量化模型与构建方式 1. 模型名称：时间序列PB-ROE模型[1][8][15][16] 模型构建思路： 基于Wilcox & Philips(2005)的时间序列模型，通过回归分析建立市净率（PB）与净资产收益率（ROE）、实际利率、通货膨胀率之间的线性关系，以计算市场实际估值相对于基本面合理估值的偏离度[1][8][15][16]。 模型具体构建过程： 1. 模型假设公司无分红且满足干净盈余假设，对数市净率与净资产收益率之间存在线性关系[15]。 2. 将横截面模型扩展为时间序列模型，用于分析指数的时间序列回报[16]。 3. 使用周度数据对全市场指数进行回归，模型公式如下： $Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$ 其中，Ln(P/B) 为市净率的自然对数，ROE 为净资产收益率，RealInterest 为实际利率，Inflation 为通货膨胀率，a, b, c, d 为回归系数[8][16]。 4. 将回归方程的残差定义为“PB-ROE 估值偏离度”。该残差代表了市场实际估值（实际PB）超出或低于模型计算出的基本面合理估值的部分[1][8][16]。 模型评价： 在A股市场的实证检验显示，该模型计算出的估值偏离度与未来一周的指数涨幅具有统计显著的正相关性[9][16]。模型能够捕捉市场情绪（风险偏好）的变化，当偏离度为正时，表明市场情绪高涨；为负时，表明市场情绪低迷[1][9][16]。 2. 模型名称：基于PB-ROE估值偏离度的周度仓位择时模型[2][10][20] 模型构建思路： 利用时间序列PB-ROE模型计算出的估值偏离度，根据其相对于历史均值和标准差的水平，划分不同的仓位档位，生成周度的战术仓位信号[2][10][20]。 模型具体构建过程： 1. 计算PB-ROE估值偏离度的历史均值（μ）和标准差（σ）[2][10]。 2. 以历史均值±1倍标准差（μ ± 1σ）为界限，将估值偏离度划分为四个区域，并对应四档仓位配置建议[10][20]： * 高仓位： 估值偏离度 > μ + 1σ[20] * 低仓位： μ < 估值偏离度 ≤ μ + 1σ[20] * 中等仓位： μ - 1σ < 估值偏离度 ≤ μ[20] * 中高仓位： 估值偏离度 ≤ μ - 1σ[20] 3. 每周根据最新的估值偏离度数值，判断其所属区域，触发相应的仓位信号[3][11]。 模型的回测效果 1. 时间序列PB-ROE模型，PB-ROE估值偏离度与未来一周指数涨幅正相关，且具有统计显著性[9][16]。 2. 时间序列PB-ROE模型，按估值偏离度升序分为4组后，估值偏离度最高的第4组未来一周涨幅显著最高[19]。 3. 基于PB-ROE估值偏离度的周度仓位择时模型，历史回测显示能够有效降低回撤、提高收益[20]。 量化因子与构建方式 1. 因子名称：PB-ROE估值偏离度[1][8][16] 因子构建思路： 作为时间序列PB-ROE模型的输出，该因子衡量了市场整体估值（以PB表征）相对于其基本面（以ROE、实际利率、通胀率表征）的偏离程度，可视为市场情绪或风险偏好的代理指标[1][8][16]。 因子具体构建过程： 1. 运行时间序列PB-ROE回归模型：$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$[8][16] 2. 计算回归残差：估值偏离度 = 实际 Ln(P/B) - 模型预测的 Ln(P/B)[1][8][16]。 3. 因子数值含义： * 偏离度 > 0： 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][16]。 * 偏离度 < 0： 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][16]。 因子的回测效果 1. PB-ROE估值偏离度因子，与未来一周指数涨幅总体正相关[2][9]。 2. PB-ROE估值偏离度因子，当因子值**明显超越历史均值（> μ + 1σ）时，市场情绪极度高涨，可配置高仓位；当因子值明显低于历史均值（< μ - 1σ）**时，市场存在较强安全边际，下跌空间有限，可配置中高仓位[2][9]。