量化模型与构建方式 注： 本报告主要涉及量化因子，未提及具体的量化模型。以下为报告中详细描述的交易行为因子及其构建方法。 1. 因子名称：理想反转因子 [4][38] * 因子构建思路： 传统反转因子的微观来源是大额成交。通过识别单笔成交金额高的交易日（即大单交易日），可以构建出反转效应更强的因子[4][38]。 * 因子具体构建过程： 1. 对选定股票，回溯取其过去20个交易日的数据[40]。 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）[40]。 3. 将单笔成交金额高的10个交易日的涨跌幅加总，记作 M_high[40]。 4. 将单笔成交金额低的10个交易日的涨跌幅加总，记作 M_low[40]。 5. 理想反转因子 M = M_high – M_low[40]。 6. 对所有股票重复以上步骤，计算各自的理想反转因子 M[40]。 2. 因子名称：聪明钱因子 [4][39] * 因子构建思路： 从分钟行情数据中识别出机构（聪明钱）参与交易的时段，通过比较聪明钱交易均价与全时段交易均价的相对高低来构建因子[4][39]。 * 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[39]。 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[39]。 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[39]。 4. 计算聪明钱交易的成交量加权平均价 VWAP_smart[41]。 5. 计算所有交易的成交量加权平均价 VWAP_all[41]。 6. 聪明钱因子 Q = VWAP_smart / VWAP_all[39]。 3. 因子名称：APM因子 [4][40] * 因子构建思路： 在日内不同时段（如隔夜与下午），交易者行为模式不同，股价的反转强度也不同。该因子旨在捕捉这种日内不同时段残差收益的差异模式[4][40]。 * 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 $R_{afternoon}$[40]。 2. 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 $\epsilon$[40]。 3. 在得到的40个残差中，隔夜残差记为 $\epsilon_{night}$，下午残差记为 $\epsilon_{afternoon}$，进一步计算每日隔夜与下午残差的差值 $\delta_t = \epsilon_{night} - \epsilon_{afternoon}$[40]。 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：$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$，其中 $\mu$ 为均值，$\sigma$ 为标准差[40][42]。 5. 为消除动量因子影响，将统计量 stat 对动量因子（过去20日收益率 Ret20）进行横截面回归：$stat = a + b * Ret20 + \epsilon$[43]。 6. 将回归得到的残差值 $\epsilon$ 作为 APM 因子[43]。 4. 因子名称：理想振幅因子 [4][45] * 因子构建思路： 股价处于不同价位（高价态与低价态）时，其振幅所蕴含的信息存在结构性差异。通过分离高价态和低价态的振幅信息并作差，可以构建更有效的因子[4][45]。 * 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）[45]。 2. 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[45]。 3. 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[45]。 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[45]。 5. 因子名称：交易行为合成因子 [29] * 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）通过一定方法合成一个综合因子，以提升稳定性和表现[29]。 * 因子具体构建过程： 1. 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[29]。 2. 因子加权： 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[29]。 模型的回测效果 本部分无相关内容。 量化因子与构建方式 （因子构建方式已在上文“量化模型与构建方式”部分详细列出，此处不再重复） 因子的回测效果 注： 以下因子回测结果均为“行业市值中性化”后的表现。指标分为“全历史区间”和“2026年3月当月/近12个月”两个窗口期。Barra风格因子仅提供当月收益。 Barra风格因子（2026年3月收益） 1. 市值因子， 当月收益 -0.18%[3][13] 2. 账面市值比因子， 当月收益 0.45%[3][13] 3. 成长因子， 当月收益 -0.60%[3][13] 4. 盈利预期因子， 当月收益 -0.46%[3][13] 开源交易行为因子（全历史区间） 1. 理想反转因子， IC均值 -0.048[5][14]， rankIC均值 -0.060[5][14]， 信息比率(IR) 2.37[5][14]， 多空对冲月度胜率 77.1%[5][14] 2. 聪明钱因子， IC均值 -0.037[5][19]， rankIC均值 -0.062[5][19]， 信息比率(IR) 2.68[5][19]， 多空对冲月度胜率 80.5%[5][19] 3. APM因子， IC均值 0.028[5][23]， rankIC均值 0.034[5][23]， 信息比率(IR) 2.26[5][23]， 多空对冲月度胜率 76.0%[5][23] 4. 理想振幅因子， IC均值 -0.053[5][26]， rankIC均值 -0.073[5][26]， 信息比率(IR) 2.98[5][26]， 多空对冲月度胜率 82.7%[5][26] 5. 交易行为合成因子， IC均值 0.065[5][29]， rankIC均值 0.093[5][29]， 多空对冲信息比率(IR) 3.24[5][29]， 多空对冲月度胜率 79.3%[5][29] 开源交易行为因子（2026年3月及近12个月表现） 1. 理想反转因子， 3月多空对冲收益 -0.47%[6][14]， 近12个月多空对冲月度胜率 50.0%[6][14] 2. 聪明钱因子， 3月多空对冲收益 1.35%[6][19]， 近12个月多空对冲月度胜率 66.7%[6][19] 3. APM因子， 3月多空对冲收益 1.50%[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， 3月多空对冲收益 2.08%[6][26]， 近12个月多空对冲月度胜率 66.7%[6][26] 5. 交易行为合成因子， 3月多空对冲收益 2.45%[6][29]， 近12个月多空对冲月度胜率 58.3%[6][29] 交易行为合成因子补充表现 1. 交易行为合成因子（多头对冲各组均值）， 全历史年化收益率 8.07%[29]， 收益波动比 2.57[29]， 月度胜率 77.1%[29] 2. 交易行为合成因子（分股票池信息比率）， 在国证2000中信息比率(IR) 2.83[30]， 在中证1000中信息比率(IR) 2.61[30]， 在中证800中信息比率(IR) 0.92[30]