约翰·聂夫的低市盈率投资法则

约翰·聂夫是投资界的传奇人物，他所倡导的低市盈率投资法则在长期投资实践中取得了卓越的成绩。本文的目的在于深入剖析这一投资法则，详细讲解其原理、操作步骤和实际应用。范围涵盖了从理论基础到实际案例的各个方面，旨在为投资者提供全面、深入的理解，帮助他们在股票投资中运用该法则做出更明智的决策。本文将按照以下结构进行阐述：首先介绍低市盈率投资法则的核心概念及其内在联系，通过文本示意图和 Mermaid 流程

Golang编程笔记

504人浏览 · 2026-01-30 00:43:28

Golang编程笔记 · 2026-01-30 00:43:28 发布

约翰·聂夫的低市盈率投资法则

关键词：约翰·聂夫、低市盈率投资法则、投资策略、股票估值、价值投资

摘要：本文深入探讨了约翰·聂夫的低市盈率投资法则。从背景介绍入手，阐述该法则的目的、适用读者、文档结构和相关术语。详细讲解了低市盈率投资的核心概念、算法原理、数学模型。通过项目实战，展示在实际投资中如何运用该法则，并分析代码。还介绍了其实际应用场景、相关工具和资源。最后总结未来发展趋势与挑战，解答常见问题，提供扩展阅读和参考资料，旨在帮助投资者深入理解和运用这一经典投资法则。

1. 背景介绍

1.1 目的和范围

约翰·聂夫是投资界的传奇人物，他所倡导的低市盈率投资法则在长期投资实践中取得了卓越的成绩。本文的目的在于深入剖析这一投资法则，详细讲解其原理、操作步骤和实际应用。范围涵盖了从理论基础到实际案例的各个方面，旨在为投资者提供全面、深入的理解，帮助他们在股票投资中运用该法则做出更明智的决策。

1.2 预期读者

本文预期读者包括有一定投资基础的个人投资者、专业投资人士、金融专业学生以及对价值投资感兴趣的人士。无论你是初涉投资领域，希望学习有效的投资策略，还是已经有一定投资经验，想要进一步优化自己的投资组合，都能从本文中获得有价值的信息。

1.3 文档结构概述

本文将按照以下结构进行阐述：首先介绍低市盈率投资法则的核心概念及其内在联系，通过文本示意图和 Mermaid 流程图直观展示；接着讲解核心算法原理，并结合 Python 源代码详细说明具体操作步骤；然后给出数学模型和公式，并进行详细讲解和举例；通过项目实战展示代码实际案例并进行详细解释；探讨该法则的实际应用场景；推荐相关的学习资源、开发工具框架和论文著作；最后总结未来发展趋势与挑战，解答常见问题，并提供扩展阅读和参考资料。

1.4 术语表

1.4.1 核心术语定义

低市盈率（Low P/E Ratio）：市盈率（Price-to-Earnings Ratio，简称 P/E）是指股票价格除以每股收益（EPS）的比率。低市盈率意味着股票价格相对每股收益较低，通常被认为是股票被低估的一个指标。
股息率（Dividend Yield）：股息率是指股息与股票价格之间的比率，它反映了投资者从股票股息中获得的收益比例。
总回报率（Total Return）：总回报率是指投资者在一定时期内从投资中获得的全部收益，包括股息收益和资本利得（股票价格上涨带来的收益）。

1.4.2 相关概念解释

价值投资（Value Investing）：价值投资是一种投资策略，其核心思想是寻找被市场低估的股票，买入并长期持有，等待股票价格回归其内在价值，从而获得投资收益。约翰·聂夫的低市盈率投资法则是价值投资的一种具体应用。
成长股（Growth Stocks）：成长股是指那些预期未来盈利增长速度较快的股票。与低市盈率投资法则关注的低估值股票不同，成长股通常具有较高的市盈率，因为市场对其未来增长潜力给予了较高的预期。

1.4.3 缩略词列表

P/E：市盈率（Price-to-Earnings Ratio）
EPS：每股收益（Earnings Per Share）
ROE：净资产收益率（Return on Equity）

