综合质量 4 /5
新颖性 3 /5
可复现性 4 /5
分类
技术面(量价)高频·微观结构 日频分钟 反转波动率资金流情绪 A股 统计线性
基于显著理论构造'草木皆兵'因子：用个股收益率相对市场收益率的偏离度（惊恐度）作为极端收益扭曲决策权重的度量，叠加日内波动率、个人投资者交易占比和注意力衰减调整，对20日反转因子进行改进，月频Rank IC达-8.90%，多空年化32.50%。
关键结论
月频Rank IC -8.90%，ICIR -4.54，多空年化32.50%，IR 3.92，胜率85.71%；剥离风格因子后Rank IC -3.59%，多空年化16.40%；周频多空年化58.79%。
核心要点
- 惊恐度=|个股收益-市场收益|/(|个股收益|+|市场收益|+0.1)，衡量极端收益对决策权重的扭曲程度
- 将惊恐度作为权重加权每日收益率，替代传统反转因子的等权加总，模拟投资者过度反应过程
- 三重改进：波动率加剧（分钟频日内波动率）、个人投资者交易占比（单笔<4万视为个人）、注意力衰减（惊恐度相对前2日均值的增量，负值置空）
- 草木皆兵因子=过去20日加权决策分（衰减惊恐度×波动率×个人交易比×收益率）的均值与标准差等权合成
核心内容
报告基于显著理论，认为极端偏离市场的收益率会扭曲投资者决策权重，引发过度买入或恐慌性抛售，从而产生未来反转。核心创新是将传统20日反转因子的'等权加总每日收益率'改进为'用惊恐度加权每日收益率'，并从波动率加剧、个人投资者占比、注意力衰减三个维度进一步调整权重，构造'草木皆兵'因子。因子在月频上Rank IC -8.90%、多空年化32.50%，周频表现更佳。
经济逻辑
显著理论认为投资者对极端偏离市场的收益率赋予过高决策权重。极端高收益引发'守株待兔'心理（过度买入→未来回落）；极端低收益引发'草木皆兵'心理（恐慌抛售→未来补涨）。惊恐度衡量偏离程度，偏离越大→过度反应越强→未来反转越大。波动率加剧时情绪更强烈、小市值股票个人投资者占比更高更易情绪化、连续异动后注意力衰减缓解恐慌，因此三者作为调节变量加入权重。
超额收益逻辑
因子捕捉的是投资者对极端偏离市场收益率的过度反应。惊恐度越高→过度反应越强→未来反转越大。多头（因子值最负）对应过去被恐慌性抛售最严重的股票，空头对应过去被过度买入最严重的股票。波动率加剧、个人投资者占比高、注意力未衰减时过度反应更强，加入这些调节变量可以更精准地识别过度反应程度。本质上是对短期反转因子的'信息加权改进'：不是所有日收益率对反转的预测力相同，极端偏离市场且伴随高波动、高散户参与的日子更有信息量。
构造细节 [factor]
因子定义
逐步构造： 1. 市场收益率 r_m(t) = 中证全指今收/昨收 - 1 2. 个股收益率 r_i(t) = 今收/昨收 - 1 3. 惊恐度 SAL(t) = |r_i(t) - r_m(t)| / (|r_i(t)| + |r_m(t)| + 0.1) 4. 日内波动率 vol(t) = std(1分钟收益率, 当日) 5. 个人投资者交易比 retail(t) = (个人买入金额 + 个人卖出金额) / 2 / 当日总成交额 6. 衰减惊恐度 SAL_adj(t) = SAL(t) - mean(SAL(t-1), SAL(t-2))；若<0则置为NaN（仅保留正值） 7. 加权决策分 W(t) = SAL_adj(t) × vol(t) × retail(t) × r_i(t) 8. 草木皆兵-收益 = mean(W(t), 过去20日) 9. 草木皆兵-波动 = std(W(t), 过去20日) 10. 草木皆兵 = (草木皆兵-收益 + 草木皆兵-波动) / 2 11. 因子值越小（负得越多）→ 过度卖出越严重 → 未来补涨 → 多头
处理流程
- Step1: 计算中证全指日收益率作为市场基准
- Step2: 计算个股日收益率
- Step3: 计算每日惊恐度 SAL = |r_i - r_m| / (|r_i| + |r_m| + 0.1)
- Step4: 用1分钟收盘价计算日内每分钟收益率，取标准差得到日波动率vol
- Step5: 从Level2逐笔数据识别单笔成交额<4万元的交易为个人投资者交易，计算个人交易比retail = (个人买入+个人卖出)/2 / 总成交额
