量化因子与构建方式 1. 因子名称：高维记忆_MEMO因子 - 构建思路：通过符号处理方法将每笔委托的交易方向转化为数值序列，计算相关系数以刻画订单间的关联性，关联性越强表明机构交易贡献度越高[40] - 具体构建过程： 1. 提取每笔委托的交易方向（买入/卖出）并编码为数值序列 2. 计算当前订单与后续若干笔订单的相关系数 3. 综合相关系数形成因子值，反映机构交易的持续性特征 - 因子评价：有效捕捉机构拆单行为，对高质量公司具有显著区分能力[40] 2. 因子名称：强反转_SR因子 - 构建思路：基于“单笔成交金额越高，反转强度越大”的规律，利用分钟级单笔金额切割日内涨跌幅，强化反转效应[46] - 具体构建过程： 1. 统计每分钟单笔成交金额及对应涨跌幅 2. 按金额分位数划分区间，计算各区间内的反转强度 3. 加权合成因子值，公式为： $SR = \sum_{i=1}^{240} w_i \cdot \Delta P_i$ 其中(w_i)为金额区间权重，(\Delta P_i)为反转收益[46] - 因子评价：相比日频反转因子，分钟级切割显著提升预测精度[46] 3. 因子名称：彩票委托_LOTTERY因子 - 构建思路：捕捉散户在涨停价挂卖单或跌停价挂买单的“彩票博弈”行为，此类委托占比越高则标的未来表现越差[48] - 具体构建过程： 1. 识别涨停价卖单和跌停价买单的委托量 2. 计算其占总委托量的比例： $LOTTERY = \frac{V_{\text{extreme}}}{V_{\text{total}}}$ 其中(V_{\text{extreme}})为极端价位委托量[48] - 因子评价：有效反映散户主导的交易结构，负向Alpha显著[48] --- 因子的回测效果 1. 高维记忆_MEMO因子 - IC：0.045（2023年以来）[39] - ICIR：2.989[39] - 年化多空收益：29.3%[39] 2. 强反转_SR因子 - IC：-0.043（2023年以来）[39] - ICIR：-2.473[39] - 年化多空收益：19.7%[39] 3. 彩票委托_LOTTERY因子 - IC：-0.054（2023年以来）[39] - ICIR：-2.792[39] - 年化多空收益：32.9%[39] --- 其他微观交易特征指标（附录） 1. 买入高频撤单率_笔数 - IC：0.045[53] - ICIR：2.938[53] - 年化多空收益：24.7%[53] - 多空IR：2.802[53] 2. 单笔金额 - IC：-0.035[53] - ICIR：-2.077[53] - 年化多空收益：21.4%[53] - 多空IR：1.966[53] 3. 上行波动 - IC：-0.059[53] - ICIR：-2.197[53] - 年化多空收益：34.5%[53] - 多空IR：2.342[53] （注：其他指标详见附录表2[53]）