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]。

核心观点 报告将横截面PB-ROE模型扩展至时间序列分析，构建了用于A股市场（以中证全指为代表）的估值偏离度指标[11][12] 该指标与未来市场回报呈现正相关，表明A股市场整体表现出估值动量效应，而非如标普500指数般的均值回复[13][26] 基于估值偏离度与未来涨幅呈U型分布的规律，报告构建了周频仓位择时策略和行业轮动策略，回测显示均能有效创造超额收益[39][41][47][71][77] 模型构建与A股市场实证 - **模型基础**：时间序列PB-ROE模型用于分析指数估值，其残差（估值偏离度）代表市场实际估值相对于基本面（由ROE、实际利率、通胀率驱动）合理估值的偏离[12][14] 当残差>0时，市场估值较高、情绪高涨；残差<0时，市场估值较低、情绪低迷[13] - **A股模型有效性**：应用于中证全指的模型历史平均调整后拟合优度为0.56，最高超过0.80，表明指数PB主要由盈利、实际利率和通胀环境驱动，模型解释能力较强[20] - **A股市场特征**：与标普500指数相反，中证全指的估值偏离度与未来回报呈正相关，主要体现为估值动量[26] 估值偏离度与未来第1周、第2周涨幅的相关系数分别为0.08和0.06，且具有统计显著性[29] 当估值偏离度远离历史均值时，相关性显著提升，例如偏离超过1倍标准差时，与未来第1周涨幅的相关系数升至0.21[35] 仓位择时策略 - **策略逻辑**：根据估值偏离度与未来涨幅的U型分布规律，将市场状态分为四类并对应不同仓位[41][43] 1. **估值偏离度很高**（>均值+1倍标准差）：市场情绪高涨，估值快速扩张，交易赔率最高，保持100%高仓位 2. **估值偏离度较高**（均值<残差值<均值+1倍标准差）：估值较高但趋势不明，保持10%低仓位 3. **估值偏离度较低**（均值-1倍标准差<残差值<均值）：估值较低，具备反弹动能，保持60%中等仓位 4. **估值偏离度很低**（残差值<均值-1倍标准差）：估值极低，反弹动能强烈，保持80%中高仓位 - **策略效果**：回测期间（2014/1/3-2026/2/27），择时组合累计涨幅为283.45%，远超基准的122.61%[47] 择时组合最大回撤为33.04%，年化波动率为16.01%，均显著优于基准的57.01%和22.16%[47] 历史上，高、低、中等、中高仓位天数占比分别为24%、32%、29%、15%[48] 关键交易信号分析 - **高估值偏离度区域**：做多性价很高，处于估值快速扩张阶段，动量效应极强[57][59] 例如，当估值偏离度>均值+2倍标准差时，做多胜率达60.0%，赔率达2.0[53][57] 当>均值+2.5倍标准差时，胜率进一步提升至68.0%，赔率为1.9[53][59] - **中高估值偏离度区域**：做空（空仓）性价比较高，市场担忧高估值压制[57][63] 例如，当估值偏离度在[均值, 均值+0.3倍标准差]区间时，做空胜率为54.9%，赔率为1.8[53][57] - **低估值偏离度区域**：做多确定性次高，估值安全边际高，下跌空间有限，但赔率较低[57][61] 当估值偏离度在[均值-0.3倍标准差, 均值-1.5倍标准差]区间时，做多胜率较高[61] 若估值偏离度进一步降低，胜率会迅速下降[57] 行业轮动应用 - **行业特征差异**：各行业估值偏离度与未来涨幅的相关性不同[67] 基础化工、银行、公用事业、煤炭、石油石化等低估值周期行业呈现均值回复特征（相关系数<0），而其他多数行业与中证全指一致，呈现动量特征（相关系数>0）[67] - **轮动策略构建**：根据行业相关性特点动态调整仓位，对于相关系数>0的行业，随估值偏离度提升而增加仓位；对于相关系数<0的行业，则随估值偏离度提升而降低仓位[68] 每周选择仓位最高的前5个行业构成多头组合，仓位最低的前5个行业构成空头组合[68] - **策略表现**：回测期间（2014/1/2-2026/2/27），多头行业组合累计收益达330.35%，显著跑赢行业等权基准的128.36%，超额收益为201.99%[71] 空头行业组合累计收益仅为14.48%，相对基准超额收益为-113.88%，显示出良好的负面排除能力[77]

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]。

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]。