- Step6: 计算衰减惊恐度 SAL_adj = SAL(t) - mean(SAL(t-1), SAL(t-2))，负值置为NaN
- Step7: 计算每日加权决策分 W = SAL_adj × vol × retail × r_i
- Step8: 月底取过去20日W的均值→草木皆兵-收益
- Step9: 月底取过去20日W的标准差→草木皆兵-波动（每月≥5条有效数据即可计算）
- Step10: 等权合成 草木皆兵 = (草木皆兵-收益 + 草木皆兵-波动) / 2
- Step11: 对因子进行市值和行业正交化处理
- Step12: 按因子值十分组，因子值最小组为多头
参数
回看窗口: 20基准项常数: 0.1个人投资者门槛: 4万元注意力衰减窗口: 2最低数据条数: 5
数据输入
: (日频): (日频): (分钟): (日频)
组合方式
草木皆兵-收益与草木皆兵-波动等权相加；各子因子内部亦为均值与标准差等权合成
绩效
-8.90%
Rank IC
-4.54
Rank ICIR
32.50%
多空组合年化收益率
3.92
信息比率
85.71%
因子月度胜率
22.64%
多头组合年化收益率
-3.59%
纯净因子Rank IC
-1.86
纯净因子Rank ICIR
16.40%
纯净因子多空年化收益率
2.03
纯净因子信息比率
7.42%
沪深300多头超额
9.74%
中证500多头超额
10.15%
中证1000多头超额
39.81%
周频多头年化收益率
58.79%
周频多空年化收益率
基准: 中证全指(000985.SH)
回测期: 2013年1月至2022年11月
草木皆兵因子在月度频率上表现优秀，Rank IC达-8.90%，多空年化32.50%，信息比3.92。十分组严格单调，各年度及全行业均有效。剥离常用风格因子后仍具选股能力，Rank IC -3.59%，多空年化16.40%。在沪深300/中证500/中证1000中多头超额分别为7.42%/9.74%/10.15%。周频调仓效果更佳，多空年化达58.79%。
收益归因 ✓ 已完成
草木皆兵因子与流动性、波动率因子相关性较高，与其余因子相关性低。正交化后纯净因子Rank IC -3.59%，ICIR -1.86，多空年化16.40%，IR 2.03，仍具显著选股能力，说明因子提供增量信息。
方法: 使用常用风格因子（含流动性、波动率等）及行业因子对草木皆兵因子进行正交化回归处理，得到纯净因子后检验其增量选股能力
缺口: 未对因子收益做完整Brinson或Barra风格归因分解，仅做了正交化处理；未分析因子在不同市场环境（牛熊市）下的条件表现差异。
稳健性
子样本稳定性: 在沪深300（多头超额7.42%）、中证500（9.74%）、中证1000（10.15%）中均有效，小市值效果更强符合预期；各年份均显著，大多年份分组单调；全行业有效，综合、公用事业、商贸零售尤为突出
风格偏差: 与流动性、波动率因子相关性较高，与其余风格因子相关性低；正交化后Rank IC从-8.90%降至-3.59%但仍显著，说明有增量信息但部分收益来自波动率和流动性暴露
因子在全样本、分市值、分行业、分年度、剥离风格因子后均有效，稳健性较强。但未测试牛熊市分环境表现，未做Brinson归因，与波动率/流动性因子的较高相关性意味着部分收益可能来自风格暴露。
数据依赖
所需数据: 日频OHLCV行情数据、中证全指指数行情、1分钟收盘价数据、Level2逐笔/分笔成交数据（用于识别单笔<4万元的个人投资者交易）
可复现性: hard
惊恐度计算仅需日频行情，易于复现；但波动率加剧需要1分钟数据，个人投资者交易比需要Level2逐笔成交数据且需按单笔成交额分类，数据获取和处理难度较高。注意力衰减中负值置NaN后覆盖率下降的问题需特殊处理。整体复现难度为hard。
相关研究
Cosemans和Frehen(2021)显著因子 — 核心理论基础，本文借鉴其惊恐度计算方法并简化改进，将显著理论与反转因子直接结合
传统20日反转因子 — 直接改进对象，本文将等权加总改为惊恐度加权
Cakici和Zaremba(2021)对显著理论的质疑 — 提供改进方向：短期反转归因、小市值更强、波动率加剧更强
新颖性评估 [新组合]
