量化模型与构建方式 量化因子与构建方式 1. 因子名称：理想反转因子[5][39] 因子构建思路：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[5][39] 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[41] （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）[41] （3）单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[41] （4）单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[41] （5）理想反转因子 M = M_high–M_low[41] （6）对所有股票，都进行以上操作，计算各自的理想反转因子 M[41] 2. 因子名称：聪明钱因子[5][40] 因子构建思路：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5][40] 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[40] （2）构造指标 $S_t = |R_t| / (V_t)^{0.25}$，其中 $R_t$ 为第t分钟涨跌幅，$V_t$ 为第t分钟成交量[40] （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[40] （4）计算聪明钱交易的成交量加权平均价VWAPsmart[42] （5）计算所有交易的成交量加权平均价VWAPall[42] （6）聪明钱因子 $Q = VWAP_{smart} / VWAP_{all}$[40] 3. 因子名称：APM因子[5][41] 因子构建思路：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[5][41] 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 $r_{night}$，隔夜的指数收益率为 $R_{night}$；逐日下午的股票收益率为 $r_{afternoon}$，下午的指数收益率为 $R_{afternoon}$[41] （2）将得到的40组隔夜与下午(r,R)的收益率数据进行回归：$r = \alpha + \beta R + \epsilon$，得到残差项[41] （3）以上得到的40个残差中，隔夜残差记为 $\epsilon_{night}$，下午残差记为 $\epsilon_{afternoon}$，进一步计算每日隔夜与下午残差的差值 $\delta_t = \epsilon_{night} - \epsilon_{afternoon}$[41] （4）构造统计量stat来衡量隔夜与下午残差的差异程度，计算公式如下（$\mu$ 为均值，$\sigma$ 为标准差）：$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$[43] （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：$stat = \alpha + \beta \cdot Ret20 + \epsilon$，其中Ret20为股票过去20日的收益率，代表动量因子[44] （6）将回归得到的残差值 $\epsilon$ 作为APM因子[44] 4. 因子名称：理想振幅因子[5][46] 因子构建思路：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5][46] 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）[46] （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[46] （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[46] （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[46] 5. 因子名称：交易行为合成因子[31] 因子构建思路：将多个交易行为因子进行加权合成，以获取更稳健的表现[31] 因子具体构建过程： （1）因子值处理：将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[31] （2）因子权重：滚动选取过去12期因子ICIR值作为权重[31] （3）加权合成：使用上述权重对标准化后的因子值进行加权，形成交易行为合成因子[31] 模型的回测效果 1. 理想反转因子，IC均值-0.050[6][15]，rankIC均值-0.060[6][15]，信息比率2.46[6][15]，多空对冲月度胜率77.4%[6][15]，2025年9月多空对冲收益-0.42%[7][15]，近12个月多空对冲月度胜率58.3%[7][15] 2. 聪明钱因子，IC均值-0.037[6][18]，rankIC均值-0.061[6][18]，信息比率2.70[6][18]，多空对冲月度胜率81.8%[6][18]，2025年9月多空对冲收益0.30%[7][18]，近12个月多空对冲月度胜率83.3%[7][18] 3. APM因子，IC均值0.029[6][22]，rankIC均值0.034[6][22]，信息比率2.29[6][22]，多空对冲月度胜率76.4%[6][22]，2025年9月多空对冲收益1.68%[7][22]，近12个月多空对冲月度胜率50.0%[7][22] 4. 理想振幅因子，IC均值-0.053[6][26]，rankIC均值-0.073[6][26]，信息比率2.98[6][26]，多空对冲月度胜率83.2%[6][26]，2025年9月多空对冲收益0.40%[7][26]，近12个月多空对冲月度胜率66.7%[7][26] 5. 交易行为合成因子，IC均值0.066[6][31]，rankIC均值0.091[6][31]，多空对冲信息比率3.23[6][31]，多空对冲月度胜率82.1%[6][31]，多头对冲组均值年化收益率8.39%[31]，收益波动比2.67[31]，月度胜率79.1%[31]，2025年9月多空对冲收益0.57%[7][31]，近12个月多空对冲月度胜率75.0%[7][31]；在国证2000中信息比率2.79[31]，在中证1000中信息比率2.67[31]，在中证800中信息比率1.02[31]