【方正金工】大单成交后的跟随效应与“待著而救”因子——多因子选股系列研究之十一

方正曹春晓 2026-06-30 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

本文从分钟频交易数据出发，定义日内大单成交的“优势时刻”及紧随其后的“跟随时刻”，通过计算跟随时刻与优势时刻的成交量比值来衡量普通投资者对于大单成交的跟随程度。跟随系数越大表明反应过度风险越大。通过计算过去20日日跟随系数的均值与标准差等权合成得到“待著而救”因子，该因子在全市场及主要宽基成分股中均展现出显著的选股能力。

经济逻辑

拥有信息优势的投资者大单买入会引发成交量激增，吸引普通散户跟风买入，导致短期价格反应过度，未来面临回落。相反，若大单未引发明显跟风，说明市场反应不足，后续存在价值发现和超额收益空间。因此，大单后的跟随程度是度量反应过度/不足的有效代理变量。

超额收益逻辑

卖空高“待著而救”因子（高跟随系数、反应过度）的股票，买入低因子值（低跟随系数、反应不足）的股票，获取反应过度修正与反应不足价值发现带来的超额收益。

构造细节 [factor]

因子定义

1. 提取每日9:45后的1分钟频成交量数据。2. 选出当日成交量最大的10个分钟，记为“海量时刻”。3. 按时间顺序遍历这10个时刻，若相邻两个时间间隔<5分钟，则剔除后者，保留前者。最终剩下的记为“优势时刻”。4. 对每个“优势时刻”t，提取其后5分钟[t+1, t+5]作为“跟随时刻”。5. 计算“跟随系数” = “跟随时刻”成交量总和 / “优势时刻”t的成交量。6. 个股日内所有“跟随系数”求均值，得到“日跟随系数”。7. 月底计算过去20日“日跟随系数”的均值（月均）和标准差（月稳），二者等权相加即为“待著而救”因子。

处理流程

剔除每日9:45前分钟数据
提取当日成交量前10大的分钟时刻作为“海量时刻”
按时间顺序过滤，若相邻间隔<5min则剔除后者，保留为“优势时刻”
计算优势时刻后5min的总成交量，除以优势时刻成交量得到“跟随系数”
按日内均值计算“日跟随系数”
计算过去20日的日跟随系数均值和标准差，等权合成为“待著而救”因子

参数

海量时刻: 10个间隔阈值: 5分钟跟随时刻: 5分钟平滑窗口: 20天

数据输入

: (1分钟)

组合方式

“月均待著而救”因子与“月稳待著而救”因子等权合成；与9个其他量价因子正交化后等权合成为综合量价因子。

绩效

-9.28%

Rank IC

-4.23

Rank ICIR

33.16%

多空组合年化收益率

3.51

信息比率

-4.42%

纯净待著而救因子Rank IC均值

-3.94

纯净待著而救因子Rank ICIR

18.89%

纯净待著而救因子多空组合年化收益率

3.42

纯净待著而救因子信息比率

-12.64%

综合量价因子Rank IC均值

-5.48

综合量价因子Rank ICIR

49.23%

综合量价因子多空组合年化收益率

4.62

综合量价因子信息比率

91.94%

综合量价因子月度胜率

基准: 全市场非ST股票、沪深300、中证500、中证1000

回测期: 2013年1月至2023年5月底

“待著而救”因子表现较为出色，Rank IC为-9.28%，Rank ICIR为-4.23，多空组合年化收益率为33.16%，信息比率为3.51。剔除常用风格因子影响后，Rank IC均值为-4.42%，Rank ICIR为-3.94，多空组合年化收益率为18.89%，信息比率3.42，仍然具有非常强的选股能力。与其他9个量价因子正交化后合成的综合量价因子表现大幅提升，Rank IC均值为-12.64%，多空组合年化收益率达49.23%。

