量化模型与构建方式 Barra 风格因子 - 因子名称：市值因子、账面市值比因子、成长因子、盈利预期因子 - 因子的构建思路：通过对不同风格因子的收益进行跟踪，分析其表现 - 因子具体构建过程： - 市值因子：通过市值大小来区分大盘和小盘股票 - 账面市值比因子：通过账面市值比来区分价值和成长股票 - 成长因子：通过成长性指标来衡量股票的成长性 - 盈利预期因子：通过盈利预期来衡量股票的盈利能力 - 因子评价：这些因子能够有效地捕捉市场中不同风格的表现[6][15][24] 理想反转因子 - 因子名称：理想反转因子 - 因子的构建思路：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 - 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 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） 3. 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high 4. 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low 5. 理想反转因子 $ M = M_{high} - M_{low} $ 6. 对所有股票，计算各自的理想反转因子 M - 因子评价：能够有效捕捉反转属性最强的交易日[7][201] 聪明钱因子 - 因子名称：聪明钱因子 - 因子的构建思路：从分钟行情数据的价量信息中，识别出机构参与交易的多寡 - 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 2. 构造指标 $ S_t = \frac{|R_t|}{V_t^{0.925}} $，其中 $ R_t $ 为第 t 分钟涨跌幅，$ V_t $ 为第 t 分钟成交量 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 4. 计算聪明钱交易的成交量加权平均价 $ VWAP_{smart} $ 5. 计算所有交易的成交量加权平均价 $ VWAP_{all} $ 6. 聪明钱因子 $ Q = \frac{VWAP_{smart}}{VWAP_{all}} $ - 因子评价：能够有效识别机构参与交易的多寡[7][202] APM 因子 - 因子名称：APM 因子 - 因子的构建思路：衡量股价行为上午（或隔夜）与下午的差异程度 - 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_{overnight} $，隔夜的指数收益率为 $ R_{overnight} $；逐日下午的股票收益率为 $ r_{afternoon} $，下午的指数收益率为 $ R_{afternoon} $ 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_i = \alpha + \beta R_i + \epsilon_i $，得到残差项 $ \epsilon_i $ 3. 计算每日隔夜与下午残差的差值 $ \delta \epsilon = \epsilon_{overnight} - \epsilon_{afternoon} $ 4. 构造统计量 $ stat = \frac{\mu(\delta \epsilon)}{\sigma(\delta \epsilon) / \sqrt{N}} $ 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_i = bRet20_i + \epsilon_i $，其中 $ Ret20 $ 为股票过去20日的收益率，代表动量因子 6. 将回归得到的残差值 $ \epsilon $ 作为 APM 因子 - 因子评价：能够有效衡量股价行为上午与下午的差异程度[7][203] 理想振幅因子 - 因子名称：理想振幅因子 - 因子的构建思路：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 - 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） 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} $ 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} $ 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} $ - 因子评价：能够有效衡量股票高价态和低价态振幅信息差异程度[7][204] 交易行为合成因子 - 因子名称：交易行为合成因子 - 因子的构建思路：将多个交易行为因子进行合成，形成一个综合因子 - 因子具体构建过程： 1. 对上述交易行为因子在行业内进行因子去极值与因子标准化 2. 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 - 因子评价：能够综合反映多个交易行为因子的表现[7][126] 因子的回测效果 Barra 风格因子 - 市值因子，收益1.65%[6][15][24] - 账面市值比因子，收益0.15%[6][15][24] - 成长因子，收益-0.03%[6][15][24] - 盈利预期因子，收益0.14%[6][15][24] 理想反转因子 - IC均值-0.051[8] - rankIC均值-0.061[8] - 信息比率2.53[8] - 多空对冲月度胜率77.8%[8] - 6月份多空对冲收益0.52%[9] - 近12个月多空对冲月度胜率58.3%[9] 聪明钱因子 - IC均值-0.036[8] - rankIC均值-0.058[8] - 信息比率2.70[8] - 多空对冲月度胜率82.7%[8] - 6月份多空对冲收益0.11%[9] - 近12个月多空对冲月度胜率83.3%[9] APM 因子 - IC均值0.030[8] - rankIC均值0.034[8] - 信息比率2.36[8] - 多空对冲月度胜率78.2%[8] - 6月份多空对冲收益0.30%[9] - 近12个月多空对冲月度胜率58.3%[9] 理想振幅因子 - IC均值-0.055[8] - rankIC均值-0.072[8] - 信息比率3.05[8] - 多空对冲月度胜率84.7%[8] - 6月份多空对冲收益0.14%[9] - 近12个月多空对冲月度胜率75.0%[9] 交易行为合成因子 - IC均值0.068[8] - rankIC均值0.091[8] - 多空对冲信息比率3.30[8] - 多空对冲月度胜率83.2%[8] - 6月份多空对冲收益0.48%[9] - 近12个月多空对冲月度胜率66.7%[9]