1）异常换手率 $\Sigma_{\text{}}Turnover=\dfrac{Turnover_{i,d}}{\Sigma_{\text{}}Turnover_{i,d}}$ $$\Sigma\,T u r n o v e r_{i,d-t}/252$$ 其中分子是股票当个交易日的换手率，分母是股票过去252个交易日的平均换手率，最后将股票的日度异常换手率按月取平均，可以得到股票的月度异常换手率指标。 2）异常成交量 $$A B\_{V o l u m n}={\frac{V o l u m n_{i,d}}{\sum V o l u m n_{i,d-t}/252}}$$ 1.有限关注因子构建 传统对金融市场的研究通常基于以下核心假设：金融市场能够对所有新信息作出瞬时识别，并将其完全反映至资产价格中，从而形成对资产价值的最优估计，也就是所谓的强 有效市场。然而，这一理论框架隐含着一个关键前提：投资者需要持续且全面地关注各类信息，并将其精准纳入投资决策流程。Kahneman（1973）首次提出 "投资者关注度 是一种稀缺资源" 的理论，指出个人投资者在现实场景中，除了股票市场，还需将精力分配至家庭与工作等 ...

核心观点 - "有限关注"因子通过异常换手、异常成交、极端收益、龙虎榜等指标构建，代表个股被散户关注的程度，因子平均IC为负向，在偏小股票池中表现更突出[3][6][23] - 因子IC变化能反映市场"赚钱效应"，2019-2021年上半年因子IC明显回撤，显示散户追涨股票赚钱效应强，用沪深300因子IC构建择时信号月度胜率达70%以上[3][25][33] - 在指数增强组合中，直接叠加因子方法在沪深300和中证500中表现优于剔除法，但对中证1000无效，因子对大股票池选股增量效果更明显[3][35][40] - 有限关注域中价量类因子（低波动率、低流动性、长期动量）和成长类因子表现突出，估值类因子（盈利、价值、红利）有效性下降，分域选股组合收益提升更明显[3][41][55] 因子构建 - 采用异常换手率、异常成交量、极端收益、龙虎榜四个细分指标，通过线性合成和随机森林两种方法构建因子，随机森林法ICIR和胜率更高（RankICIR -0.86，胜率70.1%）[8][13][19] - 验证显示因子最高分组股东户数平均变化达+3,000户（线性合成法），显著高于最低分组的-500户，证实因子对散户关注度的刻画能力[15][17][19] - 全市场测试中因子在中证1000表现最佳，月均多空收益1.2%，IC值-0.12，显著优于沪深300的0.6%和-0.08[23][24] 市场应用 - 沪深300因子IC与行业涨跌趋势一致性指标相关性达0.5（2019-2021年），可用于判断市场强弱，构建的沪深300/中证1000轮动策略年化收益7.25%，最大回撤38.34%[29][32] - 沪深300指数增强组合叠加因子后年化收益提升至13.84%（原12.17%），夏普率从0.64增至0.73，中证500组合年化收益从13.43%提升至13.95%[36][40] - 分域测试显示有限关注域中低波动率因子IC达-0.0406（非域-0.0169），成长因子IC 0.0206（非域0.0143），分析师预期变化因子IC 0.0482（非域0.0036）[42][43] 组合优化 - 分域指数增强组合在沪深300中年化收益13.11%（原12.17%），中证500中14.06%（原13.43%），但增量效果弱于直接叠加因子法[48] - 50只股票的分域选股组合表现更优，沪深300组合年化收益15.34%（原12.80%），中证500组合14.94%（原13.40%），夏普率分别提升至0.74和0.70[55]