量化模型与构建方式 1. 模型名称：时间序列PB-ROE模型[1][8][14] * 模型构建思路： 基于Wilcox & Philips(2005)提出的时间序列PB-ROE模型，用于分析指数（市场整体）的估值与基本面关系[8][14]。该模型认为，市场指数的合理估值（对数市净率）应与其净资产收益率（ROE）、实际利率和通货膨胀率等基本面因素呈线性关系[14]。 * 模型具体构建过程： 使用市场整体的周度数据，对以下模型进行回归，以估计基本面合理估值[8][14]。 * 模型公式为： $Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$[8][14] * 其中，Ln(P/B) 是市场整体市净率（P/B）的自然对数，ROE 是市场整体的净资产收益率，RealInterest 是实际利率，Inflation 是通货膨胀率[14]。a, b, c, d 为模型回归系数[14]。 * 通过回归得到拟合值后，计算残差（Residual），即实际观测到的 Ln(P/B) 与模型拟合的合理值之间的差值[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驱动部分，为市场情绪和风险偏好的度量提供了一个量化框架[1]。 2. 因子名称：PB-ROE估值偏离度[1][8][15] * 因子构建思路： 将时间序列PB-ROE模型的回归残差定义为“PB-ROE估值偏离度”，用以衡量市场实际估值相对于基本面合理估值的偏离程度，反映市场情绪[1][8][15]。 * 因子具体构建过程： * 首先，如上述模型构建过程所述，通过回归得到残差（Residual）[1][8]。 * 将该残差直接定义为 PB-ROE估值偏离度 [1][8]。 * 当偏离度 > 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[1][9][15]。 * 当偏离度 < 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][9][15]。 * 因子评价： 该因子是模型的核心输出，将抽象的“市场情绪”和“估值泡沫/洼地”概念进行了量化，并验证了与未来短期市场收益的相关性[9][15][18]。 模型的回测效果 （注：报告未提供具体模型（如回归模型本身）的统计拟合优度、显著性等回测指标，故本部分省略。） 因子的回测效果 1. PB-ROE估值偏离度因子 * 与未来收益的相关性： 在A股市场的历史数据检验中，PB-ROE估值偏离度与未来第1周（下周）的指数涨幅总体呈显著正相关[2][9][15]。 * 分组收益表现： 将估值偏离度升序分为4组，估值偏离度最高的第4组未来第1周涨幅显著最高，体现了正相关性（动量效应）；估值偏离度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[18][21]。 * 仓位择时效果： 基于该因子构建的周度仓位择时策略（以因子历史均值±1倍标准差为信号阈值），历史回测显示能够有效降低回撤、提高收益[19][22]。 基于因子构建的仓位配置规则 1. 规则名称：基于PB-ROE估值偏离度的四档仓位规则[2][10][19] * 规则构建思路： 利用PB-ROE估值偏离度因子的历史统计分布（均值和标准差），设定明确的阈值来划分不同的市场情绪和估值状态，并对应建议不同的仓位水平[2][10][19]。 * 规则具体构建过程： * 计算PB-ROE估值偏离度因子的历史均值（mean）和标准差（std）[10]。 * 设定以下仓位信号规则[19]： * 高仓位 (80%-100%)： 当 估值偏离度 > mean + 1 * std 时[3][11][19]。 * 低仓位： 当 mean < 估值偏离度 < mean + 1 * std 时[19]。 * 中等仓位： 当 mean - 1 * std < 估值偏离度 < mean 时[19]。 * 中高仓位： 当 估值偏离度 < mean - 1 * std 时[19]。 * 规则评价： 该规则将连续的因子信号转化为离散的、可操作的战术仓位建议，逻辑清晰，旨在市场情绪极度高涨时保持高仓位享受动量，在估值明显偏低时增加仓位以利用安全边际[2][9][19]。 * 规则应用示例： 截至2026/2/6，市场整体PB-ROE估值偏离度为0.159，超过历史均值+1倍标准差，故模型建议当周(2026/2/9-2026/2/13)采用高仓位(80%-100%)[3][11]。