20260318-申万宏源-基于资金流数据的筹码结构因子构建——投资者分层视角下的信息增量_12页_4mb

基于资金流数据的筹码结构因子构建——投资者分层视角下的信息增量

核心内容概述

本报告探讨了基于资金流数据构建筹码结构因子的方法，重点分析了机构与散户投资者在筹码结构中的行为差异，并通过因子合成与市值分域优化，提升因子在选股中的预测能力和稳定性。报告从筹码平均成本的构建、资金分类下的结构改进、因子合成与表现分析、以及风险收益提示四个方面展开。

主要观点

1. 筹码结构在选股中的构建与应用

• 筹码结构反映了投资者在不同价格水平上的资金持仓分布，能够识别支撑位与压力位，并刻画多空力量的博弈状态。
• 相较于传统量价类因子，筹码结构提供了更丰富、差异化的市场行为信息。
• 实际测算中需引入合理假设，如将新增筹码按成交均价计算，将卖出筹码按换手率均匀处理。

2. 基于资金分类的筹码结构改进

• 传统筹码因子基于整体成交量，未区分机构与散户。引入资金分类后，可更准确地刻画不同投资者群体的持仓成本。
• 机构与散户的划分标准为：
  • 挂单额小于4万元：散户
  • 4万元至20万元：中户
  • 20万元至100万元：大户
  • 大于100万元：机构

3. 因子合成与表现分析

• 合成因子通过正交化处理，结合机构筹码成本与机构—散户筹码成本差，提升了预测效率和排序稳定性。
• 合成因子的Rank_IC均值为4.35%，优于传统筹码因子，且与动量、反转类因子相关性较低，具有独立信息价值。
• 在市值分域测试中，合成因子在中小市值股票中表现更优，而在大市值股票中需进行反向应用优化。

4. 风险收益提示

• 报告结果基于历史数据，未来市场结构可能变化，策略可能存在不稳定风险。
• 分红增长股票筛选依赖分析师预期数据，若预期出现系统性偏差，可能影响组合表现。
• 筹码因子不构成具体投资建议，仅作为参考信息，需结合专业意见进行决策。

关键信息总结

筹码成本因子

• 基于历史筹码与成交均价加权计算，刻画当前市场持仓成本。
• 与最新收盘价对比，衡量浮盈/浮亏状态。
• 在全市场表现中，空头端分离明显，多头端表现较弱。

机构筹码成本因子

• 使用机构投资者买入总量替代总体成交量，更聚焦机构行为。
• IC值略高于传统筹码因子，但提升有限。
• 与传统筹码因子高度相关，增量信息有限。

机构—散户筹码成本差因子

• 衡量机构与散户持仓成本差异，反映两类资金博弈。
• 在多头端表现更优，但IC值较低，预测强度有限。
• 与传统因子相关性较低，具有独立信息价值。

合成筹码因子

• 通过正交化合成机构筹码成本与机构—散户筹码成本差，提升预测能力与稳定性。
• 在全市场Rank_IC均值为4.35%，在市值分域优化后，ICIR显著提高。
• 在中证1000及以下市值股票中表现最佳，而在沪深300中需反向应用。

量差机构筹码成本因子

• 使用净买入量替代买入总量，综合考虑筹码进入与退出。
• IC值进一步提升至5.14%，但五分组表现更极端。
• 与传统筹码成本因子相关性较低，提供额外信息增量。

因子表现对比

因子相关性分析

市值分域分析

风险提示

• 报告结果基于历史数据，未来市场结构可能变化，策略可能失效。
• 使用分析师预期数据筛选股票，存在预期偏误风险。
• 筹码因子不构成具体投资建议，仅用于参考分析。
• 本报告内容仅限专业投资者使用，非官方发布平台，信息仅供参考。