量化因子与构建方式 1. 因子名称：留存筹码比率 - 因子构建思路：基于分钟级交易数据，通过计算过去一段时间内各时刻至选股日的留存成交金额，衡量投资者换手意愿和筹码堆砌程度，因子值越高代表筹码堆砌程度越高，可能预示趋势行情[4][5][7] - 因子具体构建过程： 1. 取单只股票1分钟级成交量及成交金额数据，计算分钟级换手率 2. 以15分钟为间隔（如9:45、10:00等），计算各时刻往前推15分钟的换手率之和及成交金额之和 3. 计算各时刻至选股日收盘的留存成交金额： $RA_{t-n} = Amount_{t-n} \times (1-TR_{t-n+1}) \times (1-TR_{t-n+2}) \times \cdots \times (1-TR_{t})$ 其中$Amount_{t-n}$为t−n时刻成交金额，$TR$为换手率 4. 累积过去20个交易日的留存成交金额，并除以同期累积成交金额，得到因子： $\text{留存筹码比率} = \frac{\sum_{n=1}^{N} RA_{t-n}}{\sum_{n=1}^{N} Amount_{t-n}}$ - 因子评价：因子与流动性和波动性略相关，但与其他风格因子无明显相关性，能有效捕捉筹码堆砌带来的趋势效应[21][24] 2. 因子名称：纯净留存筹码比率 - 因子构建思路：对原始留存筹码比率因子进行风格正交化处理，剥离beta、市值、估值等常见风格因子的影响[21][35] - 因子具体构建过程：使用Barra多因子模型对原始因子回归，取残差作为纯净因子 - 因子评价：正交化后因子稳定性提升，与风格因子的相关性显著降低[35] 3. 因子名称：复合细颗粒度因子 - 因子构建思路：结合留存筹码比率与量价相关系数、振幅量价背离、成交金额波动、成交量波动四个因子，正交化后等权复合[63] - 因子具体构建过程： 1. 对五个因子分别进行正交化处理 2. 等权加权生成复合因子 - 因子评价：复合因子在多个指数中表现稳健，兼具选股和增强效果[63][66] --- 因子的回测效果 1. 留存筹码比率因子 - 中证800：RankIC=5.67%，多空年化收益=46.16%，IR=1.09[12] - 中证1000：RankIC=7.38%，多空年化收益=74.41%，IR=1.56[25] 2. 纯净留存筹码比率因子 - 中证800：RankIC=4.59%，多空年化收益=40.88%，IR=1.07[21] - 中证1000：RankIC=5.90%，多空年化收益=55.49%，IR=1.08[35] 3. 复合细颗粒度因子 - 沪深300：RankIC=5.51%，多空年化收益=38.26%，多头年化收益=15.83%，IR=1.52[63] - 中证500：RankIC=7.02%，多空年化收益=50.02%，多头年化收益=16.83%，IR=2.19[63] - 中证1000：RankIC=7.70%，多空年化收益=60.89%，多头年化收益=19.31%，IR=2.93[63] --- 量化模型与应用 1. 模型名称：留存筹码比率-指数增强模型 - 模型构建思路：以最大化组合留存筹码比率因子值为目标，控制权重偏离和预期收益偏离，结合Barra模型预测收益[41][48][55] - 模型具体构建过程： 1. 优化目标：最大化因子暴露 2. 约束条件：个股权重偏离≤1%，预期收益偏离基准≤5% - 模型评价：在沪深300、中证500、中证1000中均实现稳定超额收益[41][48][55] 2. 模型名称：复合细颗粒度因子-指数增强模型 - 模型构建思路：将复合因子应用于组合优化，控制风险敞口[66] - 模型评价：增强效果显著，信息比率优于单一因子模型[66] --- 模型的回测效果 1. 留存筹码比率-沪深300增强组合 - 累计超额=64.49%，年化超额=5.17%，IR=1.14，月胜率=57%[41][46] 2. 留存筹码比率-中证500增强组合 - 累计超额=120.97%，年化超额=10.09%，IR=1.67，月胜率=59.60%[48][53] 3. 留存筹码比率-中证1000增强组合 - 累计超额=121.36%，年化超额=11.78%，IR=1.44，月胜率=58.94%[55][61] 4. 复合细颗粒度因子-指数增强组合 - 沪深300：年化超额=6.76%，IR=1.36[66] - 中证500：年化超额=11.82%，IR=2.21[66] - 中证1000：年化超额=11.02%，IR=2.05[66]