量化模型与因子总结 量化因子与构建方式 Barra风格因子 1. 因子名称：市值因子[3][13] * 因子构建思路：衡量公司规模大小，属于大/小盘风格因子[3][13]。 * 因子具体构建过程：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 2. 因子名称：账面市值比因子[3][13] * 因子构建思路：衡量公司价值属性，属于价值/成长风格因子[3][13]。 * 因子具体构建过程：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 3. 因子名称：成长因子[3][13] * 因子构建思路：衡量公司成长属性，属于价值/成长风格因子[3][13]。 * 因子具体构建过程：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 4. 因子名称：盈利预期因子[3][13] * 因子构建思路：衡量公司盈利预期，属于价值/成长风格因子[3][13]。 * 因子具体构建过程：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 开源交易行为因子 1. 因子名称：理想反转因子[4][13][39] * 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][13]。 * 因子具体构建过程： 1. 对选定股票，回溯取其过去20日的数据[41]。 2. 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]。 3. 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[41]。 4. 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[41]。 5. 理想反转因子 M = M_high – M_low[41]。 6. 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[4][13][40] * 因子构建思路：从分钟行情数据的价量信息中，识别出机构参与交易（聪明钱）的多寡，并跟踪其交易的相对价位高低[4][13][40]。 * 因子具体构建过程： 1. 对选定股票，回溯取其过去10日的分钟行情数据[40]。 2. 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[40]。 3. 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[40]。 4. 计算聪明钱交易的成交量加权平均价 VWAP_smart[42]。 5. 计算所有交易的成交量加权平均价 VWAP_all[42]。 6. 聪明钱因子 $Q = VWAP_{smart} / VWAP_{all}$[40]。 3. 因子名称：APM因子[4][13][41] * 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][13]。 * 因子具体构建过程： 1. 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 $R_{afternoon}$[41]。 2. 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 $\epsilon$[41]。 3. 以上得到的40个残差中，隔夜残差记为 $\epsilon_{night}$，下午残差记为 $\epsilon_{afternoon}$，进一步计算每日隔夜与下午残差的差值 $\delta_t = \epsilon_{night} - \epsilon_{afternoon}$[41]。 4. 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，N为样本数）： $\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$[43] 5. 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[44]。 6. 将回归得到的残差值 $\epsilon$ 作为 APM 因子[44]。 4. 因子名称：理想振幅因子[4][13][46] * 因子构建思路：基于股价维度对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[4][13]。 * 因子具体构建过程： 1. 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）[46]。 2. 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[46]。 3. 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[46]。 4. 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[46]。 5. 因子名称：交易行为合成因子[5][30] * 因子构建思路：将多个交易行为因子进行加权合成，以获取更稳健的Alpha[5][30]。 * 因子具体构建过程： 1. 因子值处理：将理想反转、聪明钱、APM、理想振幅四个交易行为因子在行业内进行因子去极值与因子标准化[30]。 2. 因子权重：滚动选取过去12期各因子的ICIR值作为权重[30]。 3. 因子合成：使用上述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[30]。 因子的回测效果 全历史区间表现（行业市值中性） 1. 理想反转因子：IC均值 -0.049[5][14]，rankIC均值 -0.060[5][14]，IR 2.42[5][14]，多空对冲月度胜率 77.8%[5][14]。 2. 聪明钱因子：IC均值 -0.037[5][19]，rankIC均值 -0.061[5][19]，IR 2.69[5][19]，多空对冲月度胜率 80.1%[5][19]。 3. APM因子：IC均值 0.028[5][23]，rankIC均值 0.034[5][23]，IR 2.25[5][23]，多空对冲月度胜率 76.2%[5][23]。 4. 理想振幅因子：IC均值 -0.053[5][26]，rankIC均值 -0.073[5][26]，IR 2.99[5][26]，多空对冲月度胜率 83.0%[5][26]。 5. 交易行为合成因子：IC均值 0.066[5][30]，rankIC均值 0.093[5][30]，多空对冲IR 3.25[5][30]，多空对冲月度胜率 78.8%[5][30]。多头对冲组均值的年化收益率 8.09%，收益波动比 2.56，月度胜率 77.4%[30]。 2025年12月份表现 1. 理想反转因子：多空对冲收益 0.14%[6][14]，近12个月多空对冲月度胜率 58.3%[6][14]。 2. 聪明钱因子：多空对冲收益 -0.24%[6][19]，近12个月多空对冲月度胜率 75.0%[6][19]。 3. APM因子：多空对冲收益 1.08%[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：多空对冲收益 -0.63%[6][26]，近12个月多空对冲月度胜率 58.3%[6][26]。 5. 交易行为合成因子：多空对冲收益 -0.04%[6][30]，近12个月多空对冲月度胜率 58.3%[6][30]。 Barra风格因子2025年12月收益 1. 市值因子：收益 1.06%[3][13]。 2. 账面市值比因子：收益 -0.18%[3][13]。 3. 成长因子：收益 0.20%[3][13]。 4. 盈利预期因子：收益 0.94%[3][13]。 合成因子在不同股票池表现（全历史区间） 1. 交易行为合成因子（国证2000）：IR 2.83[30]。 2. 交易行为合成因子（中证1000）：IR 2.62[30]。 3. 交易行为合成因子（中证800）：IR 1.00[30]。