有限关注因子构建 - 投资者关注度是稀缺资源 导致非理性决策行为 高关注度股票被优先纳入决策但长期表现不佳 [1] - 构建四个细分指标：异常换手率（当日换手率/过去252日平均换手率） 异常成交量（当日成交量/过去252日平均成交量） 极端收益（当日收益与市场收益差的平方） 龙虎榜指标（上榜取1否则0） [2] - 采用线性合成与随机森林两种方法合成因子 线性合成将三个连续变量标准化后加总 取值范围0-4 随机森林使用过去60个月训练 以收益前20%和后20%作为标签 得到负例概率 [3] - 随机森林法带有收益预测属性 因子分组收益和IC表现更显著 [4] 因子表现验证 - 高有限关注组别显示股东户数增长更明显 验证因子对散户关注度的刻画能力 线性合成法最高最低组区分度更突出 [7] - 随机森林法RankIC为-0.076 RankICIR为-0.86 胜率70.1% 线性合成法RankIC为-0.081 RankICIR为-0.71 胜率66.7% [8] - 因子在中证1000表现最佳 因小盘股中散户追涨杀跌行为更易引起股价波动 [12][13] 市场择时应用 - 2019-2021年上半年因子IC回撤 显示散户追涨赚钱效应强 2021年下半年后因子持续负向 [14][17] - 行业涨跌趋势一致性指标与因子IC波动高度相关 沪深300和中证1000因子IC相关性达0.5 [19] - 基于沪深300因子IC择时策略：IC高于12个月均线满仓否则空仓 年化收益5.12% 夏普率0.35 月度胜率76.32% [22][23] - 大小盘轮动策略：IC高于均线做多沪深300否则做多中证1000 年化收益7.25% 夏普率0.32 [22][23] 选股策略应用 - 在指数增强组合中作为负向因子使用 沪深300和中证500中直接叠加因子效果更好 中证1000中无增强效果 [26][30] - 高关注域中价量因子（低波动率、低流动性、长期动量）和成长因子表现突出 盈利价值因子有效性下降 [31][32] - 分域指数增强组合：沪深300年化收益13.11% 夏普率0.69 中证500年化收益14.06% 夏普率0.66 [36] - 分域选股组合：沪深300年化收益15.34% 夏普率0.74 中证500年化收益14.94% 夏普率0.70 [38][39] 因子特性总结 - 因子通过异常换手率、异常成交量、极端收益和龙虎榜指标构建 有效刻画散户关注度 [40] - 因子IC为负向 高关注股票后续回撤风险大 尤其在小盘股中表现显著 [40][13] - 因子IC波动可反映市场赚钱效应 2019-2021年上半年为正向 2021年下半年后转为负向 [40] - 在选股应用中 对大市值股票池（沪深300/中证500）的增量效果更明显 [41]

有限关注因子构建 - 传统金融市场研究假设投资者能瞬时识别所有信息并反映至资产价格，但现实中投资者关注度是稀缺资源，需分配至家庭、工作等领域[1] - Barber和Odean(2008)选取极端收益、异常交易量、新闻头版作为关注度代理指标，发现个人投资者优先买入高关注股票但后续表现不佳[1] - 国内龙虎榜研究显示上榜股票短期吸引跟进买入但长期收益反转[1] - 因子构建采用异常换手率(日换手率/过去252日均值)、异常成交量(日成交量/过去252日均值)、极端收益(日收益与市场均值偏离平方)、龙虎榜指标(0/1虚拟变量)[2][3] 因子合成方法 - 线性合成法：对连续变量排序标准化后相加，因子值范围0-4，值越大代表散户关注度越高[3] - 随机森林法：用过去60个月数据训练模型，以收益前20%和后20%作为正负例标签，预测负例概率作为关注度指标[3][4] - 随机森林法因包含收益预测属性，其分组收益效果和IC表现显著优于线性合成法[4] 因子表现验证 - 高关注组股票股东户数增长更显著，线性合成法在极端分组区分度更突出[7] - 全市场测试显示随机森林法RankIC为-0.076，胜率70.1%，优于线性合成法的-0.081和66.7%胜率[8] - 因子在中证1000表现最佳，因小盘股更易受散户"追涨杀跌"影响导致后续回撤[12][13] 因子IC的市场信号功能 - 2019-2021年上半年因子IC回撤，显示散户追涨赚钱效应显著，尤其沪深300；2021年下半年后IC转负[14][17] - 沪深300因子IC与行业轮动速度指标相关性达0.5，IC高位时市场表现较好[19] - 基于沪深300因子IC的择时策略年化收益5.12%，夏普率0.35，月度胜率76.32%[22][23] 因子在指数增强中的应用 - 沪深300叠加有限关注因子组合年化收益13.84%，夏普率0.73，显著优于基础组合的12.17%和0.64[29] - 中证500叠加因子组合年化收益13.95%，但中证1000应用效果不明显[29][30] - 分域测试显示高关注组中低波动率、低流动性、长期动量因子IC提升显著，成长因子IC达0.0206 vs 非关注组0.0143[32][33] - 分域选股策略在沪深300实现15.34%年化收益，夏普率0.74，优于原选股组合的12.80%[40]

核心观点 - "有限关注"因子通过异常换手、异常成交、极端收益、龙虎榜等指标构建，代表个股被散户关注的程度，因子平均IC为负向，在偏小股票池中表现更突出[3][6][23] - 因子IC变化能反映市场"赚钱效应"，2019-2021年上半年因子IC明显回撤，显示散户追涨股票赚钱效应强，用沪深300因子IC构建择时信号月度胜率达70%以上[3][25][33] - 在指数增强组合中，直接叠加因子方法在沪深300和中证500中表现优于剔除法，但对中证1000无效，因子对大股票池选股增量效果更明显[3][35][40] - 有限关注域中价量类因子（低波动率、低流动性、长期动量）和成长类因子表现突出，估值类因子（盈利、价值、红利）有效性下降，分域选股组合收益提升更明显[3][41][55] 因子构建 - 采用异常换手率、异常成交量、极端收益、龙虎榜四个细分指标，通过线性合成和随机森林两种方法构建因子，随机森林法ICIR和胜率更高（RankICIR -0.86，胜率70.1%）[8][13][19] - 验证显示因子最高分组股东户数平均变化达+3,000户（线性合成法），显著高于最低分组的-500户，证实因子对散户关注度的刻画能力[15][17][19] - 全市场测试中因子在中证1000表现最佳，月均多空收益1.2%，IC值-0.12，显著优于沪深300的0.6%和-0.08[23][24] 市场应用 - 沪深300因子IC与行业涨跌趋势一致性指标相关性达0.5（2019-2021年），可用于判断市场强弱，构建的沪深300/中证1000轮动策略年化收益7.25%，最大回撤38.34%[29][32] - 沪深300指数增强组合叠加因子后年化收益提升至13.84%（原12.17%），夏普率从0.64增至0.73，中证500组合年化收益从13.43%提升至13.95%[36][40] - 分域测试显示有限关注域中低波动率因子IC达-0.0406（非域-0.0169），成长因子IC 0.0206（非域0.0143），分析师预期变化因子IC 0.0482（非域0.0036）[42][43] 组合优化 - 分域指数增强组合在沪深300中年化收益13.11%（原12.17%），中证500中14.06%（原13.43%），但增量效果弱于直接叠加因子法[48] - 50只股票的分域选股组合表现更优，沪深300组合年化收益15.34%（原12.80%），中证500组合14.94%（原13.40%），夏普率分别提升至0.74和0.70[55]