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]

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

量化模型与构建方式 Barra风格因子模型 1. **模型名称**：Barra风格因子模型[3][13] 2. **模型构建思路**：该模型通过多个风格维度来刻画股票的风险收益特征，例如市值规模、价值/成长等[3][13] 3. **模型具体构建过程**：报告中未详细描述Barra风格因子的具体构建过程，仅提及了部分因子在特定月份的表现[3][13] 开源交易行为因子 1. **因子名称**：理想反转因子[4][14][41] 2. **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][14] 3. **因子具体构建过程**： * 对选定股票，回溯取其过去20日的数据[43] * 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] * 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[43] * 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[43] * 理想反转因子 M = M_high – M_low[43] * 对所有股票，都进行以上操作，计算各自的理想反转因子 M[43] 4. **因子名称**：聪明钱因子[4][14][42] 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[4][14] 6. **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[42] * 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] * 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[42] * 计算聪明钱交易的成交量加权平均价 VWAPsmart[44] * 计算所有交易的成交量加权平均价 VWAPall[44] * 聪明钱因子 $$Q = VWAP_{smart} / VWAP_{all}$$[42] 7. **因子名称**：APM因子[4][14][43] 8. **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][14] 9. **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 $$r_{night, t}$$，隔夜的指数收益率为 $$R_{night, t}$$；逐日下午的股票收益率为 $$r_{afternoon, t}$$，下午的指数收益率为 $$R_{afternoon, t}$$[43] * 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 $$\epsilon$$[43] * 以上得到的40个残差中，隔夜残差记为 $$\epsilon_{night, t}$$，下午残差记为 $$\epsilon_{afternoon, t}$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night, t} - \epsilon_{afternoon, t}$$[43] * 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）：$$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[45] * 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[46] * 将回归得到的残差值 $$\epsilon$$ 作为 APM 因子[46] 10. **因子名称**：理想振幅因子[4][14][48] 11. **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[4][14] 12. **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）[48] * 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[48] * 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[48] * 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[48] 13. **因子名称**：交易行为合成因子[5][32] 14. **因子构建思路**：将多个交易行为因子进行加权合成，以综合其信息[32] 15. **因子具体构建过程**： * 因子值方面，将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[32] * 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[32] 模型的回测效果 1. **Barra风格因子模型**：2025年11月，市值因子收益-0.18%，账面市值比因子收益0.20%，成长因子收益-0.23%，盈利预期因子收益-0.35%[3][13] 因子的回测效果 1. **理想反转因子**： * 全历史区间：IC均值 -0.049，rankIC均值 -0.060，信息比率 2.44，多空对冲月度胜率 77.7%[5][15] * 2025年11月：多空对冲收益 -1.52%[6][15] * 近12个月：多空对冲月度胜率 58.3%[6][15] 2. **聪明钱因子**： * 全历史区间：IC均值 -0.037，rankIC均值 -0.062，信息比率 2.72，多空对冲月度胜率 81.3%[5][19] * 2025年11月：多空对冲收益 0.22%[6][19] * 近12个月：多空对冲月度胜率 83.3%[6][19] 3. **APM因子**： * 全历史区间：IC均值 0.028，rankIC均值 0.033，信息比率 2.23，多空对冲月度胜率 76.0%[5][23] * 2025年11月：多空对冲收益 -0.43%[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**： * 全历史区间：IC均值 -0.054，rankIC均值 -0.074，信息比率 3.03，多空对冲月度胜率 83.4%[5][27] * 2025年11月：多空对冲收益 0.49%[6][27] * 近12个月：多空对冲月度胜率 66.7%[6][27] 5. **交易行为合成因子**： * 全历史区间：IC均值 0.066，rankIC均值 0.093，多空对冲信息比率 3.30，多空对冲月度胜率 79.4%[5][32] * 全历史区间（多头对冲组均值）：年化收益率 8.26%，收益波动比 2.64，月度胜率 78.7%[32] * 2025年11月：多空对冲收益 -0.21%[6][32] * 近12个月：多空对冲月度胜率 66.7%[6][32] * 不同股票池信息比率：国证2000为2.86，中证1000为2.66，中证800为1.04[32]