收益归因 ✓ 已完成

使用常用风格因子及行业因子对“待著而救”因子进行正交化处理，得到纯净因子后依然有效，说明其具有增量信息。综合量价因子剥离风格影响后Rank IC均值为-7.49%，多空组合年化收益率为29.90%。

方法: 正交化处理（剔除常用风格因子及行业因子）

缺口: 主要测试因子剥离风格后的选股能力，未进行基于收益的详细Brinson归因分析。

稳健性

子样本稳定性: 在沪深300、中证500、中证1000中均表现不俗，多空年化收益率分别为18.04%、17.67%、36.12%。各年份表现显著，单调性较好。

风格偏差: 与流动性、波动率因子相关性较高，与“水中行舟”和“云开雾散”因子相关性分别为56.16%和49.51%。剔除常用风格及行业因子后，纯净因子Rank IC为-4.42%，ICIR为-3.94，依然有效。

因子在剥离风格影响后依然显著，在不同宽基样本空间和不同调仓频率下均表现优异，具有极强的稳健性和增量信息。

数据依赖

所需数据: 1分钟级别量价数据

可复现性: medium

仅需1分钟成交量数据，逻辑清晰。但在“优势时刻”和“海量时刻”的具体时间序处理及剔除细节上需要严格实现，以避免未来函数和计算偏差。

新颖性评估 [新组合]

利用分钟频成交量的局部峰值与随后跟随放量的比例，构建反映散户跟随效应的微观结构因子，是对传统量价因子的有效补充。

不足与缺陷

对成交量的极端峰值极度依赖，可能受个股异常涨跌停、停牌等非正常交易状态影响较大，需做好异常值清洗。
文中对“海量时刻”为前10大，但若全天交易时间不足或流动性极差的个股，可能导致计算偏差或无有效优势时刻。
因子与波动率、流动性高度相关，虽经正交化依然有效，但在极端市场环境下风格因子的波动可能掩盖其alpha。

可复用元素

5分钟间隔的过滤逻辑能有效避免同一波放量被重复计算，是处理高频尖峰数据的好方法。
均值+标准差的等权合成法，兼顾了因子的绝对水平和稳定性。
9个高频量价因子的正交化合成框架，显著提升了整体预测能力（Rank IC达-12.64%）。

启发

可尝试将此跟随效应与价格变动方向结合，区分上涨放量跟风与下跌放量跟风的不对称性。
可考虑引入Level-2逐笔成交数据，识别大单属性（主买/主卖），构建更为精准的知情交易跟随系数。

改进方向

“主买大单跟随效应”因子：结合大单方向（如特大单主买），计算后续N分钟主买单量与原主买单量的比值，衡量散户对特定方向大单的跟随程度，以更好捕捉单边上涨后的反应过度。

基于: 原始逻辑仅用总成交量，未区分大单方向，方向性信息缺失。预期收益: 预计能提升因子多头端的超额收益，降低空头端误判（如上涨放量跟风 vs 下跌放量跟风）。

复现计划

1. 获取2013年至2023年全A股1分钟成交量数据。2. 剔除每日9:45前的数据。3. 找出每日成交量前10大的分钟。4. 按时间顺序，若间隔<5min则剔除后者。5. 对剩余时刻，取其后5min的成交量求和并除以当前时刻成交量。6. 日内均值得到日跟随系数。7. 过去20日均值与标准差等权相加。8. 按十分组测试，月频调仓，计算Rank IC及分组收益。

实体

曹春晓 [person]待著而救因子 [factor]月均待著而救因子 [factor]月稳待著而救因子 [factor]综合量价因子 [factor]适度冒险 [factor]完整潮汐 [factor]勇攀高峰 [factor]球队硬币 [factor]云开雾散 [factor]飞蛾扑火 [factor]草木皆兵 [factor]水中行舟 [factor]花隐林间 [factor]跟随效应 [concept]正交化 [method]1分钟频率交易数据 [dataset]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY