市场环境与策略背景 [page::2][page::3][page::4]

• 2018-2020年市场盈利能力持续下行，投资者爱好业绩确定性强的白马龙头股，伴随基金抱团现象推升核心资产估值[page::2]。

- 2021年核心资产估值抬升导致收益波动加大，茅指数表现弱于沪深300指数，风险逐步显现[page::3]。

• 盈利与估值存在轮动关系，2021年估值因子出现反转，经济回暖背景下低估值优质股可能迎戴维斯双击机会[page::4]。

PB与ROE关系及模型构建 [page::7][page::8][page::9][page::10][page::11]

• 理论与实证表明PB与ROE呈正相关。PB-ROE线性关系经过数学推导确认，采用截面回归模型进行拟合，去除负PB和ROE的样本[page::7][page::8][page::9][page::10]。

- 行业属性对PB-ROE关系有显著影响，引入行业哑变量回归显著提升模型拟合度，PB-ROE模型需做行业中性化处理[page::11]。

PB-ROE截面匹配模型表现及修正 [page::12][page::13][page::14][page::15]

• 截面匹配模型选择行业及市值中性化后的残差作为预期差，构造PB-ROE-200组合，模型在2017年后表现疲软，原因在于模型较高持仓了低ROE高PB的股票[page::12][page::13]。

- 模型通过等权合成ROE与残差项进行修正，使策略持仓偏向高ROE股票，显著提升策略收益，修正模型在2019年后持续贡献正超额收益[page::14][page::15]。

超预期因子及质优股因子增强测试 [page::16][page::17][page::18][page::19][page::20]

• SUE因子表现优异，衡量业绩超预期的持续性超额收益[page::16]。

- JOR因子反映财报发布后股票跳空超预期收益，多头组表现明显优于市场[page::17]。

• DELTAROE、ROICenchance及GPOA因子衡量成长性和质优股特征，单调性良好，2021年表现突出[page::18][page::19][page::20]。

PB-ROE-50组合构造及调仓机制 [page::21]

• 初始股票池为PB-ROE匹配选出的200只预期差股票，结合2个超预期和3个质优因子，等权合成排序后选出前50只构建投资组合，月度调仓[page::21]。

策略业绩表现：全市场及分市场样本 [page::23][page::24][page::25][page::26][page::27][page::28]

| 年份 | 日度胜率 | 策略收益率 | 超额年化收益 | 超额年化波动 | 夏普比率 | 最大回撤 |
|-------|---------|------------|--------------|--------------|--------|---------|
| 全样本(2010-2021) | 56.69% | 1437.99% | 22.78% | 10.88% | 1.73 | 16.40% |

• 策略全样本年化超额收益达22.78%，最大回撤16.40%，夏普比率1.73，2021年样本外超额收益大幅提升达到42.01%。

- 中证500和中证800子样本表现同样优异，年化超额收益分别为19.44%和19.86%，最大回撤分别为10.02%和19.06%[page::23][page::25][page::27]。

策略收益来源分析 [page::30][page::31][page::32][page::33]

• 策略收益来源一为行业风格轮动，策略重仓行业在ROE周期提升阶段显著超配，钢铁、有色、基础化工等行业表现强劲[page::30][page::31][page::32]。

- 收益来源二为股票戴维斯双击，选取合盛硅业和新希望为案例，股票在ROE提升阶段获得估值修复，体现策略低估值与超预期相结合的选股逻辑[page::33]。

策略画像与总结展望 [page::34][page::35]

• 策略结合行业轮动和股票层面的戴维斯双击，均衡捕捉收益来源，具备SmartBeta属性。

- 策略基于预期匹配构建PB-ROE模型，利用超预期及质优股因子持续优化因子组合，表现稳健且适应市场环境[page::34][page::35].

超预期视角下的PBROE选股策略研究报告详尽分析

---

1. 元数据与报告概览

报告标题: 《超预期视角下的PBROE选股策略——量化选股系列报告之三》
发布机构: 光大证券研究所金融工程研究团队
时间: 截止数据为2021年10月，报告发布应接近该时间
主题: 以市场超预期视角切入，通过PB-ROE匹配构建量化选股策略，结合超预期和优质因子，挖掘低估值叠加盈利能力优异的机会，推荐构建有效的投资组合。策略覆盖全市场、中证500、中证800等多个股票池，明确行业轮动和戴维斯双击为收益核心逻辑。

核心论点:

• 市场盈利能力存在周期性和轮动，估值因子经过长期失效后开始反转，PB因子结合ROE匹配能够挖掘预期差。

- 构建PB-ROE截面匹配模型筛选股票，发现原模型存在偏差，需修正以提升ROE权重。

• 引入超预期（SUE、JOR）及质优（DELTAROE、ROICenchance、GPOA）因子构建PB-ROE-50组合，实现收益提升。

- 策略收益主要来源于行业轮动（ROE周期主导）和股票层面的估值切换（戴维斯双击）。

• 该策略在全市场、沪深中证系列指数股票池均表现优异，历年稳定产生超额收益，风险可控。

---

2. 逐节深度解读

2.1 市场背景与策略动因（第2-4页）

• 市场盈利能力趋势: 2018-2020年A股市场净利润预测呈下滑趋势，投资者愈发追求盈利确定性的白马龙头股，形成抱团现象（图1显示万得全A指数一致预测净利同比下行）。基金重仓股集中，且多为高市盈率、高盈利龙头（如宁德时代、市盈率246倍，贵州茅台48倍）[page::2]。

- 2020年以来风险抬升: 2021年核心资产（以“茅指数”代表）估值大幅抬升后，出现显著波动，茅指数收益落后沪深300指数5.5个百分点，体现风险逐步显现（图2）[page::3]。

• 策略建构启示: 经济和利润周期决定风格轮动，经济回暖阶段低估值价值股存在戴维斯双击机会，PB因子有望获得反转收益（图3-4）[page::4]。

2.2 理论基础与PB-ROE关系（第6-9页）

• 预期匹配思想: 选股基于估值预期（PB）与盈利预期（ROE）的匹配，寻找预期差。市场对基本面认知滞后，存在超预期收益空间[page::6]。

- 选择PB和ROE原因: 通过基本会计关系给出净资产与市值递推公式，证明在PB和ROE不变的假设下，股价收益率与PB负相关，与ROE正相关，体现因子经济含义[page::7]。

• 实证关系: 散点图展示PB与ROE截面层面显著正相关关系（图5），数学模型进一步采用微分方程推导，表明 $\ln(PB)$ 与ROE理论存在线性关系（$ \log(P/B) = \alpha + \beta \cdot ROE + \varepsilon $），为构建模型提供理论支撑[page::8-9]。

2.3 数据预处理与行业中性（第10-11页）

• 剔除PB、ROE负值公司，避免财务异常股票干扰。

- 对ROE进行逆正态化处理标准化，确保数据分布符合建模假设，但牺牲部分距离信息（图6）[page::10]。

• 行业差异显著，不同行业对应ROE和PB水平截然不同（图7）。

- 行业哑变量引入回归，拟合度大幅提升（图8），显示行业中性调节必不可少[page::11]。

2.4 PB-ROE截面匹配模型构建及缺陷（第12-13页）

• 建立截面回归模型，残差即为股票PB-ROE匹配的偏离度，取偏离最大200只股票作为投资池（图9）[page::12]。

- 发现策略2017年后与PB因子高度相关，策略中大量持仓低ROE高PB股票，违背模型初衷（图10）[page::13]。

2.5 模型修正与ROE权重提升（第14-15页）

• 采用ROE与残差项等权合成因子，优化模型，使持仓向高ROE偏移（图11），提升模型有效性和解释力。

- 修正模型后策略收益性继续保持正向超额，尤其2019年后表现明显优于原模型（图12）[page::14]。

• 应用等权合成策略，基于修正模型筛选排名前200股票构筑PB-ROE-200组合（图15）[page::15]。

2.6 超预期和质优因子增强测试（第16-20页）

• 超预期因子:

- SUE（标准化业绩超预期指标）持续优异，2021年9月略微回调，分组收益显著递增（图13，14）[page::16]。
- JOR（公告跳空幅度剔除市场因素）多头有明显超额收益，分组单调性一般（图15，16）[page::17]。

