【广发金工】2024精选深度报告系列之十一：订单维度解耦的22个长短单因子

广发广发金融工程 2026-06-11 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

本文基于Level 2逐笔成交订单数据，计算同一买卖订单号从首笔成交到末笔成交的时间差作为订单成交时长。根据当日订单时长的均值和标准差，将大于均值+N倍标准差(N=1.0, 1.5, 2.0)的订单定义为长单，其余为短单。通过统计长买单、长卖单的成交量占比构建原始因子，并进一步从买卖方向进行解耦，生成长买单短卖单、短买单长卖单等交叉因子，最终构建22个长短单因子库。实证表明，精选组合在全市场及各大板块均表现出色。

经济逻辑

同一笔大额委托往往被拆分为多笔成交，其成交完成时间的长短反映了隐蔽交易意图或流动性消耗过程。若订单在较长时间内分散完成（长单），可能表明主力资金在耐心吸收筹码或逐步派发；若在短时间内集中完成（短单），则可能为急切成交、游资冲动行为或散户跟风。通过多维度解耦分析长短单的方向及组合（如长买短卖代表主动买盘耐心吸筹、被动卖盘迅速成交），可以更精细地刻画主力资金动向及微观供需结构，从而预测未来价格走势。

超额收益逻辑

长短单的成交量占比反映了订单执行的时间特征与投资者耐心程度。短买单短卖单因子(ShortBuy_ShortSell_1p0)的RankIC为负(-10.4%)，说明双方均急于快速成交的标的未来收益较差，反向选择具有超额收益；而长买长卖因子表现出正向收益，表明长线资金耐心吸筹的标的未来表现较好。通过捕捉买卖双方在时间维度上的耐心不对称性及交易摩擦特征，获得微观结构上的定价补偿。

构造细节 [factor]

因子定义

1. 时长计算(Duration)：对于同一天内的同一买卖订单号，找到其首笔逐笔成交时间(T_start)与末笔逐笔成交时间(T_end)，计算时间差 Duration = T_end - T_start。2. 阈值确定：计算当日该股票所有成交订单Duration的均值(Mean)和标准差(Std)。界定长单阈值为 Mean + N*Std。成交时长 > 阈值的订单为长单，否则为短单。3. 原始因子构建：统计长买单成交量占总买单成交量比例(LongBuy_NpX)，长卖单占比(LongSell_NpX)，及两者之和(LongBuySell_NpX)。4. 解耦因子构建：基于买卖长短属性交叉，计算长买单长卖单、长买单短卖单(LongBuy_ShortSell_NpX)、短买单长卖单(ShortBuy_LongSell_NpX)、短买单短卖单(ShortBuy_ShortSell_NpX)的成交量占比，共12个解耦因子。5. 短单因子逻辑等价于1-长单因子。

处理流程

Step 1: 获取Level-2逐笔成交数据，清洗并按买卖方向过滤
Step 2: 按买卖订单号分组，计算每个订单的首末笔成交时间差(Duration)
Step 3: 计算当日各股票Duration的均值与标准差，根据N=1.0/1.5/2.0划分长单与短单
Step 4: 遍历逐笔成交，累加各分类(长买、短买、长卖、短卖及四象限交叉)的成交量，计算占比形成原始因子
Step 5: 对因子值进行时间序列平滑处理(具体平滑算法研报未披露)
Step 6: 股票池预处理：剔除摘牌、ST/*ST、涨跌停、上市未满一年股票
Step 7: 截面标准化处理(未明确是否进行行业市值中性化)
Step 8: 因子值排序选股，构建Top-K等权或加权组合

参数

N: 1.0, 1.5, 2.0换仓频率: 5日, 20日因子平滑: 是

数据输入

: (逐笔(Level-2))

