astock-peg：用PEG指标挖掘A股被低估标的的开源工具

为什么PE不够用？PEG指标的价值

在A股投资中，PE（市盈率）是大多数投资者最熟悉的估值指标。PE由本杰明·格雷厄姆在20世纪30年代系统化，是价值投资体系的基石——其计算方式为股价除以每股收益（EPS），反映投资者为每单位盈利愿意支付的价格倍数。然而PE存在天然缺陷：它是一个静态快照，完全忽略了企业未来的成长性。这在A股市场尤为突出——科技、消费等高成长赛道的龙头企业往往长期维持30-50倍甚至更高的PE，若机械地以"PE>30倍即高估"为由回避，投资者将错过大量优质标的的核心上涨阶段。

单纯看PE往往会让人陷入"看到贵的不敢下手"的困境——一个看似昂贵的高PE股票，如果盈利增速足够快，估值反而可能是合理甚至便宜的。这正是PEG指标存在的意义。

今天介绍的 astock-peg 是一个基于Claude Code开发的A股PEG分析工具，它把PEG计算、行业对比、AI深度分析等功能整合到一起，帮助投资者更科学地评估标的价值。

风险提示：本工具仅用于数据分析与编程学习，不构成任何投资建议。

PEG指标是什么？比PE更聪明的估值方法

PEG（Price/Earnings to Growth）指标由著名基金经理彼得·林奇（Peter Lynch）在其1989年著作《彼得·林奇的成功投资》中系统阐述并推广。林奇管理麦哲伦基金期间年化收益率高达29.2%，他将PEG作为筛选"十倍股"的核心工具之一。林奇的核心观点是：一家公司的合理PE应当等于其长期盈利增速，即PEG=1为公允价值。这一思想后来被吉姆·斯莱特在《祖鲁法则》中进一步发展，斯莱特将PEG<0.75作为强力买入信号，并在英国股市实践中取得了显著成果。

PEG的计算公式非常简单：

PEG = PE（市盈率） ÷ 盈利增速（%）

这个简单的除法背后蕴含着深刻的投资逻辑。PE告诉你"按当前利润水平，多少年能赚回市值"，而PEG则进一步回答了"利润增长的速度能多快消化掉这个估值"。PEG的本质是将时间维度引入估值，把"现在贵不贵"转化为"增长能多快消化估值"的动态问题。

用两个案例来直观感受PEG的威力：

指标	标的A	标的B
PE	50倍	20倍
盈利增速	50%	5%
PEG	1	4

标的A 的PE高达50倍，看起来很"贵"。但盈利增速同样是50%，PEG等于1，高估值会被高速增长快速消化，属于合理定价。

标的B 的PE只有20倍，表面上很"便宜"。但盈利增速仅5%，PEG高达4，这个20倍的PE会长期维持，很难被业绩增长消化。

这就是PEG的核心洞察：不要单纯看PE的绝对值，要结合业绩增速来判断估值是否合理。 通常来说，PEG=1被认为是合理估值，PEG<1可能被低估，PEG>2则需要警惕高估风险。

当然，PEG指标的真正威力在于横向对比——把同一行业内不同标的的PEG放在一起排名，才能发现真正被低估的机会。

astock-peg的四大核心功能模块

astock-peg围绕PEG分析构建了四个功能模块，覆盖从数据获取到深度分析的完整流程。

自选行情查询：免登录快速获取估值数据

最基础也最实用的功能。输入股票代码后，工具调用腾讯财经API实时拉取行情数据，包括PE、PB等核心估值指标。

这个模块的最大优势是无需登录，打开即用。对于需要快速查看多只自选股估值状态的用户来说，这是一个非常便捷的入口。

AI驱动的PEG深度分析：自动生成研究报告

这是整个工具最有技术含量的部分。Claude Code是Anthropic推出的面向开发者的AI编程工具，能够理解复杂的代码库结构、执行多步骤编程任务，并在终端环境中直接操作文件和运行代码。与传统的代码补全工具不同，Claude Code具备端到端的任务执行能力，可以从需求描述直接生成可运行的完整项目。

提交股票代码后，Python脚本会自动采集七类关键数据——涵盖财务指标、增长趋势、行业地位等多个维度，然后交由AI进行综合分析，最终生成深度报告并导出为PDF。在金融数据分析领域，AI辅助分析的核心价值在于"非结构化信息的结构化处理"——将财务报表数字、行业新闻、管理层表述等异构数据统一纳入分析框架，模拟专业研究员的多维交叉验证过程。这种"数据管道+LLM推理"的架构正在成为量化研究与基本面分析融合的新范式，astock-peg正是这一趋势在个人投资工具层面的具体实践。

AI在多维数据基础上进行交叉验证和综合判断，输出的报告远比单一PEG数值更有参考价值。这种"数据采集+AI分析"的模式，本质上是把专业研究员的分析框架自动化了。

行业PE横向对比：找到同行业中的估值洼地

PEG的价值在于横向对比，这个模块正是为此而生。

A股的行业分类主要有三套体系：证监会行业分类（28个门类）、申万行业分类（三级体系，覆盖104个三级行业）和中信行业分类。其中申万分类因其细粒度和在机构研究中的广泛使用，成为行业对比分析的主流标准。横向PEG对比的有效性建立在"同行业可比性"的前提上——相同赛道的企业面临相近的宏观环境、竞争格局和商业模式，其估值差异更可能反映真实的定价偏差，而非行业属性差异。

输入一只股票的代码，工具会自动识别其所属行业，拉取该行业的成分股列表，然后展示PE排名前20的标的。通过这种方式，你可以直观地看到：

• 这个行业整体的估值水平处于什么区间
• 你关注的标的在行业中排在什么位置
• 哪些同行业标的可能存在估值差异

这里有一个重要的认知：好的行业永远是"贵"的。 如果只看PE，可能永远不敢买入优质赛道的龙头。但把增速因素纳入考量、算出PEG之后，会发现很多"贵