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]。

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**：基于公司基本面（ROE）与市场估值（PB）的理论线性关系，引入实际利率和通胀等宏观变量，构建时间序列回归模型，以衡量市场整体估值相对于其基本面合理水平的偏离程度[1][8][14]。 * **模型具体构建过程**：采用Wilcox & Philips(2005)提出的时间序列模型，对全市场指数（或代表性指数）的周度数据进行回归分析。模型的具体形式为： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][14][15] 其中，`P/B` 代表市场指数的市净率，`ROE` 代表市场指数的净资产收益率，`RealInterest` 代表实际利率，`Inflation` 代表通胀率。`a`, `b`, `c`, `d` 为回归系数。通过该模型计算得到的回归残差，即为“PB-ROE估值偏离度”[1][8][15]。 * **模型评价**：该模型能够有效刻画市场情绪和风险偏好的变化。当估值偏离度为正时，表明市场情绪高涨；为负时，表明市场情绪低迷[1][9][15]。在A股市场的实证检验表明，该估值偏离度与未来短期（如下一周）的市场指数涨幅存在显著正相关性[2][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模型计算出的估值偏离度，根据其相对于历史统计分布的位置，生成周度的战术仓位配置信号[2][10][19]。 * **模型具体构建过程**： 1. 首先，计算“PB-ROE估值偏离度”的历史均值和标准差[2][10]。 2. 然后，以“历史均值 ± 1倍标准差”作为阈值，将估值偏离度划分为四个区间，并对应四档仓位建议[10][19]： * 当 `估值偏离度 > 均值 + 1倍标准差` 时，发出 **高仓位（80%-100%）** 信号[3][10][19]。 * 当 `均值 < 估值偏离度 ≤ 均值 + 1倍标准差` 时，发出 **低仓位** 信号[19]。 * 当 `均值 - 1倍标准差 < 估值偏离度 ≤ 均值` 时，发出 **中等仓位** 信号[19]。 * 当 `估值偏离度 ≤ 均值 - 1倍标准差` 时，发出 **中高仓位** 信号[19]。 * **模型评价**：该模型旨在捕捉市场情绪高涨带来的动量效应，同时在估值较低时利用安全边际。历史回测显示，该仓位择时策略能够有效降低回撤、提高收益[18][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周指数涨幅正相关且统计显著[9][15] 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] * **因子构建思路**：作为时间序列PB-ROE模型的输出，该因子代表了市场整体实际估值（PB）与由基本面（ROE）及宏观变量（实际利率、通胀）所决定的合理估值之间的差异，即估值偏离[1][8][15]。 * **因子具体构建过程**：通过对市场指数应用时间序列PB-ROE模型进行回归，将实际观测到的 `Ln(P/B)` 与模型拟合值相减，所得残差即为该因子[8][15]。公式表示为： `PB-ROE估值偏离度 = 实际 Ln(P/B) - 模型预测的 Ln(P/B)`[1][8] 其中模型预测的 `Ln(P/B)` 由公式 $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$ 计算得出[8][14][15]。 * **因子评价**：该因子是市场情绪和风险偏好的量化指标。正值表示市场情绪高涨，负值表示市场情绪低迷[1][9][15]。其与未来市场短期表现存在非线性但显著的正向关系，高偏离度组合有显著动量效应，低偏离度组合则体现安全边际[18]。 因子的回测效果 1. PB-ROE估值偏离度因子，与未来第1周指数涨幅总体显著正相关[2][9][15] 2. PB-ROE估值偏离度因子，按升序分为4组后，估值偏离度最高的第4组未来涨幅显著最高[18][21]

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]。