量化因子与构建方式 1. 因子名称：理想反转因子 - 构建思路：通过识别大单成交日来捕捉A股反转效应，切割出反转属性最强的交易日[5][16] - 具体构建过程： 1. 回溯股票过去20日数据，计算每日平均单笔成交金额（成交金额/成交笔数）[46] 2. 选取单笔成交金额最高的10个交易日，加总其涨跌幅记为M_high；选取最低的10个交易日，加总涨跌幅记为M_low[46] 3. 计算因子值：$M = M_{\text{high}} - M_{\text{low}}$[46] - 因子评价：逻辑清晰，有效捕捉反转效应[5] 2. 因子名称：聪明钱因子 - 构建思路：从分钟价量数据中识别机构交易行为，跟踪聪明钱的参与价位[5][16] - 具体构建过程： 1. 回溯股票过去10日分钟数据，计算指标$S_t = |R_t| / V_t^{0.25}$（R_t为分钟涨跌幅，V_t为分钟成交量）[44] 2. 按S_t排序，取成交量累积占比前20%的分钟作为聪明钱交易[44] 3. 计算聪明钱交易的VWAP（成交量加权均价）和全体交易的VWAP，因子值：$Q = \text{VWAP}_{\text{smart}} / \text{VWAP}_{\text{all}}$[44][47] - 因子评价：机构行为跟踪能力强[5] 3. 因子名称：APM因子 - 构建思路：分析日内不同时段（隔夜/下午）交易行为差异导致的残差反转效应[5][16] - 具体构建过程： 1. 回溯20日数据，分离隔夜与下午的股票收益率（r）和指数收益率（R）[48] 2. 回归$r = \alpha + \beta R + \epsilon$，得到残差序列$\epsilon_t$[48] 3. 计算隔夜与下午残差差异：$\delta_t = \epsilon_{\text{隔夜},t} - \epsilon_{\text{下午},t}$[48] 4. 构造统计量：$\mathrm{stat} = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$[48] 5. 对动量因子横截面回归取残差作为APM因子[49] - 因子评价：日内时段切割提升反转效果[5] 4. 因子名称：理想振幅因子 - 构建思路：基于股价高低状态切割振幅信息，捕捉结构性差异[5][16] - 具体构建过程： 1. 计算过去20日每日振幅（最高价/最低价-1）[51] 2. 按收盘价分位数选取高价态（前25%）和低价态（后25%）交易日，分别计算振幅均值V_high和V_low[51] 3. 因子值：$V = V_{\text{high}} - V_{\text{low}}$[51] - 因子评价：价态分层增强信息含量[5] 5. 因子名称：交易行为合成因子 - 构建思路：加权整合四个交易行为因子，提升稳定性[34] - 具体构建过程： 1. 对单因子进行行业内去极值与标准化[34] 2. 滚动12期ICIR加权计算合成因子值[34] - 因子评价：综合效果优于单因子[34] --- 因子回测效果 | 因子名称 | IC均值 | rankIC均值 | IR | 多空对冲月度胜率 | 3月多空收益 | 近12月胜率 | |------------------|----------|------------|-------|------------------|-------------|------------| | 理想反转因子 | -0.051 | -0.061 | 2.55 | 78.3% | 1.85% | 66.7% | [6][17] | 聪明钱因子 | -0.038 | -0.062 | 2.78 | 82.4% | 4.10% | 100.0% | [6][22] | APM因子 | 0.030 | 0.035 | 2.34 | 78.2% | 1.88% | 83.3% | [6][26] | 理想振幅因子 | -0.054 | -0.073 | 3.02 | 83.8% | 4.18% | 83.3% | [6][30] | 交易行为合成因子 | 0.069 | 0.093 | 3.37 | 82.0% | 4.73% | 83.3% | [6][34] 补充说明：合成因子在中小盘（国证2000/中证1000）中IR达3.02/3.01，显著优于中证800的1.31[37]