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)的时间序列模型，用于分析指数的时间序列回报。该模型认为市场的对数市净率（Ln(P/B)）与净资产收益率（ROE）、实际利率（RealInterest）和通货膨胀率（Inflation）存在线性关系[14]。 * 模型具体构建过程：使用周度数据，对全市场指数进行时间序列回归，拟合模型(1)。模型(1)的公式为： $Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$[8][14][15] 其中，Ln(P/B) 是市场整体市净率的自然对数，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，a, b, c, d 是回归系数[14][15]。通过该回归方程计算出的残差，即为“PB-ROE估值偏离度”[1][8][15]。 * 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指数涨幅总体正相关，且具有统计显著性[9][15]。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][15]。 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][19] * 模型构建思路：利用“时间序列PB-ROE模型”计算出的“PB-ROE估值偏离度”及其历史统计特征（均值、标准差），构建一个四档的周度战术仓位配置信号模型[2][10][19]。 * 模型具体构建过程： 1. 首先，计算“PB-ROE估值偏离度”的历史均值（μ）和标准差（σ）[2][10]。 2. 然后，根据当前估值偏离度（D）相对于历史均值±1倍标准差的相对位置，确定仓位信号[2][10][19]： * 当 D > μ + 1σ 时，发出 高仓位 信号[19]。 * 当 μ < D ≤ μ + 1σ 时，发出 低仓位 信号[19]。 * 当 μ - 1σ < D ≤ μ 时，发出 中等仓位 信号[19]。 * 当 D ≤ μ - 1σ 时，发出 中高仓位 信号[19]。 模型的回测效果 1. 时间序列PB-ROE模型，PB-ROE估值偏离度与未来第1周指数涨幅正相关性具有统计显著性[15][17]。 2. 基于PB-ROE估值偏离度的周度仓位择时模型，历史回测显示仓位择时策略能够有效降低回撤、提高收益[19]。 量化因子与构建方式 1. 因子名称：PB-ROE估值偏离度[1][8][15] * 因子的构建思路：该因子是“时间序列PB-ROE模型”的回归残差，代表了市场实际估值（PB）相对于其基本面（ROE、利率、通胀）所决定的合理估值的偏离程度[1][8][15]。 * 因子具体构建过程：作为“时间序列PB-ROE模型”的副产品，其构建过程与模型构建过程一致。具体为：对全市场指数应用模型(1) $Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$ 进行回归，将实际观测到的 Ln(P/B) 值代入回归方程后计算出的残差（即实际值减去模型预测值），即为PB-ROE估值偏离度[8][15]。 * 因子评价：该因子被解释为市场情绪的代理指标。当因子值>0时，表明实际PB高于基本面合理值，市场情绪高涨，风险偏好提升；当因子值<0时，表明实际PB低于基本面合理值，市场情绪低迷，风险偏好下降[1][9][15]。该因子与未来短期市场收益（如下一周涨幅）存在正相关关系[9][15]。 因子的回测效果 1. PB-ROE估值偏离度因子，与未来第1周指数涨幅正相关[9][15]。 2. PB-ROE估值偏离度因子，按因子值升序分为4组后，因子值最高的第4组未来第1周涨幅显著最高[18][21]。因子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[18]。