量化因子总结 量化因子与构建方式 1. 因子名称：理想反转因子 [4] * 因子构建思路： 传统反转效应的微观来源主要是大单成交，通过筛选每日平均单笔成交金额较大的交易日，可以构建出反转属性更强的因子[4]。 * 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[43]。 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）[43]。 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[43]。 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[43]。 5. 理想反转因子 M = M_high – M_low[43]。 6. 对所有股票重复以上操作，计算各自的理想反转因子 M[43]。 2. 因子名称：聪明钱因子 [4] * 因子构建思路： 从分钟行情数据中识别出机构（聪明钱）参与交易的程度，通过比较聪明钱交易的平均价格与所有交易的平均价格来构建因子[4]。 * 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[42]。 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[42]。 3. 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[42]。 4. 计算聪明钱交易的成交量加权平均价 VWAP_smart[44]。 5. 计算所有交易的成交量加权平均价 VWAP_all[44]。 6. 聪明钱因子 $Q = VWAP_{smart} / VWAP_{all}$[42]。 3. 因子名称：APM因子 [4] * 因子构建思路： 利用股票在日内不同时段（如隔夜与下午）交易行为模式的差异来构建因子[4]。 * 因子具体构建过程： 1. 对选定股票，回溯取其过去20日数据，分别计算每日隔夜的股票收益率 $r_{night}$ 和指数收益率 $R_{night}$，以及下午的股票收益率 $r_{afternoon}$ 和指数收益率 $R_{afternoon}$[43]。 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 $\epsilon$[43]。 3. 从40个残差中，分离出隔夜残差 $\epsilon_{night}$ 和下午残差 $\epsilon_{afternoon}$，并计算每日差值 $\delta_t = \epsilon_{night} - \epsilon_{afternoon}$[43]。 4. 构造统计量来衡量隔夜与下午残差的差异程度，计算公式为：$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$[45]，其中 $\mu$ 为均值，$\sigma$ 为标准差。 5. 为消除动量影响，将统计量 stat 对动量因子（股票过去20日收益率 Ret20）进行横截面回归：$stat = \alpha + \beta \cdot Ret20 + \epsilon$[46]。 6. 将回归得到的残差值 $\epsilon$ 作为 APM 因子[46]。 4. 因子名称：理想振幅因子 [4] * 因子构建思路： 基于股价高低状态对振幅进行切割，高价态和低价态下的振幅信息存在结构性差异，利用这种差异构建因子[4]。 * 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，计算每日振幅（最高价/最低价 - 1）[48]。 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[48]。 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[48]。 4. 将高价振幅因子与低价振幅因子作差，得到理想振幅因子 V = V_high - V_low[48]。 5. 因子名称：交易行为合成因子 [32] * 因子构建思路： 将多个交易行为因子进行加权合成，以获取更稳健的选股能力[32]。 * 因子具体构建过程： 1. 因子值处理： 将理想反转、聪明钱、APM、理想振幅四个因子在行业内进行去极值与标准化处理[32]。 2. 因子加权： 滚动选取过去12期各因子的ICIR值作为权重，加权形成最终的交易行为合成因子[32]。 因子的回测效果 （以下指标均为“全历史区间，行业市值中性化后”的测试结果，数据来源为报告中的全历史表现部分） 1. 理想反转因子，IC均值 -0.047[5]，rankIC均值 -0.059[5]，信息比率(IR) 2.25[5]，多空对冲月度胜率 76.3%[5] 2. 聪明钱因子，IC均值 -0.036[5]，rankIC均值 -0.061[5]，信息比率(IR) 2.58[5]，多空对冲月度胜率 79.5%[5] 3. APM因子，IC均值 0.029[5]，rankIC均值 0.035[5]，信息比率(IR) 2.30[5]，多空对冲月度胜率 76.3%[5] 4. 理想振幅因子，IC均值 -0.052[5]，rankIC均值 -0.073[5]，信息比率(IR) 2.90[5]，多空对冲月度胜率 82.4%[5] 5. 交易行为合成因子，IC均值 0.064[5]，rankIC均值 0.091[5]，多空对冲信息比率(IR) 3.10[5]，多空对冲月度胜率 78.2%[5]