2. 核心概念与联系

核心概念原理

约翰·聂夫的低市盈率投资法则基于价值投资的基本理念，认为市场有时会对某些股票的价值产生错误判断，导致这些股票的价格被低估。低市盈率是该法则的核心指标之一，聂夫认为，低市盈率的股票往往具有较高的安全边际，因为它们的价格相对其盈利能力较低。同时，他还关注股息率，认为稳定的股息收入可以为投资者提供一定的现金流，降低投资风险。

除了低市盈率和股息率，聂夫还会考虑公司的盈利增长、财务状况等因素。他会寻找那些具有一定盈利增长潜力，但市场尚未充分认识到其价值的股票。通过买入这些被低估的股票，等待市场重新发现其价值，从而实现投资收益。

架构的文本示意图

低市盈率投资法则
|-- 核心指标
|   |-- 低市盈率（P/E）
|   |-- 股息率
|-- 辅助指标
|   |-- 盈利增长
|   |-- 财务状况
|-- 投资策略
|   |-- 筛选被低估股票
|   |-- 长期持有
|-- 投资目标
|   |-- 获得总回报率

Mermaid 流程图

3. 核心算法原理 & 具体操作步骤

核心算法原理

低市盈率投资法则的核心算法主要围绕筛选低市盈率、高股息率且具有一定盈利增长潜力的股票。具体步骤如下：

计算市盈率：市盈率（P/E）的计算公式为 $\frac{股价}{每股收益}$ 。通过计算不同股票的市盈率，筛选出市盈率低于市场平均水平或同行业平均水平的股票。
计算股息率：股息率的计算公式为 $\frac{每股股息}{股价}$ 。选择股息率较高的股票，以获得稳定的股息收入。
评估盈利增长：可以通过分析公司过去几年的盈利数据，计算盈利增长率。盈利增长率的计算公式为 $\frac{本期盈利 - 上期盈利}{上期盈利}$ 。选择盈利增长率稳定且有一定增长潜力的股票。
综合评估：综合考虑市盈率、股息率和盈利增长等因素，选择综合得分较高的股票进行投资。

具体操作步骤及 Python 源代码

以下是一个简单的 Python 代码示例，用于实现低市盈率投资法则的筛选过程：

import pandas as pd

# 模拟股票数据
data = {
    '股票代码': ['000001', '000002', '000003', '000004', '000005'],
    '股价': [10, 20, 15, 25, 30],
    '每股收益': [1, 2, 1.5, 2.5, 3],
    '每股股息': [0.5, 1, 0.75, 1.25, 1.5],
    '过去三年盈利增长率': [0.1, 0.2, 0.15, 0.25, 0.3]
}

df = pd.DataFrame(data)

# 计算市盈率
df['市盈率'] = df['股价'] / df['每股收益']

# 计算股息率
df['股息率'] = df['每股股息'] / df['股价']

# 筛选低市盈率股票（假设市盈率低于 15）
low_pe_stocks = df[df['市盈率'] < 15]

# 筛选高股息率股票（假设股息率高于 0.05）
high_dividend_stocks = low_pe_stocks[low_pe_stocks['股息率'] > 0.05]

# 筛选有一定盈利增长的股票（假设盈利增长率高于 0.1）
growth_stocks = high_dividend_stocks[high_dividend_stocks['过去三年盈利增长率'] > 0.1]

print("筛选结果：")
print(growth_stocks)

代码解释

数据模拟：使用 pandas 库创建一个包含股票代码、股价、每股收益、每股股息和过去三年盈利增长率的 DataFrame。
计算指标：计算每只股票的市盈率和股息率，并将结果添加到 DataFrame 中。
筛选股票：按照低市盈率、高股息率和一定盈利增长的条件进行筛选，最终得到符合条件的股票列表。

