报告行业投资评级 - 报告未对特定行业给出明确的投资评级，其核心是介绍并验证一个名为“主角取酬”的量化选股因子[5][6] 报告的核心观点 - 报告的核心观点是构建了一个名为“主角取酬”的量化因子，该因子通过捕捉股票日内成交量变化的剧烈程度，来间接识别大资金（如机构、私募、游资）的活跃交易行为[1][2] - 其基本逻辑在于，大资金由于拆单交易、风控等需求，会在日内留下脉冲或周期性的放量/缩量痕迹，这与散户的随机交易模式不同[1][11] - 因子值越高，表明当日该股票有大资金进行频繁或激烈的交易，暗示未完全定价的信息正在流动，从而对股票未来的短期价格走势具有预测意义[1][2][11] - 实证检验表明，该因子在全市场及绝大多数行业内部均能有效选股，是一种超越行业基本面的普适市场行为模式，且在小市值股票中选股效果最好[3][47] 根据相关目录分别进行总结 1 “主角取酬”因子逻辑及计算 - 行为金融逻辑：因子旨在通过量化日内成交量波动的剧烈程度来捕捉大资金的交易行为。大资金的急切成交或拆单会导致成交量出现脉冲或持续的缩放模式[11]。当股票日内反复出现放量与缩量时，通常意味着有多类大资金在不同时间段参与交易，机构资金可能正在逐步建仓或调仓[12] 1. 因子计算步骤： - 数据获取与处理：获取1分钟K线及成交量数据，重采样为5分钟序列以还原拆单冲击并避免稀疏交易问题[13] - 数据预处理：剔除开盘前30分钟的数据以减少开盘噪音，并去除成交量为零的K线[13] - 因子计算：计算相邻5分钟区间成交量对数变化率的绝对值，并对极端值进行截断处理（阈值为±1），最后将当日所有截断后的绝对值求和，得到日频因子值[13][21] 1. 因子计算案例：以贵州茅台2026年1月27日和28日的数据为例，展示了从1分钟成交量重采样至5分钟、计算对数变化率并最终得到日频因子累计值的过程[14][15][17][22]。1月28日的成交量曲线呈现更高频率的“锯齿状”波动，显示资金交易节奏加快，因子值更高[17] 2 实证检验 - 日频因子检验： - 测试设定：股票池为中证全指成分股，使用T日因子预测T+1日买入、T+2日卖出的隔日收益率，测试周期为2018年1月至2026年1月[24][25] - 全市场表现：因子平均隔日IC约为0.036，IR为0.31，表明其具有稳定的正向预测能力[25] - 分市值域表现：因子选股效能随市值减小而增强。在沪深300、中证500、中证1000成分股内，平均隔日RankIC分别为0.013、0.022、0.031[26][29]。对应的年化隔日IC分别为0.205、0.355、0.498[30] - 分层与多空收益：将全市场股票按因子值分5组，高因子组合长期显著跑赢低因子组合，收益呈现明显单调性[30]。构建的多空组合（做多最高组，做空最低组）中，多头组年化收益率为17.6%，多空组合最大回撤为15.04%[30] - 中性化月频因子检验： - 因子构建：采用月末交易日的日频因子值直接作为月频信号，并对该因子进行市值和行业中性化处理[34] - 预测能力：中性化月频因子在全市场的月度IC均值为0.054，IR为0.78，预测能力优于日频[35][38]。分市值域看，在沪深300、中证500、中证1000的月度IC分别为0.019、0.038、0.044[38][39] - 行业普适性：在全部31个申万一级行业中，有29个行业的IC值为正，占比超过93%，表明因子逻辑超越行业基本面[43]。仅在石油石化和美容护理两个行业IC为负，报告分析石油石化行业可能因受全球大宗商品影响，其日内资金波动更多反映被动调整[46] - 分层与多空收益：月频因子同样表现出良好的单调选股能力，其构建的多空组合最大回撤大幅下降至4.60%[39] 3 结论 - 报告总结，“主角取酬”因子通过捕捉日内成交量波动来识别大资金活跃交易行为，其逻辑具有普适性[47] - 实证证实该因子在全市场、绝大多数行业以及不同市值域（尤其小市值域）均具备有效的选股能力[3][47]