估值因子是投资者进行投资分析时最关注的指标之一，常见的估值因子有市盈率PE、市净率PB等，其中PE因子是投资者最为关注的估值指标。传统估值因子往往是以比值的形式来展现公司市值和基本面指标之间的相对关系，这样的操作虽然直接，但存在除数效应和非线性的弊端，本文对这种弊端提出了几种解决方案。
　　比值形式计算的估值因子会随着宏观环境的变化而变化，自身稳定性较差。而截面回归的方式可以在每个时间点确定公司的估值中枢，关注的是公司的相对估值水平，稳定性较强。回归得到的残差项可以衡量公司相对与估值中枢低估或高估，因此对总市值和净利润建模或是改进传统PE因子的可行方案。
　　针对数据对数化后非正态分布的问题，本文使用OLS回归、分段回归、混合高斯回归和高斯秩方法加以解决，我们发现分段回归、混合高斯回归和高斯秩方法都能够有效的解决传统估值因子计算方法中存在的弊端，其中高斯秩方法最为有效，能够大大提升传统PE因子的选股效果。
　　另外高斯秩方法的应用并不局限于估值因子，在其他用比值形式表达的因子上依然奏效，本文测试因子高斯秩方法应用于现金流收入比因子和单季度净利润同比增速因子上的效果，该方法对两个因子的选股能力都有所提升。
　　回归的方法可以将多种相对估值指标的基本面因素有机的结合起来，我们将净利润TTM和净资产结合计算的双变量估值因子取得了较为优秀的选股效果，因子月均RankIC为-7.73%，ICIR为-0.84，因子年化超额收益率为5.29%，超额夏普比率为1.60，超额卡玛比率为1.12。该因子在不同市值的选股域中相对传统估值因子均有明显提升，在中小市值股票池中表现更为优秀；从分行业的测试结果看，因子在大多数行业中都有较强的选股能力，其中表现较好的行业有建筑、家电、电力及公用事业等；另外双变量估值因子与价值类因子相关性较高，但其选股能力相对传统价值因子有明显提升，与市值因子相关性较高，但在因子测试过程中，我们对因子均做了市值中性化处理，因此并不影响因子选股能力，整体来看，双变量估值因子对于传统因子有较大的信息增量。
　　风险提示：模型失效风险和市场变化风险。