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]。

量化因子与构建方式 1. 因子名称：理想反转因子[5]；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[5]；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[5]；因子构建思路：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5]；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VWAPsmart[42]； (5) 计算所有交易的成交量加权平均价VWAPall[42]； (6) 聪明钱因子 $$Q = VWAP_{smart} / VWAP_{all}$$[40] 3. 因子名称：APM因子[5]；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[5]；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 $$r_{night}^i$$，隔夜的指数收益率为 $$R_{night}^i$$；逐日下午的股票收益率为 $$r_{afternoon}^i$$，下午的指数收益率为 $$R_{afternoon}^i$$[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 $$\epsilon_{night}^i$$，下午残差记为 $$\epsilon_{afternoon}^i$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night}^i - \epsilon_{afternoon}^i$$[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）： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[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：$$stat = \alpha + \beta \cdot Ret20 + \epsilon$$，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[5]；因子构建思路：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5]；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[30]；因子构建思路：将多个交易行为因子进行加权合成[30]；因子具体构建过程： (1) 因子值方面，将上述交易行为因子（理想反转、聪明钱、APM、理想振幅）在行业内进行因子去极值与因子标准化[30]； (2) 因子权重方面，滚动选取过去12期因子ICIR值作为权重，加权形成交易行为合成因子[30] 因子的回测效果 1. 理想反转因子[15]： * 全历史IC均值：-0.050[6][15] * 全历史rankIC均值：-0.060[6][15] * 全历史信息比率(IR)：2.48[6][15] * 全历史多空对冲月度胜率：77.8%[6] * 2025年8月多空对冲收益：-1.28%[7][15] * 近12个月多空对冲月度胜率：58.3%[7][15] 2. 聪明钱因子[18]： * 全历史IC均值：-0.037[6][18] * 全历史rankIC均值：-0.061[6][18] * 全历史信息比率(IR)：2.71[6][18] * 全历史多空对冲月度胜率：81.6%[6] * 2025年8月多空对冲收益：-1.17%[7][18] * 近12个月多空对冲月度胜率：83.3%[7][18] 3. APM因子[22]： * 全历史IC均值：0.029[6][22] * 全历史rankIC均值：0.034[6][22] * 全历史信息比率(IR)：2.26[6][22] * 全历史多空对冲月度胜率：77.4%[6] * 2025年8月多空对冲收益：-0.22%[7][22] * 近12个月多空对冲月度胜率：50.0%[7][22] 4. 理想振幅因子[26]： * 全历史IC均值：-0.053[6][26] * 全历史rankIC均值：-0.073[6][26] * 全历史信息比率(IR)：2.99[6][26] * 全历史多空对冲月度胜率：83.2%[6] * 2025年8月多空对冲收益：-0.15%[7][26] * 近12个月多空对冲月度胜率：66.7%[7][26] 5. 交易行为合成因子[30]： * 全历史IC均值：0.066[6][30] * 全历史rankIC均值：0.092[6][30] * 全历史信息比率(IR)：3.25[6][30] * 全历史多空对冲月度胜率：82.0%[6] * 多头对冲组均值年化收益率：8.50%[30] * 多头对冲组均值收益波动比：2.71[30] * 多头对冲组均值月度胜率：79.7%[30] * 2025年8月多空对冲收益：-0.90%[7][30] * 近12个月多空对冲月度胜率：75.0%[7][30] * 国证2000池内信息比率(IR)：2.80[30] * 中证1000池内信息比率(IR)：2.70[30] * 中证800池内信息比率(IR)：1.12[30]

