深度研究：PB-ROE定价模型与残差因子初探-20211123-华泰证券-30页_2mb

PB-ROE定价模型与残差因子初探总结

核心内容

本文围绕Jarrod Wilcox在1984年提出的PB-ROE定价模型展开研究，分析其在横截面上对股票估值与ROE之间的线性关系，并探讨其在实际应用中的局限性与优化方法。模型通过公式：

$$
\log \left(\frac {P}{B}\right) = ROE \cdot T - k \cdot T
$$

提供了一种从基本面推演价格的框架。然而，模型在实际应用中面临样本分布不理想、回归解释力不足、离群值干扰等问题，因此提出数据预处理和引入Beta因子等优化思路。

主要观点

1. 模型基础
   PB-ROE模型基于投资者预期收益率与资产增长的逻辑，将市净率（PB）与净资产收益率（ROE）进行对数线性回归，试图构建横截面的合理定价关系。模型假设在投资周期T内，PB将收敛至常数，且期望收益率k为常数。

2. 模型局限性

   • 模型在宽基指数回归中表现不佳，尤其是中证全指的R2值仅为2%左右，几乎没有解释力。
   • 离群值对回归结果影响较大，尤其在ROE指标中，下侧离群值对模型解释力造成显著干扰。
   • 原模型假设期望收益率k为常数，与实际中个股的收益与风险匹配不符，且投资周期T对不同个股差异较大。

3. 数据预处理优化

   • 对Ln(PB)进行5% Winsorize处理，以降低离群值影响。
   • 引入折中ROE（基于期初与期末资产净值的平均），以缓解ROE的不对称性问题。
   • 预处理后，模型的回归表现显著提升，尤其在沪深300和中证500中，R2均超过10%。

4. 引入Beta因子优化

   • 通过引入CAPM模型中的Beta因子，对期望收益率k进行解释，提升了模型的解释力。
   • 引入Beta因子后，调整后R2进一步提升，且Beta与ROE存在一定的负相关性，表明两者间存在共线性，但仍在合理范围内。

5. 行业划分优化

   • 分行业进行回归，有助于缓解投资周期T的差异问题。
   • 同一行业内的个股在PB和ROE上更为相似，回归表现优于宽基指数。
   • 但行业回归仍面临样本量减少、参数显著性不均等问题。

6. 残差因子有效性

   • 残差因子与常规估值因子（如PE）相关性较高，有效性接近PE，优于PB和PS。
   • 在特定策略应用中，残差因子构建的低估值组合表现优于PB因子，且在价值动量策略中表现出更好的优化效果。
   • 基于ROE的样本提纯是可行的优化方向。

关键信息

• 模型表现：原始模型在宽基指数中表现不佳，尤其在中证全指中，R2均值仅为1.98%。
• 离群值处理：对Ln(PB)和ROE进行5% Winsorize处理，能有效降低离群值对回归的影响。
• 折中ROE：通过计算期初与期末资产净值的平均，得到更稳健的ROE指标。
• 引入Beta因子：在模型中加入Beta因子，能够提升模型的解释能力，但其与ROE存在负相关。
• 分行业回归：行业划分有助于提升模型的解释力，但不同行业的表现差异较大。
• 残差因子：在特定策略中，残差因子表现优于传统估值因子，具有一定的替代优势。

小结

本文通过数据预处理（如Winsorize和折中ROE）以及引入Beta因子和分行业回归等方法，对PB-ROE模型进行了优化，提升了模型在横截面定价中的解释力。同时，残差因子在特定场景下表现出良好的有效性，可能在价值投资策略中具有替代传统估值因子的潜力。然而，模型仍面临一定的局限性，如对市场预期的假设、Beta因子与ROE的共线性、以及行业差异带来的影响。因此，进一步探索更精细的解释因子和对成分股的聚类可能是优化模型的方向。