A股反转之力的微观来源

开源魏建榕 2026-07-08 置信度: high

综合质量 5 /5

新颖性 5 /5

可复现性 4 /5

核心内容

报告从微观结构角度改进传统反转因子Ret20。原W式切割按“平均单笔成交金额”高低将过去20日分为两组(M_high和M_low)并求涨跌幅差值。新方法改用单笔成交金额分位数作为切割标准，发现高分位切割下M_high反转特性显著增强，进而推出基于13/16分位的新反转因子M_high_13/16。

经济逻辑

A股逐笔成交金额呈极度右偏的“金字塔”分布，均值(2.1万)远大于中位数(0.8万)。大单成交(高分位区)往往伴随机构或主力资金的博弈，容易造成资产价格短期的过度反应，从而在后续产生均值回归(反转效应)；而小单成交多为散户随机交易，呈现微弱的动量效应。因此，将涨跌幅基于大单成交分布特征进行切割，能更纯粹地提取反转效应。

超额收益逻辑

大单成交代表了知情交易者或资金主力行为，容易造成资产价格短期的过度反应，从而在后续产生均值回归(反转)。通过提取被大单成交主导的交易日（13/16分位较高的日子）的涨跌幅，能更纯净地刻画这种过度反应带来的反转势能，剥离小单带来的动量噪音。

构造细节 [factor]

因子定义

1. 回看股票S过去20个交易日；2. 对于每个交易日t，计算其日内所有逐笔成交金额分布的13/16分位数，记为Q_t；3. 将过去20日的Q_t按从大到小排序，取前10个交易日构成集合T_high；4. 将T_high中的日涨跌幅(_RET)加总，得到 M_high_13/16 = Σ(RET_t), t∈T_high。该因子为反转因子，因子值越大，预期未来收益越低。

处理流程

获取A股全市场日频行情数据(涨跌幅)及Level-2逐笔成交数据
针对每只股票每个交易日，基于当日全部逐笔成交记录，计算单笔成交金额的13/16分位数值
对于每只股票，取过去20个交易日的13/16分位数值进行时间序列排序
选出该分位数值最大的10个交易日，将其日涨跌幅求和，得到M_high_13/16因子值
对全市场股票的因子值进行横截面去极值(如MAD法)和标准化(如Z-score)处理
按因子值分10组(或多空Top/Bottom组)，月度调仓计算多空对冲净值与IC序列

参数

回溯期: 20切割分位数: 13/16高低组划分: 10/10

数据输入

: (日频): (日频): (日频): (逐笔(Level-2))

组合方式

无直接组合，单因子测试

绩效

2.51

多空IR(理想反转因子)

74%

月度胜率(理想反转因子)

1.20

多空IR(Ret20)

64%

月度胜率(Ret20)

2.00

多空IR(M_high_13/16)

72.0%

月度胜率(M_high_13/16)

-0.070

IC(M_high_13/16)

-0.087

rankIC(M_high_13/16)

基准: 传统反转因子Ret20

回测期: 2013年至今

改进后的W式切割反转因子M_high_13/16多空IR为2.00，月度胜率72.0%，在保留长期收益特征的同时，成功规避了2019年2月份传统反转因子和理想反转因子出现的大幅回撤。

收益归因 ✓ 已完成

通过用分位数代替平均值作为W式切割的标准，发现切割标准选用的分位值越高，反转效果越好；进一步借助假想实验证明，反转之力的微观来源是大单成交。

方法: 分位数切割与假想实验

缺口: 无

稳健性

子样本稳定性: 在2013年至今的长周期内表现稳健，且特别在2019年2月传统反转因子和理想反转因子发生大幅回撤时，仍保持正收益，展现出极强的样本外稳定性。

风格偏差: 纯反转/动量风格

改进后的W式切割反转因子M_high_13/16多空IR为2.00，月度胜率72.0%，在保留长期收益特征的同时，成功规避了由于小单动量特性拖累导致的回撤，鲁棒性显著优于原始均值切割版本。

数据依赖

所需数据: 日频行情数据、逐笔成交(Level-2)明细数据(用于计算日内单笔成交金额的高位分位数)

可复现性: medium

因子构造逻辑清晰简单，但依赖Level-2逐笔成交明细数据计算日内分位数，需要较强的底层Tick数据清洗和统计算力支持，普通日频数据无法复现。

新颖性评估 [新方法]

在原有的W式切割基础上，创新性地用分布分位数代替平均值作为切割标准，并通过严谨的假想实验从微观结构层面解释了反转因子的来源(大单成交)，理论深度和实用性兼备。

不足与缺陷

对Level-2逐笔成交数据依赖性强，计算每日日内分位数的数据处理开销较大
研报未提及交易成本、滑点以及实际交易冲击成本的影响
仅验证了13/16分位，未给出在13/16至15/16区间的详细参数寻优过程和过拟合检验说明
切片逻辑只使用了涨跌幅的简单加总，未考虑不同大单交易日的波动率量级差异

可复用元素

用分位数代替平均值的思路，可推广至其他存在极端值干扰的微观结构因子构造中
假想实验的论证方法非常精妙，通过边际新增单笔成交来拆解和归因因子的IC贡献
揭示了大单成交是反转来源的微观逻辑，为过滤小单噪音提供了明确的量化标准

启发

不仅可以用成交金额分布的分位数，还可以考察成交量分布、买单/卖单分布的分位数进行切割
假想实验的边际贡献分析框架可广泛应用于评估其他微观特征对宏观因子的影响

改进方向

引入主买/主卖方向的W式切割

基于: 原研报仅考虑绝对成交金额大小，未区分资金流向预期收益: 大单成交中蕴含的反转力量可能存在方向性(如主买大单的过度买入引发更大的反转)。通过区分主动买入和主动卖出的成交金额分位数进行切割，预期可剥离被动成交的噪音，进一步提升反转因子的纯度、IR绝对值及胜率。

复现计划

1. 数据准备：获取2013年至今A股全市场日频行情(涨跌幅)及Level-2逐笔成交数据；2. 算子开发：针对每只股票每个交易日，计算当日逐笔成交金额的13/16分位数值；3. 因子计算：取过去20日该分位值最高的10天，累加其日涨跌幅得到M_high_13/16；4. 预处理：对因子截面去极值与标准化；5. 回测验证：分10组测试，计算多空对冲净值、IR(目标2.0)、月度胜率(目标72%)及IC(目标-0.07)，并重点核对2019年2月是否取得正收益。