量化模型与构建方式 量化因子与构建方式 1. **因子名称**：理想反转因子[5][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[5][39] **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][40] **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][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][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[5][41] **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[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）：$$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[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][46] **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][46] **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[31] **因子构建思路**：将多个交易行为因子进行加权合成，以获取更稳健的表现[31] **因子具体构建过程**： （1）因子值处理：将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[31] （2）因子权重：滚动选取过去12期因子ICIR值作为权重[31] （3）加权合成：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[31] 模型的回测效果 1. **理想反转因子**，IC均值-0.050[6][15]，rankIC均值-0.060[6][15]，信息比率2.46[6][15]，多空对冲月度胜率77.4%[6][15]，2025年9月多空对冲收益-0.42%[7][15]，近12个月多空对冲月度胜率58.3%[7][15] 2. **聪明钱因子**，IC均值-0.037[6][18]，rankIC均值-0.061[6][18]，信息比率2.70[6][18]，多空对冲月度胜率81.8%[6][18]，2025年9月多空对冲收益0.30%[7][18]，近12个月多空对冲月度胜率83.3%[7][18] 3. **APM因子**，IC均值0.029[6][22]，rankIC均值0.034[6][22]，信息比率2.29[6][22]，多空对冲月度胜率76.4%[6][22]，2025年9月多空对冲收益1.68%[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**，IC均值-0.053[6][26]，rankIC均值-0.073[6][26]，信息比率2.98[6][26]，多空对冲月度胜率83.2%[6][26]，2025年9月多空对冲收益0.40%[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**，IC均值0.066[6][31]，rankIC均值0.091[6][31]，多空对冲信息比率3.23[6][31]，多空对冲月度胜率82.1%[6][31]，多头对冲组均值年化收益率8.39%[31]，收益波动比2.67[31]，月度胜率79.1%[31]，2025年9月多空对冲收益0.57%[7][31]，近12个月多空对冲月度胜率75.0%[7][31]；在国证2000中信息比率2.79[31]，在中证1000中信息比率2.67[31]，在中证800中信息比率1.02[31]

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过每日平均单笔成交金额的大小切割出反转属性最强的交易日，认为A股反转之力的微观来源是大单成交[4] - **具体构建过程**： 1. 回溯股票过去20日数据 2. 计算每日平均单笔成交金额（成交金额/成交笔数） 3. 单笔成交金额高的10个交易日涨跌幅加总为M_high 4. 单笔成交金额低的10个交易日涨跌幅加总为M_low 5. 因子值M = M_high - M_low[42] - **因子评价**：逻辑清晰，聚焦大单交易的反转效应 2. **因子名称：聪明钱因子** - **构建思路**：从分钟行情价量信息识别机构交易参与度，构造跟踪聪明钱的指标[4] - **具体构建过程**： 1. 取股票过去10日分钟数据 2. 计算每分钟指标 $$S_t = |R_t| / V_t^{0.25}$$（$$R_t$$为分钟涨跌幅，$$V_t$$为分钟成交量） 3. 按$$S_t$$排序，取成交量累积前20%的分钟作为聪明钱交易 4. 计算聪明钱VWAP（成交量加权均价）与整体VWAP的比值Q = VWAPsmart/VWAPall[41][43] - **因子评价**：有效捕捉机构交易行为特征 3. **因子名称：APM因子** - **构建思路**：衡量股价在日内不同时段（上午/下午）的行为差异[4] - **具体构建过程**： 1. 取股票过去20日隔夜与下午收益率数据 2. 回归计算残差：$$r = \alpha + \beta R + \epsilon$$ 3. 计算隔夜与下午残差差异统计量： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$ 4. 对动量因子回归取残差作为APM因子[44][45] - **因子评价**：揭示日内交易模式的结构性差异 4. **因子名称：理想振幅因子** - **构建思路**：基于股价维度切割振幅，分析高价态与低价态的信息差异[4] - **具体构建过程**： 1. 计算股票过去20日振幅（最高价/最低价-1） 2. 高价振幅V_high = 收盘价最高25%交易日的振幅均值 3. 低价振幅V_low = 收盘价最低25%交易日的振幅均值 4. 因子值V = V_high - V_low[47] - **因子评价**：有效区分不同价格区间的振幅信息 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[31] - **具体构建过程**： 1. 对单因子进行行业去极值与标准化 2. 滚动12期ICIR加权计算合成因子值[31] 因子回测效果 1. **理想反转因子** - 全历史IC均值：-0.050 - 全历史rankIC均值：-0.061 - 全历史IR：2.52 - 全历史多空胜率：78.0% - 2025年5月收益：-0.63% - 近12月胜率：66.7%[5][14] 2. **聪明钱因子** - 全历史IC均值：-0.037 - 全历史rankIC均值：-0.061 - 全历史IR：2.73 - 全历史多空胜率：81.9% - 2025年5月收益：-0.86% - 近12月胜率：91.7%[5][18] 3. **APM因子** - 全历史IC均值：0.029 - 全历史rankIC均值：0.034 - 全历史IR：2.28 - 全历史多空胜率：77.1% - 2025年5月收益：-1.03% - 近12月胜率：66.7%[5][22] 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：2.99 - 全历史多空胜率：83.4% - 2025年5月收益：-1.50% - 近12月胜率：75.0%[5][26] 5. **交易行为合成因子** - 全历史IC均值：0.067 - 全历史rankIC均值：0.092 - 全历史IR：3.28 - 全历史多空胜率：82.3% - 2025年5月收益：-1.58% - 近12月胜率：83.3%[5][31] - 中小盘表现：国证2000 IR=2.95，中证1000 IR=2.92[31]