量化模型与构建方式 Barra风格因子模型 1. 模型名称：Barra风格因子模型[3][13] 2. 模型构建思路：该模型通过多个风格维度来刻画股票的风险收益特征，例如市值规模、价值/成长等[3][13] 3. 模型具体构建过程：报告中未详细描述Barra风格因子的具体构建过程，仅提及了部分因子在特定月份的表现[3][13] 开源交易行为因子 1. 因子名称：理想反转因子[4][14][41] 2. 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[4][14] 3. 因子具体构建过程： * 对选定股票，回溯取其过去20日的数据[43] * 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[43] * 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[43] * 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[43] * 理想反转因子 M = M_high – M_low[43] * 对所有股票，都进行以上操作，计算各自的理想反转因子 M[43] 4. 因子名称：聪明钱因子[4][14][42] 5. 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[4][14] 6. 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 $Q = VWAP_{smart} / VWAP_{all}$[42] 7. 因子名称：APM因子[4][14][43] 8. 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[4][14] 9. 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 $r_{night, t}$，隔夜的指数收益率为 $R_{night, t}$；逐日下午的股票收益率为 $r_{afternoon, t}$，下午的指数收益率为 $R_{afternoon, t}$[43] * 将得到的40组隔夜与下午(r,R)的收益率数据进行回归：$r = \alpha + \beta R + \epsilon$，得到残差项 $\epsilon$[43] * 以上得到的40个残差中，隔夜残差记为 $\epsilon_{night, t}$，下午残差记为 $\epsilon_{afternoon, t}$，进一步计算每日隔夜与下午残差的差值 $\delta_t = \epsilon_{night, t} - \epsilon_{afternoon, t}$[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（$\mu$ 为均值，$\sigma$ 为标准差）：$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$[45] * 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归：$stat = \alpha + \beta Ret20 + \epsilon$，其中 Ret20 为股票过去20日的收益率，代表动量因子[46] * 将回归得到的残差值 $\epsilon$ 作为 APM 因子[46] 10. 因子名称：理想振幅因子[4][14][48] 11. 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[4][14] 12. 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，计算振幅均值得到低价振幅因子 V_low[48] * 将高价振幅因子 V_high 与低价振幅因子 V_low 作差，得到理想振幅因子 V = V_high - V_low[48] 13. 因子名称：交易行为合成因子[5][32] 14. 因子构建思路：将多个交易行为因子进行加权合成，以综合其信息[32] 15. 因子具体构建过程： * 因子值方面，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] * 因子权重方面，滚动选取过去12期因子ICIR值作为权重，加权形成交易行为合成因子[32] 模型的回测效果 1. Barra风格因子模型：2025年11月，市值因子收益-0.18%，账面市值比因子收益0.20%，成长因子收益-0.23%，盈利预期因子收益-0.35%[3][13] 因子的回测效果 1. 理想反转因子： * 全历史区间：IC均值 -0.049，rankIC均值 -0.060，信息比率 2.44，多空对冲月度胜率 77.7%[5][15] * 2025年11月：多空对冲收益 -1.52%[6][15] * 近12个月：多空对冲月度胜率 58.3%[6][15] 2. 聪明钱因子： * 全历史区间：IC均值 -0.037，rankIC均值 -0.062，信息比率 2.72，多空对冲月度胜率 81.3%[5][19] * 2025年11月：多空对冲收益 0.22%[6][19] * 近12个月：多空对冲月度胜率 83.3%[6][19] 3. APM因子： * 全历史区间：IC均值 0.028，rankIC均值 0.033，信息比率 2.23，多空对冲月度胜率 76.0%[5][23] * 2025年11月：多空对冲收益 -0.43%[6][23] * 近12个月：多空对冲月度胜率 41.7%[6][23] 4. 理想振幅因子： * 全历史区间：IC均值 -0.054，rankIC均值 -0.074，信息比率 3.03，多空对冲月度胜率 83.4%[5][27] * 2025年11月：多空对冲收益 0.49%[6][27] * 近12个月：多空对冲月度胜率 66.7%[6][27] 5. 交易行为合成因子： * 全历史区间：IC均值 0.066，rankIC均值 0.093，多空对冲信息比率 3.30，多空对冲月度胜率 79.4%[5][32] * 全历史区间（多头对冲组均值）：年化收益率 8.26%，收益波动比 2.64，月度胜率 78.7%[32] * 2025年11月：多空对冲收益 -0.21%[6][32] * 近12个月：多空对冲月度胜率 66.7%[6][32] * 不同股票池信息比率：国证2000为2.86，中证1000为2.66，中证800为1.04[32]