• 质优股因子:

- DELTAROE（ROE同比增长率）单调性良好，2021年表现突出，持仓收益稳健（图17，18）[page::18]。
- ROICenchance（ROIC成长性、稳定性、持续性等权合成）分组显著跑赢，反映综合财务质量（图19，20）[page::19]。
- GPOA（总资产毛利率）衡量盈利质量，近年表现优异（图21，22）[page::20]。

2.7 PB-ROE-50组合构建（第21页）

• 于PB-ROE-200股票池内，结合两个超预期因子（SUE、JOR）和三个质优因子（GPOA、DELTAROE、ROICenchance）等权打分，选取前50只构成最终投资组合，月度调仓[page::21]。

2.8 策略历史业绩表现（全市场与细分股票池，2010年至今）（第23-28页）

• 全市场:

- 年化超额收益22.78%，最大回撤16.4%，夏普1.73，2021年迄今超额年化42.01%，绝对收益32.84%（图23，表2）[page::23]。

• 中证500:

- 年化超额收益19.44%，最大回撤10.02%，夏普2.23，2021年超额年化41.40%，绝对收益42.48%（图25，表3）[page::25]。

• 中证800:

- 年化超额收益19.86%，最大回撤19.06%，夏普1.52，2021年超额年化52.51%，绝对收益34.46%（图27，表4）[page::27]。

• 样本外测试保持一致性表现，2021年单年表现优异（图24，26，28）[page::24,26,28]。

2.9 策略收益拆解——行业轮动（第30-32页）

• 策略持仓出现显著行业轮动特征，超配行业组合明显跑赢低配行业组合（图29）。

- 以钢铁行业为例，策略加仓发生于行业ROE同比中位数上升阶段，ROE周期性变动明显主导组合的行业轮动，表现出Smart Beta属性（图30）[page::30,32]。

2.10 策略收益拆解——股票戴维斯双击（第33页）

• 采用案例分析展示两只典型股票的戴维斯双击过程：

- 合盛硅业（603260.SH）持仓期间，ROE大幅提升，估值处于低位，高ROE推动估值重估和股价上涨。
- 新希望（000876.SZ）选股初期ROE上升但PB下降，策略持仓，后估值提升但ROE下滑，策略适时卖出（图31，32）。

• 生动展示了PB-ROE匹配中超预期与低估值结合实现收益的机制[page::33]。

2.11 策略画像与总结（第34-35页）

• 策略收益来源归纳为两部分：

- 行业风格轮动：基于ROE周期的行业景气度变化调整行业配置，兼具Smart Beta特征。
- 股票级戴维斯双击：基于PB-ROE预期差组合结合超预期及质优因子筛选，实现估值与盈利双击。

• 逻辑闭环清晰，覆盖市场、行业、个股多个层面，充分利用业绩超预期捕捉价值重估机会（图34，35）[page::34,35]。

2.12 风险提示与声明（第36-38页）

• 结果基于历史数据，未来存在不确定性，策略表现可能无法持续复制[page::36]。

- 报告说明了研究员资格、评级体系、免责声明等合规内容，强调投资决策需谨慎，非投资建议[page::38]。

---

3. 图表深度解读

图1（第2页）：“万得全A指数一致预测净利润同比”走势图

• 展示2013-2021年周期内一致预测净利润同比情况，整体盈利能力于2020年出现较大幅度下行，2021年下半年开始回升，显示盈利波动影响估值判断。

- 图形配合2020年投资者转向高盈利确定性白马股的文字说明，强化抱团逻辑[page::2]。

表1（第2页）基金前十大重仓股市盈率及涨跌幅

• 涵盖如宁德时代（PE 246倍，2020涨230%，2021年涨68%）、贵州茅台（PE 48倍，2020涨70%，2021年跌8.5%）等高估值优质龙头，反映基金抱团股特征及市值偏好[page::2]。