4. 数学模型和公式 & 详细讲解 & 举例说明

数学模型和公式

市盈率（P/E）

$\frac{股价}{每股收益}$

市盈率是衡量股票估值的重要指标之一。较低的市盈率意味着投资者可以以较低的价格购买到每股盈利较高的股票。例如，某股票股价为 20 元，每股收益为 2 元，则其市盈率为 $20 \div 2 = 10$ 倍。

股息率

$\frac{每股股息}{股价}$

股息率反映了投资者从股票股息中获得的收益比例。例如，某股票股价为 50 元，每股股息为 2 元，则其股息率为 $\div 50 = 0.04$ ，即 4%。

盈利增长率

$\frac{本期盈利 - 上期盈利}{上期盈利}$

盈利增长率用于衡量公司盈利的增长速度。例如，某公司上期盈利为 100 万元，本期盈利为 120 万元，则其盈利增长率为 $\frac{120 - 100}{100} = 0.2$ ，即 20%。

详细讲解

市盈率：市盈率的高低反映了市场对公司未来盈利的预期。较低的市盈率可能意味着市场对公司的前景不太乐观，或者公司被市场低估。但需要注意的是，市盈率并不是越低越好，有些公司可能由于业绩不佳等原因导致市盈率较低。
股息率：股息率较高的股票通常具有一定的稳定性和抗风险能力。股息收入可以为投资者提供现金流，降低投资风险。但过高的股息率也可能意味着公司的发展前景不佳，或者公司将大部分利润用于分红，而没有足够的资金用于再投资。
盈利增长率：盈利增长率是衡量公司成长性的重要指标。较高的盈利增长率意味着公司具有较好的发展前景，但同时也伴随着较高的风险。投资者需要综合考虑公司的行业地位、竞争优势等因素，判断盈利增长的可持续性。

举例说明

假设我们有三只股票 A、B、C，相关数据如下表所示：

股票	股价（元）	每股收益（元）	每股股息（元）	过去三年盈利增长率
A	20	2	1	0.1
B	30	3	1.5	0.2
C	40	4	2	0.15

计算市盈率：
- 股票 A 的市盈率为 $20 \div 2 = 10$ 倍。
- 股票 B 的市盈率为 $30 \div 3 = 10$ 倍。
- 股票 C 的市盈率为 $40 \div 4 = 10$ 倍。
计算股息率：
- 股票 A 的股息率为 $\div 20 = 0.05$ ，即 5%。
- 股票 B 的股息率为 $1.5 \div 30 = 0.05$ ，即 5%。
- 股票 C 的股息率为 $\div 40 = 0.05$ ，即 5%。
评估盈利增长：
- 股票 A 的盈利增长率为 10%。
- 股票 B 的盈利增长率为 20%。
- 股票 C 的盈利增长率为 15%。

综合考虑，股票 B 在盈利增长方面表现较好，可能是更具投资价值的选择。

5. 项目实战：代码实际案例和详细解释说明

5.1 开发环境搭建

要进行低市盈率投资法则的项目实战，需要搭建以下开发环境：

Python 环境：建议使用 Python 3.7 及以上版本。可以从 Python 官方网站（https://www.python.org/downloads/）下载并安装。
开发工具：推荐使用 Jupyter Notebook 或 PyCharm 等开发工具。Jupyter Notebook 适合进行交互式开发和数据分析，PyCharm 则是一个功能强大的 Python 集成开发环境。
必要的库：需要安装 pandas、numpy 等库。可以使用以下命令进行安装：

pip install pandas numpy

5.2 源代码详细实现和代码解读

以下是一个更完整的 Python 代码示例，用于从网络获取股票数据并进行低市盈率投资法则的筛选：

import pandas as pd
import requests
from bs4 import BeautifulSoup

# 定义获取股票数据的函数
def get_stock_data():
    url = 'https://example.com/stock_data'  # 替换为实际的股票数据网站
    response = requests.get(url)
    soup = BeautifulSoup(response.text, 'html.parser')
    # 解析 HTML 数据，提取所需信息
    # 这里假设表格的第一行为表头，后续行为数据
    table = soup.find('table')
    headers = [th.text for th in table.find_all('th')]
    rows = []
    for tr in table.find_all('tr')[1:]:
        row = [td.text for td in tr.find_all('td')]
        rows.append(row)
    df = pd.DataFrame(rows, columns=headers)
    # 将需要的列转换为数值类型
    df['股价'] = pd.to_numeric(df['股价'])
    df['每股收益'] = pd.to_numeric(df['每股收益'])
    df['每股股息'] = pd.to_numeric(df['每股股息'])
    df['过去三年盈利增长率'] = pd.to_numeric(df['过去三年盈利增长率'])
    return df

