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]。