量化模型与构建方式 1. 模型名称：PB-ROE框架下的ETF轮动策略 模型构建思路：通过PB（市净率）和ROE（净资产收益率）两个因子，结合行业的历史分位数和预期ROE，构建行业轮动策略，重点关注高PB高ROE和低PB中ROE的行业[26][27] 模型具体构建过程： - 首先，计算各行业的PB和ROE，并分别计算其历史分位数 - 将PB和ROE因子结合，将全行业划分为六个象限，重点关注第三象限（高PB高ROE）和第五象限（低PB中ROE）的行业 - 通过行情指标、资金强度、预期指标和财务纵比四个维度对PB-ROE框架进行补充，进一步优化策略 - 最终构建综合PB-ROE策略，每月持有3个行业ETF，并进行月度调仓[28] 模型评价：该策略在2017年至2024年的回测期内表现出较好的超额收益，尤其是第三象限和第五象限组合的年化超额收益率分别为4.78%和3.94%，综合策略的年化超额收益率为13.22%[27][28] 模型的回测效果 1. PB-ROE框架下的ETF轮动策略 - 最近一周累计收益率：1.14%[29] - 最近一周相对于沪深300的超额收益率：-0.24%[29] - 2023年以来累计收益率：15.87%[32] - 2023年以来相对于沪深300的超额收益率：14.00%[32] - 2022年以来累计收益率：-0.92%[34] - 2022年以来相对于沪深300的超额收益率：19.25%[34] 量化因子与构建方式 1. 因子名称：PB因子 因子构建思路：通过市净率（PB）来衡量行业的估值水平，结合历史分位数进行相对估值比较[26] 因子具体构建过程： - 计算各行业的PB值 - 计算PB的历史分位数，用于衡量当前PB值在历史中的相对位置[26] 因子评价：PB因子在行业轮动中表现出一定的分层能力，尤其是PB分位因子的有效性更强[26] 2. 因子名称：ROE因子 因子构建思路：通过净资产收益率（ROE）来衡量行业的盈利能力，结合预期ROE进行绝对预期水平的比较[26] 因子具体构建过程： - 计算各行业的ROE值 - 使用预期ROE因子，结合财报数据和市场预期，衡量行业的未来盈利能力[26] 因子评价：ROE因子在2018年后有效性有所下降，但预期ROE因子的有效性和胜率得到明显改进[26] 因子的回测效果 1. PB因子 - 分层能力：有效，尤其是PB分位因子的有效性更强[26] 2. ROE因子 - 有效性：2018年后有所下降，但预期ROE因子的有效性和胜率得到改进[26]