综合质量 5 /5
新颖性 4 /5
可复现性 4 /5
分类
高频·微观结构 逐笔(Level-2) 资金流 A股 统计线性
基于逐笔成交数据，提出结合成交价格及委托时间的主动买卖特征划分法，通过迭代分裂法筛选订单大小、成交时长、主动买卖特征等多维度有效子因子，构建精选复合因子，月频RankIC达8.93%，年化RankICIR达5.21。
关键结论
精选复合因子月频RankICIR 5.21、月胜率93.41%，周频RankICIR 6.85、周胜率83.72%，在多宽基指数及风格股票池中均展现强选股效果。
核心要点
- 提出结合成交价格及委托时间的主动买卖特征划分法，克服传统Time Based和Price Based方法在特殊情形下的不足
- 将大单因子拆解为大买&非大卖、非大买&大卖、大买&大卖三个子因子，发现方向不一致需调整
- 引入主动买卖特征的改进大单因子月度RankIC均值9.09%，年化RankICIR 4.27，月胜率89.01%
- 提出迭代分裂法筛选有效维度构建精选复合因子，月频RankIC 8.93%/IR 5.21，周频RankIC 5.59%/IR 6.85
- 精选复合因子倾向低估值、大市值、低波动、低换手股票，剥离传统因子后仍稳健
核心内容
本文基于逐笔成交数据，从订单的主动买卖特征维度探索高频Alpha。首先梳理了学术界和业界基于委托时间和基于成交价格两类主动买卖特征划分方法，指出二者在特殊情形下的不足，提出结合成交价格及委托时间的混合划分法。然后将其引入前期构建的成交量占比因子统一框架中，对大单交易占比因子拆分为大买&非大卖、非大买&大卖、大买&大卖三个子因子，发现方向不一致。最后提出基于因子有效性的迭代分裂法，逐层引入订单大小、成交时长、主动买卖特征等维度，保留区分效果显著的子因子、剔除无效分裂，构建精选复合因子。该因子月频和周频均表现优异，且风格偏向低估值、大市值、低波动、低换手，剥离传统因子后纯净因子仍稳健。
经济逻辑
每笔成交由买卖双方撮合而成，但促成交易的主动方蕴含更强的信息优势。主动委托单反映投资者更积极的交易意图，对股价后续走势影响更持久。大单交易者通常拥有更多信息和筹码优势，漫长订单交易者更可能是长线资金。通过多维度交叉划分成交类型，能更精确地分离不同类型投资者的交易行为信息，避免不同方向子因子直接相加导致信号削弱。主动买卖特征使成交量占比因子能区分资金流向方向，增强对股价未来预期收益的预测力。
超额收益逻辑
主动买卖特征能区分资金流向方向，大买单主动成交反映买方信息优势和看多意图，对股价未来有正向预测力；大卖单主动成交反之。通过将传统大单占比因子拆解为不同方向的子因子并调整方向后复合，避免了不同方向信号直接相加的削弱效应。迭代分裂法确保只保留统计显著的方向调整后子因子，进一步提升复合因子的区分效果和稳定性。多维度交叉划分能更精确刻画不同类型投资者交易行为，信息增量来源于主动买卖方向与订单大小、成交时长等维度的交互效应。
构造细节 [factor]
因子定义
Step1【订单聚合】：对每只股票每个交易日，按委买ID和委卖ID分别聚合所有成交记录的成交量，得到每笔订单的实际成交量Volume_i。 Step2【大单划分】：分别对所有委买单、委卖单的Volume_i降序排列，取第90百分位为阈值。Volume_i > quantile(Volume, 0.9)则标记BigOrderFlag_i=1。剔除开盘集合竞价成交记录后再计算阈值。 Step3【漫长订单划分】：基于成交时长划分漫长/非漫长订单（具体阈值参考前期报告）。 Step4【主动买卖特征划分】：采用结合成交价格及委托时间的混合法，将每笔成交标记为主买或主卖。核心逻辑：若成交价格等于委买价且委托时间上委买单先于委卖单到达，则判为主买；若成交价格等于委卖价且委卖单先到，则判为主卖；对成交价格介于买卖委托价之间的特殊情形，结合委托时间先后判断。 Step5【成交类型标记】：对每笔成交记录，根据委买单和委卖单的大单/非大单、漫长/非漫长、以及成交的主买/主卖特征，标记为对应成交类型s。 Step6【成交量占比因子】：VolumeRatio_s = Σ(Volume_s) / VolumeAllDay，其中Volume_s为类型s成交记录当日成交量之和，VolumeAllDay为当日总成交量。 Step7【因子平滑】：Factor_t = mean(VolumeRatio_s, 过去20天)。 Step8【迭代分裂法构建复合因子】：(1)父因子层：计算大单交易占比因子；(2)分裂层1-按订单大小分裂：拆分为大买&非大卖、非大买&大卖、大买&大卖三个子因子，检验各子因子RankIC方向及显著性，保留显著子因子；(3)分裂层2-按成交时长分裂：在每个保留子因子基础上进一步拆分漫长/非漫长维度，检验保留有效子因子；(4)分裂层3-按主动买卖特征分裂：进一步引入主买/主卖维度拆分，检验保留有效子因子；(5)方向调整：根据各子因子RankIC符号调整方向；(6)复合：将所有保留的有效子因子等权或按有效性加权复合为精选复合因子。 Step9【中性化】：对最终因子值进行行业及市值中性化处理。
