量化模型与构建方式 1. 模型名称：Barra 风格因子 - 模型构建思路：通过对市值、价值/成长等风格因子的收益表现进行跟踪分析，评估其在不同维度的表现[4][12] - 模型具体构建过程： - 市值因子：衡量大盘与小盘风格的收益差异 - 账面市值比因子：衡量价值风格的表现 - 成长因子：衡量成长风格的表现 - 盈利预期因子：衡量盈利预期对收益的影响[4][12] 2. 模型名称：开源交易行为合成因子 - 模型构建思路：将多个交易行为因子（理想反转、聪明钱、APM、理想振幅）进行加权合成，形成综合因子以捕捉交易行为的整体特征[32] - 模型具体构建过程： - 对各交易行为因子进行行业内去极值与标准化处理 - 滚动选取过去 12 期因子 ICIR 值作为权重 - 加权形成交易行为合成因子[32] 模型的回测效果 1. Barra 风格因子 - 市值因子：收益 1.65%[4][12] - 账面市值比因子：收益 0.15%[4][12] - 成长因子：收益 -0.03%[4][12] - 盈利预期因子：收益 0.14%[4][12] 2. 开源交易行为合成因子 - IC 均值：0.068[32] - rankIC 均值：0.091[32] - 信息比率（IR）：3.30[32] - 多空对冲月度胜率：83.2%[32] - 6 月份多空对冲收益：0.48%[32] - 近 12 个月多空对冲月度胜率：66.7%[32] --- 量化因子与构建方式 1. 因子名称：理想反转因子 - 因子构建思路：通过每日平均单笔成交金额的大小，切割出反转属性最强的交易日，捕捉 A 股反转之力的微观来源[5][39] - 因子具体构建过程： 1. 回溯选定股票过去 20 日的数据 2. 计算每日的平均单笔成交金额（成交金额/成交笔数） 3. 选取单笔成交金额高的 10 个交易日，涨跌幅加总，记作 M_high 4. 选取单笔成交金额低的 10 个交易日，涨跌幅加总，记作 M_low 5. 理想反转因子 M = M_high - M_low[39][41] 2. 因子名称：聪明钱因子 - 因子构建思路：通过分钟行情数据的价量信息，识别机构参与交易的多寡，构造跟踪聪明钱的因子[5][40] - 因子具体构建过程： 1. 回溯选定股票过去 10 日的分钟行情数据 2. 构造指标 $S_t = \frac{|R_t|}{V_t^{0.25}}$，其中 $R_t$ 为第 t 分钟涨跌幅，$V_t$ 为第 t 分钟成交量 3. 按 $S_t$ 从大到小排序，取成交量累积占比前 20% 的分钟，视为聪明钱交易 4. 计算聪明钱交易的成交量加权平均价 $VWAP_{smart}$ 5. 计算所有交易的成交量加权平均价 $VWAP_{all}$ 6. 聪明钱因子 $Q = \frac{VWAP_{smart}}{VWAP_{all}}$[40][42] 3. 因子名称：APM 因子 - 因子构建思路：衡量股价行为上午（或隔夜）与下午的差异程度[5][41] - 因子具体构建过程： 1. 回溯选定股票过去 20 日数据，记逐日隔夜的股票收益率为 $r_{overnight}$，下午的股票收益率为 $r_{afternoon}$ 2. 对隔夜与下午的收益率数据进行回归：$r_{overnight} = \alpha + \beta r_{afternoon} + \epsilon$，得到残差项 $\epsilon$ 3. 计算每日隔夜与下午残差的差值 $\delta_t = \epsilon_{overnight} - \epsilon_{afternoon}$ 4. 构造统计量 $stat = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$，衡量隔夜与下午残差的差异程度 5. 为消除动量因子影响，将 $stat$ 对动量因子进行横截面回归，回归残差值作为 APM 因子[41][43][44] 4. 因子名称：理想振幅因子 - 因子构建思路：基于股价维度对振幅进行切割，衡量高价态和低价态振幅信息的差异[5][46] - 因子具体构建过程： 1. 回溯选定股票最近 20 个交易日数据，计算每日振幅（最高价/最低价 - 1） 2. 选择收盘价较高的 25% 有效交易日，计算振幅均值，得到高价振幅因子 $V_{high}$ 3. 选择收盘价较低的 25% 有效交易日，计算振幅均值，得到低价振幅因子 $V_{low}$ 4. 理想振幅因子 $V = V_{high} - V_{low}$[46] --- 因子的回测效果 1. 理想反转因子 - IC 均值：-0.051[6][14] - rankIC 均值：-0.061[6][14] - 信息比率（IR）：2.53[6][14] - 多空对冲月度胜率：77.8%[6][14] - 6 月份多空对冲收益：0.52%[7][14] - 近 12 个月多空对冲月度胜率：58.3%[7][14] 2. 聪明钱因子 - IC 均值：-0.036[6][18] - rankIC 均值：-0.058[6][18] - 信息比率（IR）：2.70[6][18] - 多空对冲月度胜率：82.7%[6][18] - 6 月份多空对冲收益：0.11%[7][18] - 近 12 个月多空对冲月度胜率：83.3%[7][18] 3. APM 因子 - IC 均值：0.030[6][22] - rankIC 均值：0.034[6][22] - 信息比率（IR）：2.36[6][22] - 多空对冲月度胜率：78.2%[6][22] - 6 月份多空对冲收益：0.30%[7][22] - 近 12 个月多空对冲月度胜率：58.3%[7][22] 4. 理想振幅因子 - IC 均值：-0.055[6][26] - rankIC 均值：-0.072[6][26] - 信息比率（IR）：3.05[6][26] - 多空对冲月度胜率：84.7%[6][26] - 6 月份多空对冲收益：0.14%[7][26] - 近 12 个月多空对冲月度胜率：75.0%[7][26]