核心创新在于将显著理论的惊恐度指标作为反转因子的加权权重，并叠加波动率、散户占比、注意力衰减三重调节。惊恐度公式本身来自Cosemans和Frehen(2021)，改进方向来自Cakici和Zaremba(2021)，但将其组合应用于A股选股并简化为可直接计算的因子是新的工程组合。属于已有学术方法的工程化落地和组合创新，非全新理论。
不足与缺陷
- 个人投资者交易比依赖Level2逐笔数据且按4万元阈值分类，数据门槛高且阈值选择缺乏严格论证，不同券商/市场结构的阈值可能不同
- 注意力衰减中将负值直接置为NaN会导致信息损失，本质上丢弃了'惊恐度下降'的交易日，逻辑上这些日子仍有信息含量
- 基准项常数0.1直接沿用原文献未在A股优化，不同市场环境下最优值可能不同
- 未测试交易成本对周频策略的侵蚀（周频多空58.79%看似很高但换手率未报告）
- 未分析牛熊市/不同波动率环境下的条件表现，仅做了全样本和分市值测试
- 因子与波动率/流动性相关性较高，正交化后IC下降约60%（-8.90%→-3.59%），增量信息量有限
- 十分组多头年化22.64%但未报告多头的最大回撤、夏普等风险调整指标
可复用元素
- 惊恐度公式 |r_i - r_m| / (|r_i| + |r_m| + 0.1) 是一个简洁的极端偏离度量，可复用于其他因子构造
- 将传统因子的等权加总改为按信息量加权的思路具有普适性，可推广至任何时间序列加总场景
- 注意力衰减（当前值减去过去N期均值，保留增量）是一个有创意的时间衰减机制
- 将个人投资者交易占比作为情绪调节变量是有价值的微观数据应用
启发
- 可以用换手率突变、涨跌停事件、龙虎榜等更直接的市场注意力事件替代或补充波动率作为情绪代理
- 惊恐度可以推广到周内/月内的多时间尺度，构造跨频段的惊恐度因子
- 注意力衰减机制可以推广为更一般的'信号衰减'框架：当信号连续出现时逐步降低权重
- 可以将惊恐度应用于截面排序而非时间序列加总，构造横截面惊恐排名因子
改进方向
用成交额分位数加权替代固定4万元阈值识别散户交易，并用日内收益率偏度替代分钟波动率作为情绪度量
基于: 相似逻辑：极端收益扭曲决策权重+散户情绪放大效应；不同构造：用截面分位数（当日成交额在自身历史分布中的位置）代替固定阈值识别异常交易活跃度，用日内收益率偏度/峰度代替标准差捕捉极端波动方向 预期收益: 降低数据依赖（无需逐笔数据），提高跨市场适用性；日内偏度能区分上跳和下跳的极端性，比对称的标准差更有信息量
用横截面惊恐排名替代时间序列惊恐度，将个股当日收益率在截面的排名分位数作为偏离度量
基于: 相似逻辑：极端偏离引发过度反应；不同构造：用截面非参数排名代替绝对值偏离，避免0.1常数参数和收益率分布偏态的影响 预期收益: 消除0.1常数参数依赖，提高稳健性；非参数排名对极端值更鲁棒
用注意力衰减的连续版本（指数衰减权重）替代离散的减均值置NaN方法
基于: 相似逻辑：连续异动后注意力衰减；不同构造：用exp(-α×k)对第k天前的惊恐度做指数衰减加权，保留所有交易日信息 预期收益: 避免信息损失（不丢弃负值交易日），连续权重更平滑，可调参数α可优化
复现计划
1) 数据准备：获取全A股日频OHLCV、中证全指日频行情、1分钟收盘价、Level2逐笔成交数据；2) 计算惊恐度：|r_i-r_m|/(|r_i|+|r_m|+0.1)；3) 计算日波动率：1分钟收益率标准差；4) 计算个人交易比：逐笔数据按4万阈值分类，(个人买+个人卖)/2/总成交额；5) 计算衰减惊恐度：SAL(t)-mean(SAL(t-1),SAL(t-2))，负值置NaN；6) 计算加权决策分：SAL_adj×vol×retail×r_i；7) 取20日均值和标准差等权合成；8) 市值行业正交化；9) 十分组回测2013.1-2022.11。关键难点：逐笔数据的4万阈值分类需要仔细验证wind资金流定义一致性。
实体
草木皆兵因子 [factor]原始惊恐因子 [factor]惊恐度 [concept]显著理论 [concept]前景理论 [concept]波动率加剧-惊恐因子 [factor]个人投资者交易比-惊恐因子 [factor]注意力衰减-惊恐因子 [factor]惊恐收益因子 [factor]惊恐波动因子 [factor]曹春晓 [person]Cosemans和Frehen(2021) [person]Cakici和Zaremba(2021) [person]中证全指 [dataset]
LOCAL SIMILARITY