以大小单为核心，构建年化收益20%+的行业轮动组合 | 开源金工

开源开源金工 2026-07-08 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 4 /5

核心内容

开源金工摒弃了自下而上的因子聚合方法，直接从行业层面出发，构建了以资金流为核心的行业轮动模型。对月频的主动超大单强度（引入趋势系数和极端净流入过滤）和行业羊群效应（改用非主动小单并加入其变化）进行改进，等权合成得到月频资金流因子。同时，利用大单和北向券商净流入构建周频极端突破事件因子，两者结合得到周频综合资金流因子。最终以该因子为主体，结合极端情绪动量、财务（超预期景气与困境反转轮动）和拥挤度维度进行负向剔除，构建周频行业轮动策略。

经济逻辑

超大单代表机构资金，本期强度高但未处于历史高位代表资金持续流入且未见顶；非主动小单代表散户，羊群效应低且未大幅增加代表散户未追高，两者结合具有显著的正向超额收益。大单与北向资金的极端突破反映了知情交易者或主力资金的关键择时行为。结合极端情绪动量、基本面周期及拥挤度进行负向剔除，可过滤掉过度投机或基本面恶化的行业，提升组合稳定性。

超额收益逻辑

超额收益来源于：1. 机构资金(主动超大单)流入且未处于历史高位带来的动量效应；2. 散户(非主动小单)羊群效应较低且未大幅增加，即散户未过度追高带来的逆向选择效应；3. 大单与外资券商极端突破反映主力资金抢筹行为；4. 极端情绪动量、基本面景气/反转轮动及拥挤度负向剔除，过滤了过度投机、基本面恶化及交易过度拥挤的行业，降低了组合回撤风险。

构造细节 [strategy]

数据输入

: (日频): (日频): (日频): (日频): (日频): (财务(低频)): (日频)

组合方式

1. IND_EX_S(月频): 改进主动超大单强度(乘1/K) 与改进行业羊群效应(及其变动) 等权合成。2. IND_L_N(周频): 大单极端突破与外资券商极端突破等权合成。3. 资金流综合因子: 将IND_EX_S升频(前向填充)与IND_L_N等权合成。4. 最终策略: 以资金流综合因子选股为主体，使用极端情绪动量、财务(景气/反转)、拥挤度(成交额/赚钱效应)进行负向剔除，选5个行业。

绩效

21.84%

年化收益(扣费后)

2.03

周频综合资金流因子RankICIR

1.62

月频综合资金流因子RankICIR

1.16

改进主动超大单强度RankICIR

-1.03

改进行业羊群效应RankICIR

1.98

中证1000指增多空信息比率

基准: 未明确

回测期: 未明确

策略以改进的主动超大单强度和行业羊群效应等月频因子为核心，结合大单极端突破与外资券商极端突破等周频事件因子，并辅以极端情绪动量、财务景气与拥挤度等维度的负向剔除。周频调仓选取5个行业，扣费后年化收益达21.84%。在指数增强应用中，结合该行业轮动模型的中证1000指增多空信息比率从1.55提升至1.98。

收益归因

报告未进行系统性收益归因，主要通过参数敏感性分析和分域测试探讨因子改进效果及收益表现。

缺口: 缺乏针对收益来源的系统性风险归因和风格归因分析。

稳健性

子样本稳定性: 改进后的主动超大单强度和行业羊群效应因子解决了2022年以来波动加剧、回撤较大的问题，近两年表现有所改善。极端情绪动量在近两年表现也依旧较好。

风格偏差: 偏向资金流驱动及动量效应的行业，对基本面有动态适应(景气与反转轮动)。

通过对传统资金流因子进行极端值过滤和趋势修正，有效缓解了近两年因子失效和回撤问题，结合多维度负向剔除，提升了策略的整体鲁棒性。

数据依赖

所需数据: 日频行情数据(开高低收、成交量、成交额)、大小单及主动被动资金流数据(需拆分主动与非主动小单)、北向券商席位净流入数据、行业及个股财务数据。

可复现性: hard

依赖详细的资金流拆分数据，尤其是非主动小单净流入和北向券商净流入数据，一般软件较难直接获取非主动小单数据，复现门槛较高。

新颖性评估 [新组合]

报告的新颖性在于对传统资金流因子的一系列精细化改造：包括资金流极端与温和的切割、近期强弱趋势修正、非主动小单替换、以及将大单和外资的时序极端突破事件与横截面资金流强度因子融合，形成了一套逻辑自洽且效果显著提升的复合策略。

不足与缺陷

未明确具体的回测起止时间、基准指数和交易费用率，影响业绩精确复现
非主动小单净流入、外资券商净流入等底层数据获取难度较大，且数据处理细节未完全公开
财务模型中'超预期景气'与'困境反转'的经济周期轮动判定标准未给出具体量化指标
多个改进步骤(如趋势系数K、极端过滤)存在参数过度拟合风险

可复用元素

极端与温和资金流切割的方法：通过均值±0.5倍标准差过滤掉温和流入，仅保留极端流入
近期强弱趋势系数1/K的调节方法：用短期Rank均值与长期Rank均值的比值调整因子
极端情绪动量：用过去N天最大正收益与最大负收益绝对值的比值代替传统动量
大单极端突破事件因子的构建与回看天数选择

启发

对因子的极端值进行切割而非整体使用，往往能提取更具alpha属性的信息
在因子合成时，不同调仓频率的因子可以通过前向填充等方式统一到高频进行合成
将主力的资金流强度与散户的羊群效应逆向结合，逻辑清晰且互补
财务因子并非一成不变，根据经济上下行周期在景气与反转模型间轮动

改进方向

使用异常点检测算法(如孤立森林或LOF)替代简单的均值±标准差来定义资金流极端突破

基于: 研报中通过突破过去120天均值上下0.5倍标准差定义极端突破预期收益: 非参数化方法能更好适应资金流分布的非正态特征，可能挖掘出更隐蔽的极端异常资金流信号，提升事件因子的信噪比。

利用隐马尔可夫模型(HMM)或基于宏观指标(如PMI、利率)的量化规则来自动判定经济周期，动态切换财务因子

基于: 研报中提到超预期景气与困境反转模型在经济上下行时轮动预期收益: 将模糊的'经济上下行'具象化为可计算的宏观状态转移概率，提高财务负向剔除维度的时效性和客观性。

复现计划

1. 获取申万一级行业日频行情及资金流数据(需区分主动超大单、非主动小单等)。2. 构建改进主动超大单强度因子：过滤极端净流入后市值标准化，取Rank，计算趋势系数K(2个月/12个月)并相乘。3. 构建改进行业羊群效应因子：计算收益率一阶差分与非主动小单净流入一阶差分过去20天的秩相关系数，结合其变动。4. 构建大单和北向券商极端突破因子：突破120天均值±0.5标准差产生信号(1/-1/0)，分别回看10天和20天求和。5. 将上述月频因子前向填充升频，与周频事件因子等权合成综合资金流因子。6. 构建极端情绪动量等负向剔除因子。7. 周频调仓，根据综合因子选前5，经负向剔除后构建组合，设置合理扣费进行回测验证。