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]。

报告行业投资评级 - 报告未明确给出对特定行业的投资评级 其核心是提供基于PB-ROE模型的周度战术仓位观点 [1][4] 报告的核心观点 - 基于时间序列PB-ROE模型计算的残差 是判断市场情绪和风险偏好的关键指标 残差大于0表明实际估值高于基本面合理值 市场情绪高涨 残差小于0则相反 [1][8] - 在A股市场 该残差与未来一周指数涨幅总体呈显著正相关 当残差明显超越历史均值时 市场情绪极度高涨 可配置高仓位 当残差明显低于历史均值时 市场存在较强安全边际 下跌空间有限 可配置中高仓位 [2][8] - 截至2026年1月30日 全市场整体PB-ROE残差值为0.18 超过历史均值加1倍标准差 模型判断当前处于估值扩张且市场情绪高涨阶段 建议在2026年2月2日至2月6日这一周采取高仓位配置 仓位范围为80%至100% [3][9] 根据相关目录分别进行总结 1. 当前周度仓位观点 - 模型通过计算时间序列PB-ROE回归方程的残差来衡量市场实际估值对基本面合理估值的偏离 [8] - 截至2026年1月30日的数据显示 全市场PB-ROE残差为0.18 已超过历史均值加1倍标准差的阈值 因此模型给出明确的“高仓位”建议 对应仓位为80%-100% [9] 2. PB-ROE模型方法 - 模型基于Wilcox & Philips(2005)的时间序列PB-ROE框架 其核心方程为对数PB与ROE、实际利率及通胀率的线性关系 [12][13] - 该模型在A股市场的周度数据实证检验中有效 PB-ROE残差与未来第一周指数涨幅存在统计显著的正相关性 [13] - 进一步分组统计显示 残差值最高的组别未来一周涨幅显著最高 体现了市场情绪的动量效应 而残差值较低的组别也有正收益 表明低估值时存在安全边际和投资机会 [16] - 根据残差相对于历史均值的偏离程度 模型设定了四档仓位信号 残差值大于均值加1倍标准差时建议高仓位 残差值小于均值减1倍标准差时建议中高仓位 历史回测表明该择时策略能有效降低回撤并提高收益 [18][20]

量化模型与构建方式 1. **模型名称：时间序列PB-ROE模型**[1][8][12] * **模型构建思路**：该模型用于分析市场指数的时间序列回报，旨在通过基本面（ROE）和宏观变量（实际利率、通胀率）来解释和预测市场的估值水平（PB），并计算实际估值与模型预测的合理估值之间的偏离（残差）[1][8][12]。 * **模型具体构建过程**： 1. 模型的理论基础源于Wilcox (1984)的横截面PB-ROE模型，该模型在公司无分红和干净盈余假设下，建立了对数市净率（P/B）与净资产收益率（ROE）之间的线性关系[12]。 2. Wilcox & Philips(2005) 将其改进为适用于指数时间序列分析的模型，引入了实际利率和通胀率作为股东要求回报率的代理变量，以反映宏观因素的影响[8][12]。 3. 模型的具体回归方程如下： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][12] 其中，`Ln(P/B)` 是指数市净率的自然对数，`ROE` 是指数的净资产收益率，`RealInterest` 是实际利率，`Inflation` 是通胀率，`a, b, c, d` 为回归系数[8][12]。 4. 使用历史数据（报告中提及在A股市场使用周度数据）对上述方程进行回归，得到拟合的“合理”估值线[13]。 5. 计算模型残差：残差 = 实际观测的 `Ln(P/B)` 值 - 模型预测的 `Ln(P/B)` 值[1][8]。残差代表了市场实际估值超出（或低于）基本面合理估值的部分，即估值偏离[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（或偏离）部分，为判断市场情绪和风险偏好提供了量化工具[1][8]。在A股市场的实证检验显示，其残差与未来短期市场表现存在显著相关性[2][13]。 量化因子与构建方式 1. **因子名称：PB-ROE残差**[1][8][13] * **因子构建思路**：作为时间序列PB-ROE模型的输出，该因子直接度量了市场整体估值相对于其基本面（ROE）和宏观环境所决定的“合理”水平的偏离程度，用以捕捉市场情绪和风险偏好的变化[1][8][13]。 * **因子具体构建过程**： 1. 首先，如上述模型构建过程所述，通过回归得到时间序列PB-ROE模型[8][12]。 2. 对于每一个时间点（如每周），计算该点的残差值： 残差 = 实际 `Ln(P/B)` - (a + b * `ROE` + c * `RealInterest` + d * `Inflation`)[1][8]。 3. 根据残差值的符号和大小进行解读：当残差 > 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；当残差 < 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][8]。 * **因子评价**：该因子是模型的核心产出，它将抽象的“市场情绪”和“估值泡沫/低估”进行了量化，并历史数据显示其与未来短期市场涨幅具有统计显著的正相关性[2][13]。 2. **因子名称：基于PB-ROE残差的仓位信号因子**[2][8][18] * **因子构建思路**：将连续的PB-ROE残差值根据其与历史统计分布的关系，离散化为具体的仓位配置建议，将估值偏离信号转化为可操作的投资决策[2][8][18]。 * **因子具体构建过程**： 1. 计算PB-ROE残差因子的历史均值（`μ`）和标准差（`σ`）[2][8]。 2. 以历史均值±1倍标准差为阈值，将残差划分为四个区间，并对应四档仓位建议[2][8][18][21]： * 残差值 > `μ + 1σ`：高仓位 (80%-100%)[3][9][18] * `μ` < 残差值 < `μ + 1σ`：低仓位[21] * `μ - 1σ` < 残差值 < `μ`：中等仓位[21] * 残差值 < `μ - 1σ`：中高仓位[18] 3. 根据当期计算出的残差值，落入哪个区间，即给出对应的周度仓位建议[3][9]。 模型的回测效果 （报告未提供具体模型的回测绩效指标，如年化收益率、夏普比率等。报告主要展示了因子与未来收益的相关性及分组表现。） 因子的回测效果 1. **PB-ROE残差因子** * **与未来收益的相关性**：在A股市场，PB-ROE残差与未来第1周指数涨幅总体显著正相关[2][13]。 * **分组表现**：将残差值升序分为4组，残差值最高的第4组未来第1周涨幅显著最高，体现了正相关性；残差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[16]。 2. **基于PB-ROE残差的仓位信号因子** * **策略效果**：历史回测显示，依据该因子信号进行仓位择时的策略，能够有效降低回撤、提高收益[18]。