分位 ---------- # 用滚动 5 年窗口（约 1250 个交易日）计算分位，避免使用"未来数据" df["pe_percentile"] = df["pe"].rolling(1250).apply( lambda x: percentileofscore(x, x.iloc[-1], kind="rank") ) / 100.0 print("===== 估值分位示例 =====") print(df[["date", "pe", "pe_percentile"]].dropna().head(3).to_string(index=False)) print(df[["date", "pe", "pe_percentile"]].dropna().tail(3).to_string(index=False)) print(f"PE 分位 < 20% 的交易日占比: {((df['pe_percentile'] < 0.2).sum() / df['pe_percentile'].notna().sum()):.1%}") print(f"PE 分位 > 70% 的交易日占比: {((df['pe_percentile'] > 0.7).sum() / df['pe_percentile'].notna().sum()):.1%}") # ---------- 第三步：动态仓位调整规则 ---------- def get_multiplier(pct: float, base: float = 1.0) -> float: """ 返回定投金额乘数： PE 分位 < 20% -> 上调 10%-15% (乘数 1.10-1.15) PE 分位 > 70% -> 下调 10%-15% (乘数 0.85-0.90) 其余区间 -> 维持基准 (乘数 1.0) """ if pct < 0.10: return 1.15 # 极低估，多买 15% if pct < 0.20: return 1.10 # 低估，多买 10% if pct > 0.90: return 0.85 # 极高估，少买 15% if pct > 0.70: return 0.90 # 高估，少买 10% return base # ---------- 第四步：动态定投 vs 固定定投 对比 ---------- # 简化模拟：每月定投 1000 元，指数净值与 PE 正相关（估值高时价格高）， # 同时叠加缓慢上行趋势，模拟真实市场长期向上的特征。 monthly = df.resample("ME", on="date").last().dropna() pe_norm = (monthly["pe"] - monthly["pe"].min()) / (monthly["pe"].max() - monthly["pe"].min()) monthly["price"] = 10 + 5 * pe_norm + np.linspace(0, 4, len(monthly)) monthly["mult"] = monthly["pe_percentile"].apply(get_multiplier) fixed_shares, dyn_shares = [], [] fixed_cost, dyn_cost = 0.0, 0.0 for _, row in monthly.iterrows(): # 固定定投：每月 1000 元 fixed_shares.append(1000 / row["price"]); fixed_cost += 1000 # 动态定投：1000 元 × 估值乘数 invest = 1000 * row["mult"] dyn_shares.append(invest / row["price"]); dyn_cost += invest total_fixed = sum(fixed_shares) * monthly["price"].iloc[-1] total_dyn = sum(dyn_shares) * monthly["price"].iloc[-1] print("\n===== 定投结果对比（10年）=====") print(f"固定定投：累计投入 {fixed_cost:,.0f} 元，期末市值 {total_fixed:,.0f} 元，收益率 {(total_fixed/fixed_cost-1)*100:.1f}%") print(f"动态定投：累计投入 {dyn_cost:,.0f} 元，期末市值 {total_dyn:,.0f} 元，收益率 {(total_dyn/dyn_cost-1)*100:.1f}%") print(f"动态策略多赚 {(total_dyn-total_fixed):,.0f} 元（收益率提升 {(total_dyn/dyn_cost - total_fixed/fixed_cost)*100:.1f} 个百分点）")

代码要点说明：

1. 滚动窗口防未来函数：用rolling(1250)计算滚动分位，保证每个交易日的分位只依赖过去 5 年数据——回测时不能"偷看未来"；
2. 阈值分层：10% 以下/10%-20%、70%-90%/90% 以上，两档幅度 10%/15%，符合研究报告规则；
3. 金额乘数法：动态定投 = 基准金额 × 乘数，低估区乘数 > 1（多买），高估区乘数 < 1（少买），逻辑清晰、易落地。

九、落地指南：数据从哪来，执行怎么做

9.1 数据来源（免费 + 半自动）

💡效率技巧：不想天天盯盘的话，用akshare写个定时任务（Windows 计划任务或 GitHub Actions），每周五收盘后自动拉取分位数据并推送提醒——当周分位 < 20% 或 > 70% 才通知你，平时不用管。这套"自动化监控"比盯盘高效得多。

9.2 执行节奏建议

1. 以月为粒度：每月定投日先查一眼当月分位，再决定本月定投金额（±10%-15%）；
2. 用缓冲滤掉假信号：连续 5 个交易日分位在阈值外才确认调仓；
3. 与再平衡配合：季度末照常做再平衡（结构校准），估值分位只在月定投时做金额微调（价格择价），两者互不干扰；
4. 新资金为主，存量调仓为辅：优先调整新增定投的钱，减少频繁买卖的摩擦成本。

9.3 常见坑位自查

十、总结：给你的定投装一个价值温度计

回顾全文，核心就四件事：

graph LR A[1. 定位] --> B[动态调整 = 再平衡的价格版<br/>一个管结构、一个管价格] B --> C[2. 指标] C --> D[PE/PB 历史分位<br/>客观 · 可复现 · 均值回归] D --> E[3. 规则] E --> F[分位 <20% 加仓 10%-15%<br/>分位 >70% 减仓 10%-15%<br/>其余不动] F --> G[4. 数据] G --> H[全天候组合 10 年回测<br/>年化 7.83% · 回撤 -16.2%<br/>极端回撤压缩 51.9%]

1. 动态仓位调整 = 再平衡的"价格版"：再平衡管结构，动态调整管价格，两者互补；
2. 估值分位是最优的"贵贱温度计"：PE/PB 历史百分位，客观、可复现、自带均值回归逻辑；
3. 规则简单到可以抄：分位 < 20% 权益上调 10%-15%，分位 > 70% 下调 10%-15%，其余不动；
4. 回测数据站得住：全天候组合加入动态调整后，10 年年化 7.83%、波动率 9.6%、最大回撤 -16.2%，极端回撤比纯标普 500 压缩 51.9%，只牺牲 3.19 个百分点年化。

估值分位不是圣杯，它有自己的失效场景，需要和均线趋势、波动率指标配合使用。但作为一个客观、可编程、可回测的信号，它足以让你的定投从"无脑买入"升级为"有温度地买入"。

下次打开账户前，先看一眼温度计——便宜就多买，贵了就少买，剩下的交给时间和纪律。

【思考题】

估值分位依赖"历史区间"的定义——如果一只指数上市只有 3 年，它的 20% 分位还可靠吗？你会怎么处理样本不足的问题？（提示：可以从"加长历史窗口 / 用可比指数替代 / 降低信号权重"三个方向思考）欢迎在评论区给出你的方案。

【系列文章预告】

下一篇继续动态仓位调整的下半场：250 日均线与波动率自适应，双指标联动的进阶玩法。当估值分位说"便宜"、均线趋势却说"还在跌"时，谁说了算？敬请关注。

标签：基金定投、估值分位、动态仓位管理、PE百分位、基金定投加仓、低估值定投、仓位管理