处理流程
- 数据清洗：获取逐笔成交数据，剔除开盘集合竞价成交记录
- 订单聚合：按委买ID/委卖ID聚合成交量，得到每笔订单实际成交量
- 大单划分：分别对委买单、委卖单按成交量降序排列取前10%分位点为阈值，标记大单/非大单
- 漫长订单划分：基于成交时长标记漫长/非漫长
- 主动买卖特征划分：结合成交价格及委托时间，标记每笔成交为主买或主卖
- 成交类型标记：按大单×漫长×主买卖特征交叉标记每笔成交记录类型
- 成交量汇总：按成交类型汇总当日成交量
- 占比计算：VolumeRatio_s = Volume_s / VolumeAllDay
- 因子平滑：取过去20天均值
- 迭代分裂筛选：逐层引入特征维度，保留有效子因子，剔除无效分裂
- 方向调整：根据子因子RankIC符号调整方向后复合
- 中性化：行业及市值中性化处理
参数
大单阈值分位点: 前10%分位点(0.9分位)因子平滑天数: 20天中性化方式: 行业及市值中性化大单划分范围: 委买单和委卖单分别比较集合竞价处理: 剔除开盘集合竞价
数据输入
: (逐笔): (逐笔): (逐笔): (逐笔): (逐笔): (逐笔): (逐笔)
组合方式
基于因子有效性的迭代分裂法：逐层引入订单大小、成交时长、主动买卖特征等特征维度，若引入某特征后子因子有效性区分明显则保留子因子，否则沿用父因子，最终将保留的有效子因子组合为精选复合因子。
绩效
9.09%
改进大单因子_月度RankIC均值
4.27
改进大单因子_年化RankICIR
89.01%
改进大单因子_月胜率
0.84%
改进大单因子_多头月均超额
-1.73%
改进大单因子_空头月均超额
8.93%
精选复合因子_月度RankIC均值
5.21
精选复合因子_年化RankICIR
93.41%
精选复合因子_月胜率
0.99%
精选复合因子_多头月均超额
-1.56%
精选复合因子_空头月均超额
5.59%
精选复合因子_周度RankIC均值
6.85
精选复合因子_年化RankICIR(周频)
83.72%
精选复合因子_周胜率
基准: 行业及市值中性化后全市场
回测期: 2016-12-30至2024-07-31
精选复合因子在月频和周频调仓下均表现优异，月频RankICIR达5.21，月胜率93.41%，周频RankICIR达6.85，周胜率83.72%。因子更倾向低估值、大市值、低波动、低换手股票，剥离传统因子后仍稳健。
收益归因 ✓ 已完成
对因子进行了行业及市值中性化处理，并剥离传统选股因子后检验纯净因子表现。因子风格倾向低估值、大市值、低波动、低换手。
方法: 行业及市值中性化
缺口: 风格归因仅定性描述，未列出具体风险因子暴露数值及收益分解。
稳健性
子样本稳定性: 在月频和周频调仓下均表现优异，月频RankICIR 5.21、月胜率93.41%，周频RankICIR 6.85、周胜率83.72%。在不同宽基指数（沪深300、中证500、中证1000等）及风格股票池中均展现出较强选股效果。
风格偏差: 精选复合因子更倾向于低估值、大市值、低波动、低换手股票。在剥离掉传统选股因子后，纯净因子仍展现出稳健的选股能力。
因子在多频率、多股票池中均稳健，风格暴露偏向低估值、大市值、低波动、低换手，剥离传统因子后纯净因子仍有效，整体鲁棒性较好。
数据依赖
所需数据: 逐笔成交数据，需包含交易流水号、成交时间、成交价格、成交数量、委买ID、委卖ID、委买价、委卖价、委买量、委卖量等12个字段。需Level-2行情数据权限。
可复现性: hard
依赖逐笔成交Level-2数据，数据量极大、处理复杂。大单划分和主动买卖特征判断逻辑较清晰，但迭代分裂法的具体保留/剔除阈值未完全量化公开，且漫长订单划分细节参考前期报告未在本文展开，复现需一定工程投入和推断。
相关研究
基于委托时间的主动买卖划分法 — 本文方法的前置方法之一，在特殊情形（如成交价格介于买卖委托价之间）下判断存在不足，本文改进之