# 获取股票数据
stock_data = get_stock_data()

# 计算市盈率
stock_data['市盈率'] = stock_data['股价'] / stock_data['每股收益']

# 计算股息率
stock_data['股息率'] = stock_data['每股股息'] / stock_data['股价']

# 筛选低市盈率股票（假设市盈率低于 15）
low_pe_stocks = stock_data[stock_data['市盈率'] < 15]

# 筛选高股息率股票（假设股息率高于 0.05）
high_dividend_stocks = low_pe_stocks[low_pe_stocks['股息率'] > 0.05]

# 筛选有一定盈利增长的股票（假设盈利增长率高于 0.1）
growth_stocks = high_dividend_stocks[high_dividend_stocks['过去三年盈利增长率'] > 0.1]

print("筛选结果：")
print(growth_stocks)

代码解读与分析

获取股票数据：定义 get_stock_data 函数，使用 requests 库发送 HTTP 请求获取股票数据网站的 HTML 内容，然后使用 BeautifulSoup 库解析 HTML 数据，提取所需信息并转换为 pandas 的 DataFrame。
计算指标：计算每只股票的市盈率和股息率，并将结果添加到 DataFrame 中。
筛选股票：按照低市盈率、高股息率和一定盈利增长的条件进行筛选，最终得到符合条件的股票列表。

需要注意的是，上述代码中的 https://example.com/stock_data 需要替换为实际的股票数据网站。同时，在实际应用中，还需要考虑数据的准确性和实时性，以及网络请求的稳定性等问题。

6. 实际应用场景

个人投资者

对于个人投资者来说，约翰·聂夫的低市盈率投资法则是一种较为稳健的投资策略。个人投资者可以使用该法则筛选出被低估的股票，构建自己的投资组合。通过长期持有这些股票，可以获得稳定的股息收入和资本增值。例如，一位普通上班族可以每月拿出一部分闲置资金，按照低市盈率投资法则选择几只股票进行投资，随着时间的推移，积累财富。

专业投资机构

专业投资机构如基金公司、证券公司等也可以运用低市盈率投资法则进行投资组合的管理。他们可以利用专业的研究团队和数据分析工具，更准确地筛选出符合条件的股票。同时，投资机构还可以通过分散投资降低风险，提高投资组合的整体收益。例如，某基金公司可以根据低市盈率投资法则构建一个低估值股票基金，吸引追求稳健收益的投资者。

价值投资教育

低市盈率投资法则是价值投资的经典案例，适合用于价值投资教育。在金融专业课程、投资培训等场景中，可以通过讲解该法则，让学生和投资者了解价值投资的基本理念和方法。通过实际案例分析，帮助他们掌握如何运用财务指标筛选股票，培养正确的投资思维。

7. 工具和资源推荐

7.1 学习资源推荐

7.1.1 书籍推荐

《约翰·聂夫的成功投资》：这是约翰·聂夫本人所著的书籍，详细介绍了他的投资理念、策略和实践经验。通过阅读这本书，读者可以深入了解低市盈率投资法则的精髓。
《聪明的投资者》：本杰明·格雷厄姆的经典著作，是价值投资领域的奠基之作。书中阐述了价值投资的基本原理和方法，对低市盈率投资法则有一定的理论支持。
《怎样选择成长股》：菲利普·费雪的代表作，介绍了如何寻找具有成长潜力的股票。虽然与低市盈率投资法则的侧重点有所不同，但可以为投资者提供更全面的投资思路。

