根据研报内容，以下是关于量化因子和模型的总结。 量化因子与构建方式 1. 因子名称：理想反转因子[5][41] * 因子构建思路：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[5][41] * 因子具体构建过程： * 对选定股票，回溯取其过去20日的数据[41] * 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[41] * 将单笔成交金额高的10个交易日的涨跌幅加总，记作 M_high[41] * 将单笔成交金额低的10个交易日的涨跌幅加总，记作 M_low[41] * 理想反转因子 M = M_high – M_low[41] * 对所有股票都进行以上操作，计算各自的理想反转因子 M[41] 2. 因子名称：聪明钱因子[5][42] * 因子构建思路：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5] * 因子具体构建过程： * 对选定股票，回溯取其过去10日的分钟行情数据[42] * 构造指标 $S_t = |R_t| / (V_t)^{0.25}$，其中 $R_t$ 为第t分钟涨跌幅，$V_t$ 为第t分钟成交量[42] * 将分钟数据按照指标 $S_t$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[42] * 计算聪明钱交易的成交量加权平均价 VWAPsmart[44] * 计算所有交易的成交量加权平均价 VWAPall[44] * 聪明钱因子 Q = VWAPsmart / VWAPall[42] 3. 因子名称：APM因子[5][43] * 因子构建思路：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[5] * 因子具体构建过程： * 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $r_{night}$，隔夜的指数收益率为 $R_{night}$；逐日下午的股票收益率为 $r_{afternoon}$，下午的指数收益率为 $R_{afternoon}$[43] * 将得到的40组隔夜与下午的收益率数据 $(r, R)$ 进行回归：$r = \alpha + \beta R + \epsilon$，得到残差项 $\epsilon$[43] * 在40个残差中，隔夜残差记为 $\epsilon_{night}$，下午残差记为 $\epsilon_{afternoon}$，计算每日隔夜与下午残差的差值 $\delta_t = \epsilon_{night} - \epsilon_{afternoon}$[43] * 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下： $\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$[45] * 为了消除动量因子影响，将统计量 stat 对动量因子（股票过去20日的收益率 Ret20）进行横截面回归：$stat = \alpha + \beta Ret20 + \epsilon$[46] * 将回归得到的残差值 ε 作为 APM 因子[46] 4. 因子名称：理想振幅因子[5][48] * 因子构建思路：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5][48] * 因子具体构建过程： * 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1）[48] * 选择收盘价较高的25%有效交易日，计算其振幅均值，得到高价振幅因子 V_high[48] * 选择收盘价较低的25%有效交易日，计算其振幅均值，得到低价振幅因子 V_low[48] * 理想振幅因子 V = V_high - V_low[48] 5. 因子名称：交易行为合成因子[32] * 因子构建思路：将多个交易行为因子进行合成，以获取更稳健的表现[32] * 因子具体构建过程： * 因子值处理：将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[32] * 因子权重确定：滚动选取过去12期各因子的ICIR值作为权重[32] * 因子合成：使用确定的权重对标准化后的因子值进行加权，形成交易行为合成因子[32] 因子的回测效果 1. 理想反转因子 * 全历史区间IC均值：-0.050[6][16] * 全历史区间rankIC均值：-0.061[6][16] * 全历史区间信息比率(IR)：2.48[6][16] * 全历史区间多空对冲月度胜率：78.1%[6][16] * 2025年10月多空对冲收益：1.63%[7][16] * 近12个月多空对冲月度胜率：66.7%[7][16] 2. 聪明钱因子 * 全历史区间IC均值：-0.038[6][21] * 全历史区间rankIC均值：-0.062[6][21] * 全历史区间信息比率(IR)：2.74[6][21] * 全历史区间多空对冲月度胜率：81.2%[6][21] * 2025年10月多空对冲收益：2.90%[7][21] * 近12个月多空对冲月度胜率：83.3%[7][21] 3. APM因子 * 全历史区间IC均值：0.028[6][25] * 全历史区间rankIC均值：0.034[6][25] * 全历史区间信息比率(IR)：2.25[6][25] * 全历史区间多空对冲月度胜率：76.5%[6][25] * 2025年10月多空对冲收益：-1.13%[7][25] * 近12个月多空对冲月度胜率：41.7%[7][25] 4. 理想振幅因子 * 全历史区间IC均值：-0.054[6][28] * 全历史区间rankIC均值：-0.074[6][28] * 全历史区间信息比率(IR)：3.03[6][28] * 全历史区间多空对冲月度胜率：83.3%[6][28] * 2025年10月多空对冲收益：3.33%[7][28] * 近12个月多空对冲月度胜率：66.7%[7][28] 5. 交易行为合成因子 * 全历史区间IC均值：0.067[6][32] * 全历史区间rankIC均值：0.093[6][32] * 全历史区间多空对冲信息比率(IR)：3.33[6][32] * 全历史区间多空对冲月度胜率：80.0%[6][32] * 全历史区间多头对冲组均值年化收益率：8.30%[32] * 全历史区间多头对冲组均值收益波动比：2.64[32] * 全历史区间多头对冲组均值月度胜率：78.5%[32] * 2025年10月多空对冲收益：3.73%[7][32] * 近12个月多空对冲月度胜率：75.0%[7][32] * 在不同股票池中的信息比率(IR)： * 国证2000：2.88[32] * 中证1000：2.69[32] * 中证800：1.02[32]