PB-ROE模型仓位择时与交易策略

张立宁SAC NO：S1120520070006杨国平SAC NO：S1120520070002 2026年3月4日 1时 间 序 列P B-R O E模 型 目录2A股 市 场P B-R O E偏 离 度 实 证3P B-R O E模 型 仓 位 择 时4P B-R O E模 型 关 键 交 易 信 号5P B-R O E模 型 行 业 轮 动 时间序列PB-ROE模型 横截面PB-ROE模型 •Wilcox (1984)提出了PB-ROE模型，在公司无分红和干净盈余假设(clean surplusassumption)前提下，对数PB与ROE之间为线性关系 其中 𝑻：公司保持异常利润(ROE不等于股东要求回报率)的时间窗口𝒓：净资产收益率ROE𝒌：股东要求回报率 •长期看公司的异常ROE会收敛到股东要求回报率，此时Τ𝑷𝑩𝑻回归到1，𝑳𝒏Τ𝑷𝑩𝑻=0，模型(1)简化为 •模型(1)和(2)反映的是股票间的横截面规律，既可以解释股票的当前定价，又能预测未来的收益差异。 时间序列PB-ROE模型 •Wilcox & Philips(2005)对横截面PB-ROE模型稍作改变，应用于指数的时间序列回报分析。使用的时间序列PB-ROE模型为 𝑳𝒏Τ𝑷𝑩𝟎=𝒂+𝒃∙𝑹𝑶𝑬+𝑪∙𝑹𝒆𝒂𝒍𝑰𝒏𝒕𝒆𝒓𝒆𝒔𝒕+𝒅∙𝑰𝒏𝒇𝒍𝒂𝒕𝒊𝒐𝒏(3) •由于股东要求回报率𝒌无法被观测，因此引入实际利率(𝑹𝒆𝒂𝒍𝑰𝒏𝒕𝒆𝒓𝒆𝒔𝒕)和通胀率(𝑰𝒏𝒇𝒍𝒂𝒕𝒊𝒐𝒏)作为代理变量，以反映宏观因素对估值的影响。模型使用CPI同比变化表征通胀率，同时实际利率=公司债收益率-CPI同比变化。 •模型残差的含义，是市场实际估值超出基本面所能支撑的合理估值的部分，即实际估值相对于合理估值的偏离： 当残差>0时，指数实际PB高于基本面拟合值，市场估值较高、情绪高涨；当残差<0时，指数实际PB低于基本面拟合值，市场估值较低、情绪低迷。 5•Wilcox & Philips(2005)研究了残差项与标普500指数未来月度回报之间的关系，结论是模型残差与指数未来回报负相关，即当前的较高估值会引起指数下跌、当前的较低估值会引起指数上涨，标普500指数体现出估值均值回复规律。 标普500指数残差与未来回报负相关 •图中Lag>0时表示当前残差与指数未来回报的相关性。以Lag=5为例，反映了t时刻残差与第t+5个月单月涨幅(而非t至t+5个月累计涨幅)，这两个数据序列的相关系数。 2 A股市场PB-ROE偏离度实证 A股市场PB-ROE模型有效性检验 •我们在A股市场检验时间序列PB-ROE模型，计算残差并将其定义为PB-ROE估值偏离度，评估在市场整体上的有效性。 •在回归方程(3)中，计算中证全指的整体法历史PB、ROE(TTM)，通胀率使用CPI当月同比，实际利率=10年期国债收益率-CPI当月变化。CPI数据使用滞后值，以确保不含未来信息。 •回归方程使用周频时间序列数据，自2010年起以固定长度的窗口数据向后滚动拟合回归方程参数。 •计算结果显示，回归方程历史平均调整后拟合优度为0.56，最高超过0.80，说明指数PB主要由盈利、实际利率、通胀环境驱动，模型有较强的解释能力。 PB-ROE模型调整后拟合优度 估值偏离度与未来涨幅相关性 •接下来检验PB-ROE估值偏离度与未来涨幅的相关性，以及相关系数的显著性，以评估是否能够用于预测未来指数回报。 •在拟合回归方程时，以窗口长度=10为例，使用第t-9至第t周的窗口数据，每完成一次回归，可以得到长度为10的残差序列，取最新日期t的残差值，作为t日的估值偏离度。如果要评估与下周(Lag=1)指数涨幅的相关性，则统计第t+1周指数涨幅；如果要评估与未来第5周指数涨幅的相关性，则统计第t+5周指数涨幅；以此类推。 •随着回归窗口向后滚动，可以得到两个长度相等的序列：估值偏离度序列、特定Lag周期的指数涨幅序列，计算两个数据序列的相关系数。 我们计算从Lag=1至Lag=30周的相关系数，结果显示：1.与标普500指数相反，中证全指的估值偏离度与未来回报正相关，即主要体现为估值动量，而不是均值回复；2.估值偏离度与未来第1周、第2周涨幅的相关系数具有统计显著性。 估值偏离度与未来两周涨幅显著相关 •估值偏离度与指数未来第1周、第2周涨幅的相关系数分别为0.08、0.06，显著性水平p-value分别为1.97%、7.92%，相关系数具有统计显著性。 估值偏离度趋于极端时相关性明显提升 •当估值偏离度远离历史均值，其与未来涨幅的相关性和显著性水平均有明显提升。 •当偏离均值超过0.5倍标准差时，与指数未来第1周涨幅的相关系数为0.12，p-value为1.10%；偏离均值超过1倍标准差时，相关系数为0.21，p-value为0.19%。 估值偏离度分组涨幅表现 •尽管估值偏离度与未来第1周涨幅正相关、且具有显著性，但相关系数绝对值较低，说明两者之间可能存在非单调或非线性的变化规律。 •进一步对估值偏离度分组，并从小到大排序，分别分为5组、4组和3组，计算每组样本内指数的未来第1周平均涨幅。•组数较多时，可见收益递增但不严格单调；组数较少时，收益变化呈U型分布。 估值偏离度交易策略 •不管如何分组，在对中证全指的分析中，估值偏离度最高组的涨幅都明显最高，说明市场整体估值动量效应非常显著。当估值偏离度降低时，涨幅先降后升，呈U型分布。 •过少的分组不足以提炼规律，过多的分组又可能导致过拟合，我们对中证全指的分析采用4分组。4分组时，主要把握估值偏离度极高和极低两种状态下的市场整体投资机会。 •我们计算估值偏离度与历史均值的偏离标准差倍数，来衡量估值水平的高与低，得到以下三类交易策略： 1.基于估值状态的仓位择时 2.关键时刻的交易信号提示 PB-ROE模型仓位择时 PB-ROE模型仓位择时策略 •根据PB-ROE估值偏离度与未来涨幅的U型分布规律，对中证全指采用以下仓位择时策略：(1)估值偏离度很高：残差值>均值+1倍标准差时，市场情绪高涨、估值快速扩张，处于交易赔率最高的阶段，保持高仓位(2)估值偏离度较高：均值<残差值<均值+1倍标准差时，指数估值较高、并且市场没有形成明确趋势，保持低仓位(3)估值偏离度较低：均值-1倍标准差<残差值<均值时，指数估值较低，具备反弹动能，保持中等仓位(4)估值偏离度很低：残差值<均值-1倍标准差时，指数估值极低、反弹动能强烈，同样具有较高交易赔率，保持中高仓位 •我们对中证全指进行周频仓位择时，观察策略效果。 仓位择时策略效果 •我们设定高仓位、低仓位、中等仓位、中高仓位的具体水平分别为100%、10%、60%、80%，回测结果显示仓位择时策略能够有效降低回撤。 •2014/1/3-2026/2/27，择时组合、基准的累计涨幅分别为283.45%、122.61%，最大回撤分别为33.04%、57.01%，年化波动率分别为16.01%、22.16%。 仓位择时历史信号 •历史上高仓位、低仓位、中等仓位、中高仓位天数占比分别24%、32%、29%、15%。 历史信号与仓位 4 PB-ROE模型关键交易信号 PB-ROE模型区域交易信号统计 •我们统计估值偏离度值在不同区域时的信号绩效，衡量做多和做空(空仓)的性价比。估值偏离距均值较远时，统计做多胜率和赔率；距均值较近时，统计做空胜率和赔率。 