量化模型与构建方式 模型名称：限价订单簿（LOB）还原 - 模型构建思路：利用逐笔数据还原盘口行情，以提高订单簿的更新频率和信息丰富度[8][9] - 模型具体构建过程： - 集合竞价阶段：利用逐笔数据还原集合竞价阶段的买卖挂单信息[14] - 连续竞价阶段：逐笔委托中包含了连续竞价阶段的全部委托单信息，通过逐笔数据还原盘口行情[15][16] - 模型评价：可以将订单簿的更新频率提升到0.01秒以内，避免快照行情的延迟问题，实时跟踪订单簿的全貌[16] 模型名称：模拟撮合系统 - 模型构建思路：通过逐笔数据还原的盘口行情，模拟撮合过程以估计交易成本[17] - 模型具体构建过程： - 利用逐笔数据构造模拟撮合过程，确保成交优先级的精确性[18] - 适用于委托量较小的订单，大订单需要更复杂的系统[18] - 模型评价：可以更好地估计交易成本，但对大订单的模拟效果有限[18] 模型名称：限价单与市价单 TWAP 策略 - 模型构建思路：通过分散下单，降低冲击成本和极端交易价格对整体交易成本的影响[19] - 模型具体构建过程： - 市价单 TWAP：每3秒下等量的市价单[19] - 限价单 TWAP：每3秒以本方最优价下等量限价单，未成交部分在分钟末以市价单一次性下出[19] - 对京东方A、中国平安、证券ETF、创业板50ETF进行模拟实践，测试不同时间段和金额的成交效果[19][21] - 模型评价：限价单 TWAP 策略在流动性充裕的环境下应比市价单 TWAP 策略有更低的交易成本，但在成交概率较低时可能产生亏损[22] 模型名称：改进 TWAP 策略 - 模型构建思路：通过提高限价单的成交概率，降低强制成交比例[22] - 模型具体构建过程： - 定义限价买卖委托成交概率指标，指导下单决策[23][24] - 基于 LOB 指标预测买卖成交概率，改进 TWAP 策略[31][32] - 使用回归模型预测买卖成交概率，提供决策依据[36][37] - 模型评价：改进后的 TWAP 策略可以显著提升限价单的成交概率，降低强制成交比例，但效果因证券而异[30][38] 模型的回测效果 限价单 TWAP 策略 - 京东方A，限价单日均超额收益：0.005%（1000万，9:30-10:00），-0.005%（1亿，9:30-10:00）[21] - 中国平安，限价单日均超额收益：0.004%（1000万，9:30-10:00），-0.003%（1亿，9:30-10:00）[21] - 证券ETF，限价单日均超额收益：0.008%（200万，9:30-10:00），-0.003%（2000万，9:30-10:00）[21] - 创业板50ETF，限价单日均超额收益：0.006%（200万，9:30-10:00），0.002%（2000万，9:30-10:00）[21] 改进 TWAP 策略 - 京东方A，相对市价单超额收益：0.016%（1000万，9:30-10:00），0.008%（1亿，9:30-10:00）[44] - 中国平安，相对市价单超额收益：0.003%（1000万，9:30-10:00），-0.003%（1亿，9:30-10:00）[44] - 证券ETF，相对市价单超额收益：0.006%（200万，9:30-10:00），0.003%（2000万，9:30-10:00）[44] - 创业板50ETF，相对市价单超额收益：0.002%（200万，9:30-10:00），-0.006%（2000万，9:30-10:00）[44] 量化因子与构建方式 因子名称：买入意愿因子 - 因子的构建思路：结合盘口快照与逐笔成交数据，构建开盘后买入意愿占比因子[48] - 因子具体构建过程： - 定义委买增额和委卖增额，计算净委买增额和净主买成交额[48] - 利用 LOB 数据进一步分解为挂单、撤单、成交和净被动买入四个因子[50][51] - 因子评价：通过 LOB 指标重构现有价量因子，为观察市场微观结构提供了多维视角[55] 因子的回测效果 买入意愿因子 - 开盘后买入意愿占比（LOB），IC：0.034，IC-IR：4.006，IC胜率：88.9%，多空月均收益：1.25%[54] - 开盘后买入意愿占比（快照），IC：0.034，IC-IR：3.988，IC胜率：88.9%，多空月均收益：1.19%[54]