图2（第3页）茅指数与沪深300走势比较

• 茅指数估值峰值后波动加大，2021年整体表现弱于沪深300，提示核心资产风险回调，强调估值风险[page::3]。

图3-4（第4页）估值与盈利关系及估值因子反转

• 图3展示盈利增长和ROE/PB收益率的轮动特征，红线反映ROE相对PB的收益倍率，明显走出周期性波动。

- 图4显示2021年PB多头组合净值线上涨，验证估值因子反转，反映市场价值股开始复苏[page::4]。

图5（第8页）PB vs ROE散点图

• 样本为中证800成分股，PB与ROE正相关趋势明确（R²=0.1426），支持后续用回归模型分析预期差[page::8]。

图6（第10页）Ln(PB)与逆正态化ROE散点图

• 标准化处理后依旧保持正相关性（R²=0.1275），数据清洗和预处理效果理想，有效为回归建模奠定基础[page::10]。

图7-8（第11页）行业ROE和PB中位数柱状图及模型拟合优度

• 显著行业差异显示PB-ROE关系需行业中性化调整以提升解释力；加入行业哑变量后模型R²大幅提升[page::11]。

图9（第12页）PB-ROE截面匹配模型净值曲线

• 2017年后策略净值走平甚至下滑，与PB因子高度重合，验证模型需改进，保留历史有效期特征[page::12]。

图10（第13页）持仓散点图

• 大量持仓股票为低ROE高PB，说明模型偏误导致选择了与策略目标背离的标的[page::13]。

图11-12（第14页）修正模型持仓散点图与性能对比

• 修正后持仓向高ROE偏离，图中红点代表持仓，呈现清晰高ROE集中趋势。

- 回测显示修正模型优于原始模型，强化了ROE的选股筛选能力[page::14]。

图13-16（第16-17页）SUE与JOR超预期因子分组表现

• 分组净值呈递增趋势，显示两指标具备优异的超额收益捕捉能力，尤其SUE表现稳健，JOR多头组有显著超额收益[page::16-17]。

图17-22（第18-20页）DELTAROE、ROICenchance、GPOA质优因子表现

• 各因子均呈现良好单调性及显著的超额业绩，强化策略质优股筛选能力，特别是2019年后放量明显[page::18-20]。

图23-28（第23-28页）综合策略业绩展示（全市场、中证500、中证800）

• 净值曲线清晰呈现长期稳健增长趋势，多次回撤后均迅速反弹。

- 2021年样本外表现尤为突出，实现40%以上超额年化收益与两倍以上的夏普比率水平，表现极具竞争力[page::23-28]。

图29-30（第30、32页）行业轮动与钢铁行业典型分析

• 行业轮动特征明显，超配组合持续跑赢低配组合。

- 钢铁行业配置量的上升紧密对应行业ROE同比增长，强化ROE周期驱动行业配置的逻辑[page::30,32]。

图31-32（第33页）戴维斯双击个股案例分析

• 通过合盛硅业、新希望ROE与PB变化，直观体现基于超预期匹配导致的股票估值修复和股价弹性，验证策略核心逻辑[page::33]。

图34-35（第34-35页）策略模型与收益来源视觉总结

• 以图示方式总结两大收益来源以及对应选股思路，结构清晰易理解[page::34,35]。

---

4. 估值分析

本报告未直接给出估值目标价或DCF等细节估值模型，核心估值方法体现在PB因子选股中，体现为基于市净率（PB）与净资产收益率（ROE）的匹配及超预期捕捉。

• 通过数学推导和回归，建立了$\ln(PB)$与ROE的线性关系，从而在行业中性化框架下，利用回归残差捕捉估值的预期偏离。

- 策略修正阶段加入了ROE权重提升的合成因子，优化了估值匹配的准确性。

• 结合超预期与质优股因子，实现了估值低估叠加盈利能力提升的戴维斯双击，间接反映了成长性和财务质量对估值提升的支持。

所以本策略估值思路为结合PB对市场定价的反馈基础上，通过ROE及盈利预期因子修正，强调估值合理性和盈利匹配。此外，行业轮动及超预期因子天然形成了动态估值及风格切换，这是一种多因子量化策略下的估值动态调整。