基于成交价格的主动买卖划分法 — 本文方法的前置方法之一，在特殊情形下判断存在不足，本文改进之
传统大单交易占比因子（国信前期报告） — 本文将其拆解为三个方向不同的子因子，引入主动买卖特征改进之
国信金工《高频订单成交数据蕴含的Alpha信息》(2024-01-08) — 前期报告，建立成交量占比因子统一框架，本文在此基础上引入主动买卖特征维度
新颖性评估 [新方法]
提出结合成交价格及委托时间的混合主动买卖特征划分法，以及基于因子有效性的迭代分裂法筛选有效子因子构建复合因子。核心创新在于混合划分法和迭代分裂筛选框架，将主动买卖特征与已有订单大小、成交时长维度交叉，系统性提升因子有效性。
不足与缺陷
- 迭代分裂法的具体保留/剔除判定标准（如RankIC显著性阈值、IR阈值）未量化公开，复现需自行推断
- 漫长订单的划分细节未在本文展开，依赖前期报告，独立复现困难
- 结合成交价格及委托时间的主动买卖划分法的具体规则（如价格介于买卖委托价之间的处理逻辑）描述不够详细
- 因子风格暴露偏向低估值、大市值、低波动、低换手，可能与传统风格因子存在共线性，纯净因子收益可能下降
- 未提及交易成本、滑点等实际交易摩擦对因子可实现收益的影响
- 未讨论因子容量限制和换手率水平，大资金适用性存疑
- 因子计算依赖逐笔数据，数据获取和处理成本高，中小机构难以复现
可复用元素
- 将传统大单占比因子拆解为方向不同的子因子并调整方向后复合的思路，可推广到其他因子
- 迭代分裂法框架：逐层引入特征维度，保留显著子因子、剔除无效分裂，系统性地构建多维度复合因子
- 按委买单和委卖单分别比较大单阈值的做法，避免买卖单量级差异影响划分公平性
- 成交量占比因子统一框架：不同特征属性交叉划分成交类型，按类型汇总成交量占比
- 过去20天均值平滑因子值提升稳定性的处理方式
启发
- 特征交叉分裂的思路可推广到更多订单特征维度，如成交时间（早盘/尾盘）、成交价格（高价/低价）等
- 主动买卖特征可与其他高频因子（如订单簿不平衡、成交节奏等）结合，构建更丰富的资金流因子体系
- 迭代分裂法的框架可应用于日频或分钟频因子构建，不限于逐笔数据
- 按成交类型分别考察因子有效性，避免不同方向子因子直接相加削弱信号的思路具有普适性
改进方向
基于订单簿不平衡(OBI)与主动买卖方向交互构建因子
基于: 相似逻辑：将订单簿不平衡度（最优五档买卖挂单量之差/之和）与主动买卖特征交叉，按主动买卖方向拆分OBI因子，分别考察主买OBI和主卖OBI对股价的预测力，调整方向后复合。不同构造在于用订单簿快照特征替代订单大小维度，捕捉挂单流动性而非成交流动性。 预期收益: 订单簿不平衡反映未成交的流动性供需，与已成交的主动买卖方向互补，可能提供独立的信息增量，预期RankICIR提升5-10%。
基于成交节奏（VPIN）与主动买卖特征的动态因子
基于: 相似逻辑：将订单到达强度的不平衡（如单位时间内主买单数-主卖单数/总单数）作为主动买卖特征的动态度量，替代静态的成交量占比。不同构造在于用时间序列上的买卖压力不平衡替代截面成交量占比，捕捉交易节奏信息。 预期收益: 动态买卖压力更能反映实时信息流入方向，预期对短期（日内或周频）收益预测力更强，可能提升周频RankICIR 10-15%。
复现计划
1) 获取2016-2024年A股逐笔成交Level-2数据，含12个字段；2) 按委买ID/委卖ID聚合订单成交量，剔除开盘集合竞价后按前10%分位点标记大单；3) 实现结合成交价格及委托时间的主动买卖划分：成交价=委买价且委买单时间优先则主买，成交价=委卖价且委卖单时间优先则主卖，价格介于中间时按委托时间先后判断；4) 参考前期报告实现漫长订单划分；5) 按大单×漫长×主买卖交叉标记成交类型，计算VolumeRatio_s=Volume_s/VolumeAllDay，取20天均值；6) 实现迭代分裂法：逐层分裂并按RankIC显著性(如|IC|>0.02且IR>1)保留子因子，调整方向后等权复合；7) 行业及市值中性化，月频/周频回测验证。关键难点为迭代分裂法的具体阈值设定和主动买卖混合划分法的边界条件处理。
实体
主动买卖特征 [concept]逐笔成交数据 [dataset]结合成交价格及委托时间的主动买卖特征划分法 [method]迭代分裂法 [method]成交量占比因子统一框架 [factor]大单交易占比因子 [factor]精选复合因子 [factor]大买&非大卖因子 [factor]非大买&大卖因子 [factor]大买&大卖因子 [factor]
LOCAL SIMILARITY