20220731-开源证券-金融工程专题_开源交易行为因子绩效月报（2022年07月）_11页_1mb

金融工程研究团队及交易行为因子总结

团队成员

• 魏建榕（首席分析师）
  证书编号：S0790519120001

• 张翔（分析师）
  证书编号：S0790520110001

• 傅开波（分析师）
  证书编号：S0790520090003

• 高鹏（分析师）
  证书编号：S0790520090002

• 苏俊豪（分析师）
  证书编号：S0790522020001

• 胡亮勇（分析师）
  证书编号：S0790522030001

• 王志豪（分析师）
  证书编号：S0790522070003

• 盛少成（研究员）
  证书编号：S0790121070009

• 苏良（研究员）
  证书编号：S0790121070008

相关研究报告

• 《市场微观结构研究系列（1）-A股反转之力的微观来源》（2019.12.23）
• 《市场微观结构研究系列（2）-交易行为因子的2019年》（2019.12.28）
• 《市场微观结构研究系列（3）-聪明钱因子模型的2.0版本》（2020.2.9）
• 《市场微观结构研究系列（5）-APM因子模型的进阶版》（2020.3.7）

开源交易行为因子概述

该团队基于交易行为模式研究，提出了一系列选股因子，包括理想反转因子、聪明钱因子、APM因子和理想振幅因子。这些因子均以市场微观结构为基础，旨在捕捉市场中潜在的alpha源。

• 理想反转因子：通过分析大单成交情况，识别反转属性最强的交易日，构建反转因子。
• 聪明钱因子：基于分钟行情的价量数据，识别机构交易行为，构造跟踪聪明钱的因子。
• APM因子：通过日内不同时段的交易行为差异，衡量股价行为的上午与下午的差异程度。
• 理想振幅因子：根据股价高低位的振幅差异，捕捉不同价态下的市场信息。

7月份因子表现

• 理想反转因子在7月份表现不佳，多空对冲收益为负，但全历史胜率为78.4%。
• 聪明钱因子、APM因子和理想振幅因子在7月份均取得正收益，其中理想振幅因子表现最佳。
• 交易行为合成因子在7月份多空对冲收益为0.08%，但近12个月胜率高达91.7%。

全历史绩效回顾

• 理想振幅因子信息比率最高，为3.35，且近12个月胜率高达91.7%。
• 交易行为合成因子综合表现较好，信息比率为3.68，胜率为85.4%。

合成因子表现差异

• 合成因子在中证1000中的表现优于中证800，全历史区间内信息比率分别为3.79和1.27。
• 合成因子在中小股票池中更具优势。

因子构造方法

5.1 理想反转因子

1. 回溯股票过去20日数据；
2. 计算每日平均单笔成交金额；
3. 选取单笔成交金额高的10个交易日，计算涨跌幅总和（M_high）；
4. 选取单笔成交金额低的10个交易日，计算涨跌幅总和（M_low）；
5. 理想反转因子 = M_high - M_low。

5.2 聪明钱因子

1. 回溯股票过去10日分钟行情数据；
2. 构造指标 $S_t = |R_t| / V_t^{0.25}$；
3. 按照 $S_t$ 从大到小排序，取成交量累积占比前20%的分钟作为聪明钱交易；
4. 计算聪明钱交易的VWAP与全交易VWAP的比值，作为聪明钱因子。

5.3 APM因子

1. 回溯股票过去20日数据，分别计算隔夜与下午的收益率；
2. 对40组（r, R）进行回归，得到残差项；
3. 计算隔夜与下午残差的差值 $\delta_t$；
4. 构造统计量 $stat = \mu(\delta_t) / (\sigma(\delta_t) / \sqrt{N})$；
5. 对动量因子进行横截面回归，取残差作为APM因子。

5.4 理想振幅因子

1. 回溯股票最近20个交易日数据，计算每日振幅（最高价/最低价 - 1）；
2. 选取收盘价较高的25%交易日，计算振幅均值得到高价振幅因子V_high；
3. 选取收盘价较低的25%交易日，计算振幅均值得到低价振幅因子V_low；
4. 理想振幅因子 = V_high - V_low。

风险提示

• 模型测试基于历史数据，存在市场波动不确定性下的失效风险。
• 投资者应根据自身风险承受能力及投资目标审慎决策，不依赖单一因子或模型进行投资。

投资者声明

• 本报告适用于专业投资者及风险承受能力为C3、C4、C5的普通投资者。
• 若非上述投资者，请勿阅读、接收或使用本报告内容。
• 投资决策应结合个人实际情况，如需，可咨询独立投资顾问。