区域交易信号绩效分析 •在高估值偏离度区域，做多的性价很高： 当估值偏离度>均值+1倍标准差时，胜率、赔率分别为59.6%、1.4当估值偏离度>均值+2倍标准差时，胜率、赔率分别达到60.0%、2.0 •在中高估值偏离度区域，做空的性价比较高： 当均值<估值偏离度<均值+0.3倍标准差时，做空胜率、赔率分别为54.9%、1.8当估值偏离度继续提升，做空胜率、赔率下降，做多胜率、赔率提升 •在中低估值偏离度区域，做多胜率较高，但做多赔率<1： 当均值>估值偏离度>均值-0.3倍标准差时，做空胜率、赔率分别为38.3%、1.2当均值>估值偏离度>均值-0.5倍标准差时，做空胜率、赔率分别为39.3%、1.3 •在低估值偏离度区域，做多胜率有一定优势，但赔率较低： 当估值偏离度<均值-1倍标准差时，胜率、赔率分别为54.3%、1.0当估值偏离度进一步降低时，胜率会迅速下降 高估值偏离度区域交易信号 •做多确定性最高的交易机会出现在高估值偏离度区域，即估值偏离度明显超过历史均值。此时处于估值快速扩张阶段，市场有极强的动量效应，做多具有高胜率和高赔率。 •以估值偏离度>μ+2.5σ为例，胜率68.0%、赔率1.9。 低估值偏离度区域交易信号 •做多确定性次高的交易机会出现在较低估值偏离度区域，即估值偏离度适当低于历史均值，位于[μ-0.3σ,μ-1.5σ]之间。这一区域内估值安全边际高，下跌空间有限、蕴含反弹动能，因此做多胜率较高。但由于市场情绪低迷、不支持大幅反弹，因此赔率较低。 •如果估值偏离度继续下降，意味着市场处于深度下跌趋势中，下跌动量效应显著，趋势难以扭转，因此胜率下降；但此时易出现短时暴力反弹，因此赔率升高。 •这里展示2022年以来估值偏离度在[μ-0.3σ,μ-1.5σ]区间的信号记录。 中高估值偏离度区域交易信号 •中高估值偏离度区域有较高的做空(空仓)胜率和赔率。此时估值较高，超过历史均值，但又没有高到足以形成牛市共识。因此市场更多担忧高估值的压制，更容易出现下跌。 •这里展示2022年以来估值偏离度在[μ,μ+0.3σ]区间的信号记录。 5 PB-ROE模型行业轮动 PB-ROE模型行业轮动组合 •我们将估值偏离度应用于行业走势的判断，并形成行业轮动组合。与中证全指相比，各行业的走势特点不同，行业间估值偏离度与未来涨幅之间的规律也有明显差异。 •基础化工、银行、公用事业、煤炭、石油石化等低估值周期行业估值偏离度与未来涨幅的相关系数<0，即存在均值回复特征；其他多数行业相关系数>0，与中证全指一致。 多头、空头行业组合仓位规则 •我们根据每个行业的相关系数特点确定仓位。 对于相关系数>0的行业，随着估值偏离度的提升，逐渐增加仓位。对于相关系数<0的行业，随着估值偏离度的提升，逐渐降低仓位。具体规则为： •定期计算全部行业的仓位，并按仓位数值高低排序，多头行业组合选择仓位最高的前5个行业，空头行业组合选择仓位最低的前5个行业。 多头行业组合走势 •2014/1/2-2026/2/27，多头行业组合累计收益330.35%，行业等权组合累计收益128.36%，多头行业组合跑赢基准，超额收益为201.99%。 空头行业组合走势 •2014/1/2-2026/2/27，空头行业组合累计收益14.48%，行业等权组合累计收益128.36%，空头行业组合超额收益为-113.88%，能够较好的对行业做出负面排除。 风险提示 •量化报告的结论基于历史统计规律，当历史规律发生改变时，报告中的模型和结论可能失效。 分析师承诺 作者具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，保证报告所采用的数据均来自合规渠道，分析逻辑基于作者的职业理解，通过合理判断并得出结论，力求客观、公正，结论不受任何第三方的授意、影响，特此声明。 华西证券研究所： 免责声明 华西证券股份有限公司（以下简称“本公司”）具备证券投资咨询业务资格。本报告仅供本公司签约客户使用。本公司不会因接收人收到或者经由其他渠道转发收到本报告而直接视其为本公司客户。 本报告基于本公司研究所及其研究人员认为的已经公开的资料或者研究人员的实地调研资料，但本公司对该等信息的准确性、完整性或可靠性不作任何保证。本报告所载资