组合方式

从22个长短单因子中挑选出表现优异的因子构建精选组合，但研报未明确披露具体是等权合成、IC加权还是直接选取单一最优因子。

绩效

21.41%

全市场Top-150组合年化收益率

18.70%

全市场Top-150组合最大回撤率

1.31

全市场Top-150组合夏普比率

13.2%

全市场RankIC均值

80.5%

全市场RankIC胜率

基准: 中证全指

回测期: 2021年1月~2023年12月

精选长短单因子组合在全市场板块2021~2023年间RankIC均值达13.2%、胜率达80.5%，Top-150组合取得21.41%的平均年化收益率，同期中证全指平均年化收益率为-8.50%，超额收益显著。

收益归因

缺口: 报告未进行风险因子归因分析

稳健性

子样本稳定性: 因子在全市场、创业板、沪深300等多个板块均进行了测试，均取得正向超额收益，但在沪深300大盘股板块的绝对收益和夏普比率相对全市场有所衰减（Top-50年化6.61%），说明因子在中小盘及高换手股票池中表现更佳。

风格偏差: 通过多路径回测均值作为统计数据，且应用了因子平滑处理以降低换手和波动，但未明确展示行业、市值等风格因子的中性化结果与风险归因，可能存在小盘/高波动风格暴露。

因子在中小盘及全市场表现优异且稳定，在大盘股表现有所衰减；平滑处理显著提升了最大回撤等稳定性指标，但略微牺牲了年化收益和IC胜率。

数据依赖

所需数据: A股Level 2逐笔成交订单数据，需包含精确到毫秒的时间戳、买卖方向、订单号及成交量等底层数据，数据量极大。

可复现性: medium

因子定义与数学逻辑清晰，但需处理海量逐笔Tick数据且需进行订单号聚合匹配，对算力要求高；且研报未披露因子平滑的具体算子及精选组合的最终合成公式，完全复现需自行填补这些细节。

新颖性评估 [新组合]

数据源属于常见Level 2行情，方法使用基础的统计阈值。创新点在于从'订单成交完成时长'这一新的微观时间维度定义长短单，并运用买卖方向进行二维交叉解耦，属于挖掘视角与因子构造组合上的创新。

不足与缺陷

未公开'精选因子组合'的具体合成方式（如是否为等权、IC加权或多因子回归）
因子平滑处理的数学算子或具体函数未披露，影响精确复现
未做严格的Barra风险因子（行业、市值、估值、动量等）中性化处理及风险归因分析，超额收益可能存在风格暴露
计算订单时长时未讨论撤单事件或跨交易日订单（若有）的影响处理方式

可复用元素

基于买卖订单号聚合计算首尾成交时间差(Duration)以衡量订单执行耐心程度的思路极具启发性
利用均值+N倍标准差进行自适应动态阈值划分，能够自动适应不同市场活跃度下的订单时长分布
买卖方向与长短特征构建的二维解耦矩阵（如长买短卖、短买长卖）有效分离了不同微观交易意图

启发

订单耗时不仅可看绝对时长，还可以结合订单大小、订单到达率构建三维解耦体系
成交时长与市场瞬时流动性的关联，可用于构建微观层面的VPIN或知情交易概率替代指标

改进方向

结合订单大小与成交时长的三维加权因子

基于: 长短单因子与大小单因子的独立逻辑预期收益: 不仅能捕捉成交时间长短，还能区分是'大单慢成交'（强主力耐心吸筹）还是'小单慢成交'，过滤散户噪声，提供更纯粹的机构行为信号，有望提升因子单调性及IC绝对值。

复现计划

1. 获取A股Level-2逐笔成交数据（含订单号、时间戳、方向、量价）。2. 按日按买卖订单号分组，计算每个订单的首末笔成交时间差(Duration)。3. 计算当日各股票Duration的均值与标准差，按N=1.0/1.5/2.0划分长单与短单。4. 统计长买单、长卖单及四象限交叉单的成交量占比，生成原始因子。5. 对因子进行指数加权平滑测试寻找最优平滑参数。6. 剔除ST、涨跌停、次新股后，截面分位数标准化处理。7. 按因子值排序构建Top-150等权组合，20日调仓，次日均价成交，双边千三费率，对比全市场基准收益。