交易行为因子的2019年

开源魏建榕、高鹏 2026-07-08 置信度: high

综合质量 4 /5

新颖性 2 /5

可复现性 4 /5

核心内容

本报告回顾并跟踪了开源金工团队自主研发的三个交易行为因子：理想反转因子、聪明钱因子和APM因子的绩效表现，并通过ICIR加权的方式将其合成为统一的交易行为因子。报告展示了各因子在全历史区间以及2019年度的业绩表现，其中聪明钱因子2019年表现最优（累计收益20.7%，IR 4.18），而APM因子表现疲软（IR 0.58）。合成因子有效分散了单一风险，展现出极高的信息比率。

经济逻辑

交易行为因子的核心逻辑在于：稳健的交易行为模式中蕴藏有稳健的alpha源。不同类型的投资者在交易规模（大单vs小单）、交易时段（早盘vs尾盘）、信息优势（聪明钱vs散户）上表现出明显的行为差异，这些微观结构上的行为模式会在价格上留下痕迹，从而可以被量化提取并用于未来收益预测。

超额收益逻辑

通过微观量价特征提取投资者行为痕迹。理想反转利用大单成交日更强的反转现象过滤虚假反转；聪明钱基于聪明钱（机构）资金的净流向预测未来走势；APM则利用不同时段中特定投资者活跃度的反转特性。三者从不同维度刻画微观行为差异，合成后形成互补的alpha源。

构造细节 [factor]

因子定义

1. 理想反转因子：计算股票每日平均单笔成交金额(成交额/成交笔数)。根据该指标对过去N个交易日排序，切割出大单成交日(反转属性最强)，计算这些切割交易日的日收益率之和。2. 聪明钱因子：利用分钟行情数据，将每日分钟线按收益率排序，累计成交额达到特定阈值(如前80%)的区间定义为机构参与的聪明钱区间，计算该聪明钱区间的收益率特征。3. APM因子：将日内划分为不同时段，利用各时段交易者行为模式差异导致的反转强度不同，计算各时段收益率并据此构造因子。

处理流程

1. 数据获取：获取日频量价数据(含成交笔数)和分钟频量价数据
2. 单因子计算：分别按公式计算理想反转、聪明钱、APM因子值
3. 行业处理：在中信一级行业内对单因子进行去极值与标准化处理
4. 权重计算：滚动计算各因子过去12期的ICIR
5. 因子合成：使用ICIR作为权重，加权计算出交易行为合成因子

参数

回看周期: 20日ICIR回看期: 12期行业分类: 中信一级行业

数据输入

: (日频): (分钟)

组合方式

因子在中信一级行业内去极值与标准化后，滚动选取过去12期因子的ICIR值作为权重，加权形成交易行为合成因子。

绩效

0.088

合成因子全历史IC均值

0.105

合成因子全历史rankIC均值

4.11

合成因子全历史信息比率

19.1%

合成因子2019年累计收益

3.06

合成因子2019年信息比率

75%

合成因子2019年月度胜率

12.7%

理想反转因子2019年累计收益

20.7%

聪明钱因子2019年累计收益

3.33%

APM因子2019年累计收益

回测期: 全历史区间至2019年底

2019年度，理想反转因子累计收益12.7%（IR 1.28），聪明钱因子表现最佳累计收益20.7%（IR 4.18），APM因子表现疲软累计收益3.33%（IR 0.58）。交易行为合成因子表现稳健，累计收益19.1%，信息比率3.06，月度胜率75%。

收益归因

缺口: 报告仅展示了各因子的净值曲线和IC、IR等绩效指标，未进行收益归因分析。

稳健性

子样本稳定性: 样本内表现优秀，且具有足够长的样本外观察期。合成因子在中证1000中的表现显著优于中证800，全历史区间内信息比率分别为4.75和1.91，说明在小盘股中微观行为因子更有效。但APM因子在2019年表现疲软，存在一定时变性。

风格偏差: 偏向中小盘股（中证1000显著优于中证800），具有明显的反转、资金流和日内微观动量特征。

合成因子通过多维度微观行为因子合成，整体表现稳健。全历史区间信息比率达4.11，2019年表现为3.06，即使在市场发生大幅变化的2019年2月，理想反转因子虽有回撤，但合成因子依然保持稳健。

数据依赖

所需数据: 日频行情数据(含成交额、成交笔数)和分钟级行情数据(价量数据)，中信一级行业分类。

可复现性: medium

由于原文未以文字展示具体公式，复现需结合其团队历史研报以及部分参数推断。此外，聪明钱和APM因子对分钟数据频率依赖较高，理想反转需要成交笔数等Level-2衍生数据，整体数据获取有一定门槛。

新颖性评估 [综述]

本报告主要为开源证券金融工程团队对自2016年以来提出的交易行为因子的年度跟踪与绩效回顾，属于系列研究的阶段性总结，但提取的单个因子在提出时具有较强的原创性。

不足与缺陷

原文第四部分“交易行为因子的构造方法”全部以图片形式展示，导致文本无法直接提取可复现的公式和参数细节。
报告未明确指明回测的具体成本设定、基准指数和调仓具体时间点。
各单因子在2019年均出现了一定的分化（如APM因子表现疲软），暴露出单行为因子的周期性波动风险。

可复用元素

滚动12期ICIR加权合成因子的方法，可有效平衡不同市况下各微观行为因子的表现，平滑整体波动。
全历史与年度绩效数据对比，揭示了小盘股（中证1000）微观行为因子的超额空间显著大于大盘股。
理想反转因子的“大单成交日切割”逻辑，为提升传统反转因子提供了极好的微观切入点。

启发

量价特征切割：可利用微观量价特征（如单笔金额、量比）对传统日频因子（动量/反转）进行“切片”优化，而非简单线性叠加。
指标加权合成：使用滚动ICIR而非等权或固定权重来合成同源但异构的因子，能有效吸收各因子的阶段性优势。

改进方向

使用深度学习模型（如LSTM/Transformer）直接对日内分钟量价序列进行建模，以端到端的方式综合提取大单成交、聪明钱及早尾盘行为特征，替代原先的人工特征工程与ICIR线性加权

基于: 聪明钱因子与APM因子预期收益: 捕获非线性微观量价特征，有望克服人工构造因子在特定年份（如2019年APM）失效的问题，进一步提升信息比率。

复现计划

1. 收集全市场A股日频数据（含成交额、成交笔数）及分钟数据。2. 依据团队历史研报还原公式：计算日频大单切割系数得到理想反转因子；利用分钟收益率排序划分聪明钱区间提取聪明钱因子；分时段计算日内反转特征构造APM因子。3. 在中信一级行业内对因子去极值并标准化。4. 滚动计算各因子过去12个月度调仓期的ICIR，作为权重进行加权合成。5. 构建月度调仓的5分组多空组合，中证800和中证1000为选股池，比较IR差异。