---

5. 风险因素评估

• 历史数据的有限性风险: 报告明确指出策略基于历史数据，未来市场环境可能发生重要变化，导致策略无法复制过往收益[page::36]。

- 因子失效风险: PB因子及PB-ROE模型本质为有一定周期性的风格因素，可能面临估值泡沫破裂或盈利周期扭转的风险。

• 行业轮动风险: 行业配置受ROE周期影响，若宏观经济或政策快速逆转，行业轮动判断失准会带来一定损失。

- 超预期因子风险: 超预期因子基于业绩公告后的市场反应，财报数据异常或市场异常波动或带来误判。

• 市场流动性风险: 高频调仓，特别是精选50只活跃股票，若行情大幅波动可能遭遇流动性不足带来的交易成本增加。

- 模型假设及数据问题: 标准化处理和行业中性回归等技术手段可能对模型表现产生影响，数据变异性和异常值可能导致模型效果偏离。

报告并未详述缓解策略，投资者应结合自身风险偏好谨慎部署。

---

6. 批判性视角与细微差别

• 模型本身的局限: 经典的PB-ROE模型在2017年后明显失效，反映市场结构或因素偏好变化对模型稳健性构成挑战，不能简单依赖单一因子。策略通过合成因子修正部分克服，但仍需持续监控有效性。

- 因子选取依赖历史表现: 超预期和质优股因子表现优异，但因子构建均基于历史财报数据，存在因财报品质、会计处理差异等带来的潜在误导风险。

• 行业中性处理的权衡: 行业中性回归提高模型拟合度，但可能忽略某些周期行业内个股成长性差异，增加模型复杂性和过拟合风险。

- 回测时间区间与样本: 回测起点为2010年，涵盖周期多样，但一些极端市场行情或政策事件未必充分反映。

• 策略调仓频率及实际落地难度: 月度调仓和持仓限制在50只股票，有助于交易成本控制，但在极端行情下执行风险和高频调仓的实际操作可行性需关注。

- 超预期因子反应实时性: 财务发布与市场反应的时间差和市场噪声可能影响因子准确性，数据延迟对短期超额收益存在影响。

整体来看，报告充分反映了模型的理论依据和实证表现，但实际操作时需关注市场结构变化、因子失效风险及数据质量。

---

7. 结论性综合

本报告系统地梳理了基于PB-ROE匹配框架下的超预期视角选股策略构建全过程，对市场盈利周期、估值轮动提供了深刻理解与利用路径，通过数学模型建构及行业调整，刻画了资产估值与盈利预期的关系。
策略基于截面回归残差构造预期差，融合ROE权重修正，并结合业绩超预期及质优因子筛选，最终构造PB-ROE-50组合，强调低估值与盈利改善的协同驱动。
策略在全市场、中证500、中证800等投资池回测与样本外验证中表现优异，实现了20%以上超额年化收益及夏普比率超过1.5，2021年尤为突出，验证其在当前市场环境中的有效性。
收益来源主要分为两块：

• 基于ROE周期引导的行业风格轮动，具有明显Smart Beta属性，能够灵活调整行业偏好以适应经济周期；

- 个股层面的戴维斯双击效应，依托于盈利超预期引发的估值重估，实现选股 alpha。
报告配合丰富的图表清晰展现了理论、建模、因子检验和收益表现，结构完整，论据充分。
风险提示合理提醒了历史数据的局限性及因子失效可能，提示投资者理性对待策略成果。

总之，本策略为结合市场盈利预期与估值匹配的量化选股体系，兼顾行业周期与个股成长，具备较强的市场适应性和持续盈利潜力，适合以超额收益为目标的主动投资者重点关注[page::2,3,4,6-8,11-15,16-20,23-28,30-35]。

---

总体评价

这份报告在理论与实证两层面扎实开展PB-ROE匹配的量化选股策略研究，方法科学、数据充分且逻辑清晰。通过结合超预期和优质因子的加入，策略明显提升了早期模型的有效性和选股能力。全样本及样本外测试均证明策略具有较强的稳定性和竞争力。行业轮动与股票戴维斯双击收益解析为策略实施提供了明确的资金配置与择股依据。唯一不足是缺乏对模型潜在失效的预判体系和操作风险管理的深入讨论，实际落地时需辅以严格交易纪律与风控约束。整体而言，这是一份具有较高专业含量和实用价值的量化策略研究报告。

报告