量化因子与构建方式 1. 因子名称：理想反转因子 [4][10][13] * 因子构建思路：A股反转效应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： * 对选定股票，回溯取其过去20个交易日的数据[42]。 * 计算该股票每日的平均单笔成交金额（成交金额 / 成交笔数）[42]。 * 将单笔成交金额高的10个交易日的涨跌幅加总，记作 M_high[42]。 * 将单笔成交金额低的10个交易日的涨跌幅加总，记作 M_low[42]。 * 理想反转因子 M = M_high – M_low[42]。 * 对所有股票重复以上步骤，计算各自的理想反转因子 M[42]。 2. 因子名称：聪明钱因子 [4][10][13] * 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，进而构造跟踪聪明钱的因子[4][13]。 * 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[41]。 * 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[41]。 * 将分钟数据按照指标 $S_t$ 从大到小排序，取成交量累积占比前20%的分钟，视为聪明钱交易[41]。 * 计算聪明钱交易的成交量加权平均价 VWAP_smart[43]。 * 计算所有交易的成交量加权平均价 VWAP_all[43]。 * 聪明钱因子 Q = VWAP_smart / VWAP_all[41]。 3. 因子名称：APM因子 [4][10][13] * 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： * 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 $R_{afternoon}$[42]。 * 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 $\epsilon$[42]。 * 在得到的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 $\delta_t = \epsilon_{night} - \epsilon_{afternoon}$[42]。 * 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式为：$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$，其中 $\mu$ 为均值，$\sigma$ 为标准差[44]。 * 为消除动量因子影响，将统计量 stat 对动量因子进行横截面回归：$stat = \alpha + \beta \cdot Ret20 + \epsilon$，其中 Ret20 为股票过去20日的收益率，代表动量因子[45]。 * 将回归得到的残差值 $\epsilon$ 作为 APM 因子[45]。 4. 因子名称：理想振幅因子 [4][10][13] * 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： * 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）[47]。 * 选取收盘价较高的25%有效交易日，计算其振幅均值，得到高价振幅因子 V_high[47]。 * 选取收盘价较低的25%有效交易日，计算其振幅均值，得到低价振幅因子 V_low[47]。 * 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[47]。 5. 因子名称：交易行为合成因子 [5][10][31] * 因子构建思路：将上述四个交易行为因子（理想反转、聪明钱、APM、理想振幅）进行合成，以获取更稳健的选股信号。 * 因子具体构建过程： * 因子值处理：将上述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[31]。 * 因子权重：滚动选取过去12期各因子的ICIR值作为权重，加权形成交易行为合成因子[31]。 因子的回测效果 1. 理想反转因子 [5][6][14] * 全历史区间IC均值：-0.048 * 全历史区间rankIC均值：-0.060 * 全历史区间信息比率(IR)：2.39 * 全历史区间多空对冲月度胜率：77.5% * 2026年2月多空对冲收益：-0.40% * 近12个月多空对冲月度胜率：58.3% 2. 聪明钱因子 [5][6][19] * 全历史区间IC均值：-0.037 * 全历史区间rankIC均值：-0.062 * 全历史区间信息比率(IR)：2.69 * 全历史区间多空对冲月度胜率：80.4% * 2026年2月多空对冲收益：-0.76% * 近12个月多空对冲月度胜率：66.7% 3. APM因子 [5][6][23] * 全历史区间IC均值：0.028 * 全历史区间rankIC均值：0.034 * 全历史区间信息比率(IR)：2.25 * 全历史区间多空对冲月度胜率：75.8% * 2026年2月多空对冲收益：-0.45% * 近12个月多空对冲月度胜率：41.7% 4. 理想振幅因子 [5][6][26] * 全历史区间IC均值：-0.053 * 全历史区间rankIC均值：-0.073 * 全历史区间信息比率(IR)：2.99 * 全历史区间多空对冲月度胜率：82.6% * 2026年2月多空对冲收益：-0.67% * 近12个月多空对冲月度胜率：66.7% 5. 交易行为合成因子 [5][6][31] * 全历史区间IC均值：0.065 * 全历史区间rankIC均值：0.093 * 全历史区间多空对冲信息比率(IR)：3.23 * 全历史区间多空对冲月度胜率：79.1% * 2026年2月多空对冲收益：-0.60% * 近12个月多空对冲月度胜率：58.3% * 全历史区间多头对冲组均值年化收益率：8.03% * 全历史区间多头对冲组均值收益波动比：2.56 * 全历史区间多头对冲组均值月度胜率：77.7% * 全历史区间信息比率(IR)（国证2000）：2.83 * 全历史区间信息比率(IR)（中证1000）：2.59 * 全历史区间信息比率(IR)（中证800）：0.89