量化模型与构建方式 1. 模型名称:筹码收益增强因子(holding_ret_enhanced) - 构建思路:结合筹码收益调整因子的多头端优势与反转因子的空头端优势,通过动态择时和成本锚定提升因子表现[7]。 - 具体构建过程: - 筹码收益调整因子公式: 其中,为T日成交均价,为T日留存筹码[45]。 - 反转因子择时公式: 动态调整反转因子方向[57]。 - 合成公式: 通过加权融合两类因子[102]。 - 评价:兼具多头区分度与空头区分能力,且与Barra风格因子相关性低(相关系数<±10%)[82]。 2. 模型名称:筹码收益调整因子(holding_ret_adj) - 构建思路:利用市场赚钱效应(风险偏好开关)动态切换筹码收益因子的动量/反转效应[45]。 - 具体构建过程: - 筹码收益因子公式: 反映当前价格相对历史筹码成本的收益[35]。 - 市场赚钱效应代理变量:全市场股票筹码收益因子的加权均值()[41]。 - 调整逻辑:当时做动量,否则做反转[77]。 - 评价:IC均值6.67%,年化ICIR 1.562,显著优于原始筹码收益因子[47]。 3. 模型名称:反转因子(ret20) - 构建思路:捕捉20日涨幅的均值回归效应,但存在多头乏力与阶段性失效问题[4]。 - 具体构建过程: - 计算个股20日涨幅: 通过市场赚钱效应择时调整方向[57]。 - 评价:空头端区分显著(月均空头超额-1.41%),但多头端排序不稳定[20]。 --- 量化因子与构建方式 1. 因子名称:筹码收益因子(holding_ret) - 构建思路:衡量当前价格相对于历史筹码成本的收益,反映市场持仓盈亏状态[35]。 - 具体构建过程: - 筹码留存计算: 其中为T-k日成交量,为i日换手率[29]。 - 因子值计算:加权平均留存筹码对应的成交均价[35]。 - 评价:周期性切换动量/反转特征,IC均值-4.55%[36]。 2. 因子名称:市场赚钱效应(mkt_holding_ret) - 构建思路:全市场筹码收益因子的加权均值,作为风险偏好代理变量[41]。 - 具体构建过程: - 计算全市场股票的市值加权均值[41]。 - 切分阈值测试:最优阈值为-2%,此时因子表现最佳(ICIR 1.821)[77]。 - 评价:解释因子周期性变化,与投资者行为偏差(如处置效应)相关[42]。 --- 模型的回测效果 1. 筹码收益增强因子(holding_ret_enhanced) - 月频: - IC均值9.91%,年化ICIR 2.76,月胜率80%[7]。 - 多空年化收益36.6%,IR 2.405,最大回撤10.3%[110]。 - 周频: - IC均值6.90%,年化ICIR 3.823,周胜率71.8%[7]。 - 多空年化收益60.0%,IR 3.17,最大回撤17.1%[122]。 2. 筹码收益调整因子(holding_ret_adj_-2%) - 月频: - IC均值7.55%,年化ICIR 1.821[77]。 - 多空年化收益32.5%,IR 1.98,最大回撤9.7%[89]。 - 周频: - 多空年化收益47.0%,IR 2.352,周胜率59.4%[99]。 3. 反转因子(ret20_adj) - 多空年化收益26.8%,IR 1.598,最大回撤14.0%[59]。 --- 因子的回测效果 1. 筹码收益因子(holding_ret) - IC均值-4.55%,年化ICIR -1.011,月均多空收益1.02%[47]。 2. 市场赚钱效应(mkt_holding_ret) - 切分阈值-2%时,因子表现最优(ICIR 1.821)[77]。 3. 分域表现: - 中证1000:周频因子多空年化收益52.3%,IR 2.981[131]。 - 沪深300:月频因子多空年化收益24.2%,IR 1.311[132]。
开源量化评论(108):筹码结构视角下的动量反转融合
开源证券·2025-04-17 13:42