7.1.2 在线课程

Coursera 上的“投资学原理”：该课程由知名大学的教授授课，涵盖了投资学的基本理论和方法，包括价值投资的相关内容。
网易云课堂的“股票投资实战课程”：课程结合实际案例，讲解股票投资的技巧和策略，对低市盈率投资法则有一定的介绍和分析。

7.1.3 技术博客和网站

雪球网：国内知名的投资社区，有大量的投资者分享自己的投资经验和研究成果。在雪球网上可以找到关于低市盈率投资法则的讨论和案例分析。
Seeking Alpha：国外的投资研究网站，提供丰富的股票分析报告和投资策略文章，对低市盈率投资法则有深入的研究和探讨。

7.2 开发工具框架推荐

7.2.1 IDE和编辑器

Jupyter Notebook：适合进行交互式开发和数据分析，方便进行代码编写、数据可视化和结果展示。
PyCharm：功能强大的 Python 集成开发环境，提供代码编辑、调试、版本控制等一系列功能，提高开发效率。

7.2.2 调试和性能分析工具

pdb：Python 自带的调试工具，可以帮助开发者定位代码中的问题。
cProfile：用于分析 Python 代码的性能，找出代码中的瓶颈，进行优化。

7.2.3 相关框架和库

pandas：用于数据处理和分析，提供了丰富的数据结构和函数，方便进行股票数据的处理和筛选。
numpy：用于数值计算，提高代码的运行效率。
requests：用于发送 HTTP 请求，获取网络数据。
BeautifulSoup：用于解析 HTML 和 XML 数据，方便从网页中提取所需信息。

7.3 相关论文著作推荐

7.3.1 经典论文

《Security Analysis》（《证券分析》）：本杰明·格雷厄姆和大卫·多德所著的经典论文，奠定了价值投资的理论基础，对低市盈率投资法则有重要的启示作用。
《The Random Walk Hypothesis》（《随机游走假说》）：该论文探讨了股票价格的随机性，对投资者理解市场有效性和投资策略有一定的帮助。

7.3.2 最新研究成果

可以关注金融学术期刊如《Journal of Finance》、《Review of Financial Studies》等，了解关于价值投资和低市盈率投资法则的最新研究成果。

7.3.3 应用案例分析

一些投资研究机构会发布关于低市盈率投资法则的应用案例分析报告，通过实际案例展示该法则在不同市场环境下的表现和效果。可以通过相关机构的官方网站或金融资讯平台获取这些报告。

8. 总结：未来发展趋势与挑战

未来发展趋势

与科技融合：随着科技的不断发展，低市盈率投资法则可能会与大数据、人工智能等技术相结合。通过运用大数据分析，可以更全面、准确地筛选出符合条件的股票；利用人工智能算法，可以对股票的未来走势进行更精准的预测，提高投资决策的科学性。
全球化应用：在全球经济一体化的背景下，低市盈率投资法则将有更广泛的应用空间。投资者可以将该法则应用于全球不同市场的股票投资，寻找更多的投资机会，实现资产的全球化配置。
多元化发展：未来，低市盈率投资法则可能会与其他投资策略相结合，形成多元化的投资组合。例如，将低市盈率投资与成长股投资相结合，既追求低估值股票的安全边际，又捕捉成长股的高收益潜力。

挑战

市场有效性增强：随着市场的不断发展和信息传播的日益迅速，市场的有效性可能会逐渐增强。这意味着股票价格更能及时反映其内在价值，低市盈率股票被低估的情况可能会减少，增加了筛选优质股票的难度。
宏观经济环境变化：宏观经济环境的变化如利率波动、通货膨胀、经济衰退等会对股票市场产生重大影响。低市盈率投资法则可能无法完全抵御宏观经济风险，投资者需要密切关注宏观经济形势，及时调整投资策略。
行业变革加速：科技的快速发展导致行业变革加速，一些传统行业可能会面临被新兴行业取代的风险。即使某些传统行业的股票市盈率较低，但如果行业前景不佳，也可能无法实现投资价值。投资者需要具备敏锐的行业洞察力，准确判断行业的发展趋势。