量化因子与构建方式 1. 因子名称：理想反转因子 - 因子的构建思路：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[5][12] - 因子具体构建过程： 1. 对选定股票，回溯取其过去20日的数据 2. 计算该股票每日的平均单笔成交金额（成交金额/成交笔数） 3. 单笔成交金额高的10个交易日，涨跌幅加总，记作M_high 4. 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 6. 对所有股票，都进行以上操作，计算各自的理想反转因子M[35][37] - 因子评价：该因子通过大单成交的微观视角捕捉反转属性，具有一定的创新性[5] 2. 因子名称：聪明钱因子 - 因子的构建思路：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5][12] - 因子具体构建过程： 1. 对选定股票，回溯取其过去10日的分钟行情数据 2. 构造指标 $St = \frac{|R_t|}{V_t^{0.25}}$，其中 $R_t$ 为第t分钟涨跌幅，$V_t$ 为第t分钟成交量 3. 将分钟数据按照指标 $St$ 从大到小进行排序，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 $Q = \frac{VWAP_smart}{VWAP_all}$[36][38] - 因子评价：因子通过分钟级别数据捕捉机构交易行为，能够较好地反映聪明资金的动向[5] 3. 因子名称：APM因子 - 因子的构建思路：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[5][12] - 因子具体构建过程： 1. 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为$r$，隔夜的指数收益率为$R$；逐日下午的股票收益率为$r_a$，下午的指数收益率为$R_a$ 2. 将得到的40组隔夜与下午$(r, R)$的收益率数据进行回归：$r = \alpha + \beta R + \epsilon$，得到残差项$\epsilon$ 3. 以上得到的40个残差中，隔夜残差记为$\epsilon_o$，下午残差记为$\epsilon_a$，进一步计算每日隔夜与下午残差的差值$\delta_t = \epsilon_o - \epsilon_a$ 4. 构造统计量 $stat = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$，其中$\mu$为均值，$\sigma$为标准差，$N$为样本数量[39] 5. 为了消除动量因子影响，将统计量stat对动量因子进行横截面回归：$stat = \gamma Ret20 + \epsilon$，其中$Ret20$为股票过去20日的收益率，代表动量因子 6. 将回归得到的残差值$\epsilon$作为APM因子[37][40] - 因子评价：因子通过捕捉日内交易行为的时间差异，能够反映市场微观结构的变化[5] 4. 因子名称：理想振幅因子 - 因子的构建思路：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5][12] - 因子具体构建过程： 1. 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（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. 将高价振幅因子V_high与低价振幅因子V_low作差，得到理想振幅因子 $V = V_high - V_low$[42] - 因子评价：因子通过高低价态的振幅差异，揭示了股价波动的结构性特征[5] 5. 因子名称：交易行为合成因子 - 因子的构建思路：将上述交易行为因子进行合成，以捕捉更全面的交易行为特征[28] - 因子具体构建过程： 1. 对上述交易行为因子在行业内进行因子去极值与因子标准化 2. 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[28] - 因子评价：合成因子通过多因子融合，提升了因子稳定性和表现力[28] --- 因子的回测效果 1. 理想反转因子 - IC均值：-0.051 - rankIC均值：-0.061 - 信息比率（IR）：2.54 - 多空对冲月度胜率：78.0% - 12月多空对冲收益：4.47% - 近12个月多空对冲月度胜率：66.7%[6][7][13] 2. 聪明钱因子 - IC均值：-0.038 - rankIC均值：-0.060 - 信息比率（IR）：2.74 - 多空对冲月度胜率：82.0% - 12月多空对冲收益：1.48% - 近12个月多空对冲月度胜率：91.7%[6][7][16] 3. APM因子 - IC均值：0.030 - rankIC均值：0.035 - 信息比率（IR）：2.35 - 多空对冲月度胜率：78.4% - 12月多空对冲收益：1.47% - 近12个月多空对冲月度胜率：66.7%[6][7][20] 4. 理想振幅因子 - IC均值：-0.055 - rankIC均值：-0.072 - 信息比率（IR）：3.05 - 多空对冲月度胜率：84.1% - 12月多空对冲收益：2.55% - 近12个月多空对冲月度胜率：91.7%[6][7][26] 5. 交易行为合成因子 - IC均值：0.069 - rankIC均值：0.092 - 信息比率（IR）：3.36 - 多空对冲月度胜率：82.4% - 12月多空对冲收益：3.25% - 近12个月多空对冲月度胜率：83.3%[6][7][28]