量化模型与构建方式 1. 模型名称：时间序列PB-ROE模型[1][8][12] * 模型构建思路：该模型用于分析市场指数的时间序列回报，旨在通过基本面（ROE）和宏观变量（实际利率、通胀率）来解释和预测市场的估值水平（PB），并计算实际估值与模型预测的合理估值之间的偏离（残差）[1][8][12]。 * 模型具体构建过程： 1. 模型的理论基础源于Wilcox (1984)的横截面PB-ROE模型，该模型在公司无分红和干净盈余假设下，建立了对数市净率（P/B）与净资产收益率（ROE）之间的线性关系[12]。 2. Wilcox & Philips(2005) 将其改进为适用于指数时间序列分析的模型，引入了实际利率和通胀率作为股东要求回报率的代理变量，以反映宏观因素的影响[8][12]。 3. 模型的具体回归方程如下： $Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$[8][12] 其中，Ln(P/B) 是指数市净率的自然对数，ROE 是指数的净资产收益率，RealInterest 是实际利率，Inflation 是通胀率，a, b, c, d 为回归系数[8][12]。 4. 使用历史数据（报告中提及在A股市场使用周度数据）对上述方程进行回归，得到拟合的“合理”估值线[13]。 5. 计算模型残差：残差 = 实际观测的 Ln(P/B) 值 - 模型预测的 Ln(P/B) 值[1][8]。残差代表了市场实际估值超出（或低于）基本面合理估值的部分，即估值偏离[1][8]。 * 模型评价：该模型将估值分解为基本面驱动部分和情绪（或偏离）部分，为判断市场情绪和风险偏好提供了量化工具[1][8]。在A股市场的实证检验显示，其残差与未来短期市场表现存在显著相关性[2][13]。 量化因子与构建方式 1. 因子名称：PB-ROE残差[1][8][13] * 因子构建思路：作为时间序列PB-ROE模型的输出，该因子直接度量了市场整体估值相对于其基本面（ROE）和宏观环境所决定的“合理”水平的偏离程度，用以捕捉市场情绪和风险偏好的变化[1][8][13]。 * 因子具体构建过程： 1. 首先，如上述模型构建过程所述，通过回归得到时间序列PB-ROE模型[8][12]。 2. 对于每一个时间点（如每周），计算该点的残差值： 残差 = 实际 Ln(P/B) - (a + b * ROE + c * RealInterest + d * Inflation)[1][8]。 3. 根据残差值的符号和大小进行解读：当残差 > 0 时，表示实际PB高于基本面合理值，市场情绪高涨，风险偏好提升；当残差 < 0 时，表示实际PB低于基本面合理值，市场情绪低迷，风险偏好下降[1][8]。 * 因子评价：该因子是模型的核心产出，它将抽象的“市场情绪”和“估值泡沫/低估”进行了量化，并历史数据显示其与未来短期市场涨幅具有统计显著的正相关性[2][13]。 2. 因子名称：基于PB-ROE残差的仓位信号因子[2][8][18] * 因子构建思路：将连续的PB-ROE残差值根据其与历史统计分布的关系，离散化为具体的仓位配置建议，将估值偏离信号转化为可操作的投资决策[2][8][18]。 * 因子具体构建过程： 1. 计算PB-ROE残差因子的历史均值（μ）和标准差（σ）[2][8]。 2. 以历史均值±1倍标准差为阈值，将残差划分为四个区间，并对应四档仓位建议[2][8][18][21]： * 残差值 > μ + 1σ：高仓位 (80%-100%)[3][9][18] * μ < 残差值 < μ + 1σ：低仓位[21] * μ - 1σ < 残差值 < μ：中等仓位[21] * 残差值 < μ - 1σ：中高仓位[18] 3. 根据当期计算出的残差值，落入哪个区间，即给出对应的周度仓位建议[3][9]。 模型的回测效果 （报告未提供具体模型的回测绩效指标，如年化收益率、夏普比率等。报告主要展示了因子与未来收益的相关性及分组表现。） 因子的回测效果 1. PB-ROE残差因子 * 与未来收益的相关性：在A股市场，PB-ROE残差与未来第1周指数涨幅总体显著正相关[2][13]。 * 分组表现：将残差值升序分为4组，残差值最高的第4组未来第1周涨幅显著最高，体现了正相关性；残差值较低的组也有正收益，表明低估值时存在安全边际和投资机会[16]。 2. 基于PB-ROE残差的仓位信号因子 * 策略效果：历史回测显示，依据该因子信号进行仓位择时的策略，能够有效降低回撤、提高收益[18]。