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，认为A股反转之力的微观来源是大单成交[5][15] - 具体构建过程： 1. 回溯股票过去20日数据 2. 计算每日平均单笔成交金额（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为M_high 4. 单笔成交金额低的10个交易日涨跌幅加总为M_low 5. 因子值M = M_high - M_low[43] - 因子评价：逻辑清晰，聚焦大单交易的反转效应 2. 因子名称：聪明钱因子 - 构建思路：从分钟行情价量信息中识别机构交易参与度，构造跟踪聪明钱的指标[5][15] - 具体构建过程： 1. 回溯股票过去10日分钟行情数据 2. 计算每分钟指标 $S_t = |R_t|/(V_t)^{0.25}$，其中$R_t$为分钟涨跌幅，$V_t$为分钟成交量 3. 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 4. 计算聪明钱交易VWAP（VWAPsmart）和全部交易VWAP（VWAPall） 5. 因子值Q = VWAPsmart/VWAPall[42][44] - 因子评价：有效捕捉机构交易行为特征 3. 因子名称：APM因子 - 构建思路：利用日内不同时段交易行为模式差异，衡量隔夜与下午残差差异[5][15] - 具体构建过程： 1. 回溯20日数据，提取隔夜股票收益率$r_{night}$、指数收益率$R_{night}$，下午股票收益率$r_{afternoon}$、指数收益率$R_{afternoon}$ 2. 回归$r = \alpha + \beta R + \epsilon$得到40个残差（隔夜/下午各20个） 3. 计算每日隔夜与下午残差差值$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$ 4. 构造统计量 $\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$ 5. 对动量因子横截面回归取残差作为APM因子[45][46] 4. 因子名称：理想振幅因子 - 构建思路：基于股价维度切割振幅，挖掘不同价态下振幅信息差异[5][15] - 具体构建过程： 1. 回溯20日数据计算每日振幅（最高价/最低价-1） 2. 选取收盘价较高的25%交易日计算高价振幅均值V_high 3. 选取收盘价较低的25%交易日计算低价振幅均值V_low 4. 因子值V = V_high - V_low[48] 5. 因子名称：交易行为合成因子 - 构建思路：加权合成上述四类交易行为因子[32] - 具体构建过程： 1. 对单因子进行行业内去极值与标准化 2. 滚动12期ICIR作为权重加权合成 因子回测效果 1. 理想反转因子 - 全历史IC均值：-0.050 - 全历史rankIC均值：-0.061 - 全历史IR：2.53 - 全历史多空对冲胜率：78.1% - 2025年6月收益：1.09% - 近12月胜率：66.7%[16][7] 2. 聪明钱因子 - 全历史IC均值：-0.037 - 全历史rankIC均值：-0.061 - 全历史IR：2.74 - 全历史多空对冲胜率：82.1% - 2025年6月收益：0.91% - 近12月胜率：91.7%[19][7] 3. APM因子 - 全历史IC均值：0.029 - 全历史rankIC均值：0.034 - 全历史IR：2.27 - 全历史多空对冲胜率：76.6% - 2025年6月收益：-0.11% - 近12月胜率：58.3%[23][7] 4. 理想振幅因子 - 全历史IC均值：-0.054 - 全历史rankIC均值：-0.073 - 全历史IR：3.01 - 全历史多空对冲胜率：83.5% - 2025年6月收益：2.43% - 近12月胜率：75.0%[27][7] 5. 交易行为合成因子 - 全历史IC均值：0.067 - 全历史rankIC均值：0.092 - 全历史IR：3.30 - 全历史多空对冲胜率：82.4% - 2025年6月收益：1.12% - 近12月胜率：83.3% - 多头对冲年化收益：8.64% - 收益波动比：2.75 - 国证2000/中证1000/中证800的IR：2.93/2.85/1.26[32][36][37] Barra风格因子表现（2025年6月） - 市值因子收益：-0.42% - 账面市值比因子收益：0.09% - 成长因子收益：-0.05% - 盈利预期因子收益：-0.11%[4][14]