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过识别大单成交日来捕捉A股反转效应的微观来源，切割出反转属性最强的交易日[5][15] - **具体构建过程**： 1. 回溯股票过去20日数据，计算每日平均单笔成交金额（成交金额/成交笔数）[49] 2. 筛选单笔成交金额最高的10个交易日，计算其涨跌幅总和记为M_high 3. 筛选单笔成交金额最低的10个交易日，计算其涨跌幅总和记为M_low 4. 因子值M = M_high - M_low[49] - **评价**：因子逻辑清晰，聚焦大单驱动的反转效应，历史表现稳健[5][16] 2. **因子名称：聪明钱因子** - **构建思路**：从分钟级价量数据中识别机构交易行为，构造反映聪明钱交易价位的因子[5][15] - **具体构建过程**： 1. 取股票过去10日分钟行情数据，计算每分钟指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中$R_t$为分钟涨跌幅，$V_t$为分钟成交量[47] 2. 按$S_t$排序，选取成交量累积占比前20%的分钟作为聪明钱交易 3. 计算聪明钱交易的VWAP（VWAPsmart）和全部交易的VWAP（VWAPall） 4. 因子值Q = VWAPsmart / VWAPall[47] - **评价**：有效捕捉机构交易痕迹，因子区分度高[5][21] 3. **因子名称：APM因子** - **构建思路**：通过分析日内不同时段（上午/下午）股价行为差异构建反转因子[5][15] - **具体构建过程**： 1. 取股票过去20日数据，计算每日隔夜收益率$r_{night}$和下午收益率$r_{afternoon}$[48] 2. 对40组收益率数据回归：$$r = \alpha + \beta R + \epsilon$$（R为对应时段指数收益率） 3. 计算隔夜与下午残差差值$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$ 4. 构造统计量 $$\mathrm{stat} = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$$[48] 5. 对动量因子回归取残差作为最终因子值[50] - **评价**：揭示日内交易模式差异，但需控制动量干扰[5][25] 4. **因子名称：理想振幅因子** - **构建思路**：基于股价高低状态切割振幅信息，捕捉结构性差异[5][15] - **具体构建过程**： 1. 计算股票过去20日每日振幅（最高价/最低价-1）[51] 2. 选取收盘价最高的25%交易日，计算振幅均值V_high 3. 选取收盘价最低的25%交易日，计算振幅均值V_low 4. 因子值V = V_high - V_low[51] - **评价**：价态切割增强信息纯度，多空收益显著[5][30] 5. **因子名称：交易行为合成因子** - **构建思路**：加权整合四个交易行为因子，提升稳定性[35] - **具体构建过程**： 1. 对单因子进行行业内去极值和标准化处理 2. 滚动12期ICIR加权计算合成因子值[35] - **评价**：组合效果优于单因子，尤其在中小盘股票中表现突出[35][42] --- 因子的回测效果 1. **理想反转因子** - 全历史IC均值：-0.051 - 全历史rankIC均值：-0.061 - 全历史IR：2.55 - 全历史多空对冲胜率：78.5% - 2025年4月多空收益：0.89% - 近12月胜率：66.7%[16][20] 2. **聪明钱因子** - 全历史IC均值：-0.038 - 全历史rankIC均值：-0.061 - 全历史IR：2.78 - 全历史多空对冲胜率：82.5% - 2025年4月多空收益：0.89% - 近12月胜率：100.0%[21][25] 3. **APM因子** - 全历史IC均值：0.030 - 全历史rankIC均值：0.034 - 全历史IR：2.32 - 全历史多空对冲胜率：77.6% - 2025年4月多空收益：-0.27% - 近12月胜率：75.0%[25][29] 4. **理想振幅因子** - 全历史IC均值：-0.054 - 全历史rankIC均值：-0.073 - 全历史IR：3.04 - 全历史多空对冲胜率：83.9% - 2025年4月多空收益：2.52% - 近12月胜率：83.3%[30][34] 5. **交易行为合成因子** - 全历史IC均值：0.068 - 全历史rankIC均值：0.092 - 全历史IR：3.36 - 全历史多空对冲胜率：82.2% - 2025年4月多空收益：0.99% - 近12月胜率：83.3%[35][40] - 国证2000中IR：3.00，中证1000中IR：2.98，中证800中IR：1.30[42] --- Barra风格因子表现（2025年4月） - 市值因子收益：0.09% - 账面市值比因子收益：0.11% - 成长因子收益：-0.19% - 盈利预期因子收益：-0.02%[4][14]