资金流与交易行为：因子失效原因与讨论 | 开源金工

开源开源金工 2026-07-08 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

深入探讨资金流因子（CNIR）失效原因，否定了策略拥挤的假设，指出核心问题在于因子构造过程中的截面回归未能有效处理不同市值股票的流动性差异，以及大小单划分标准在微观结构改变（拆单、高频化）下失去适应性。

经济逻辑

资金流向反映微观供求信息。机构投资者具有选股能力，其大单交易常被视为“主力资金”信号。但买卖行为本身会推动价格，产生反转效应。此外，大市值股票订单簿厚，流动性冲击小，小市值反之。市场微观结构变化（高频拆单）使得传统大单无法准确代表机构意图。

超额收益逻辑

核心Alpha来源于机构投资者（主力资金）优秀的选股能力。通过剥离价格反转带来的虚假信号，获取纯资金流入带来的预期正向收益。在A股市场，机构选股能力在大市值股票中更稳定。

构造细节 [factor]

因子定义

CNIR因子 = 资金流指标(IMB)对涨跌幅的截面回归残差值。其中 IMB = (广义主力买额-广义主力卖额)/(广义主力买额+广义主力卖额)。通过截面回归残差剥离由买卖行为导致的价格反转效应，获取纯资金流Alpha。

处理流程

1. 数据获取：获取全市场A股逐笔成交数据及日频行情数据。
2. 大小单划分：采用绝对阈值、相对阈值(逐日全市场金额分位)或动态阈值(历史N日全市场金额分位)将订单划分为大单(主力)和小单。
3. 资金流合并：将超大单、大单、中单合并为广义主力资金，计算主力买入和卖出金额。
4. 计算IMB指标：逐日计算个股资金流指标 IMB = (主力买入金额 - 主力卖出金额) / (主力买入金额 + 主力卖出金额)。
5. 反转剥离：逐日截面上，以IMB为自变量，涨跌幅为因变量进行回归（含5种改进测试：市值分组回归、行业分组回归、加市值变量、加流动性变量、时序回归），取残差作为修正后的Alpha因子CNIR。
6. 因子测试：在沪深300、中证500等指数成分股内进行分组多空收益及IC测试。

参数

绝对阈值: 2.5万元(历史经验)至100万元，样本外实测26万至40万相对阈值百分位r: 82%至90%动态阈值百分位r: 82%至90%

数据输入

: (逐笔(Level-2)): (日频)

组合方式

将超大单、大单和中单合并为广义主力资金

绩效

-14.9%以上

CNIR因子沪深300多空收益回撤

40万元

2024年最优划分阈值

82%至90%

相对/动态阈值最优百分位

基准: 沪深300、中证500、中证1000、国证2000

回测期: 2016年至2024年底，部分测试区间为20180102至20241223

报告指出CNIR因子自2021年以来出现明显衰减。因子失效并非由策略拥挤导致，而主要源于市场微观结构变化（如拆单行为、高频资金增加）使得大小单识别难度增大，以及截面回归未能充分处理大小市值差异，导致因子在非稳定市场环境适应性减弱。

收益归因 ✓ 已完成

分析了资金流Alpha减弱的原因：一是构造方式上，截面回归忽视了大小市值的流动性差异，且因子在非稳定市场环境适应性弱；二是大小单识别方法缺乏适应性，市场微观结构改变和拆单行为导致主力资金识别准确度降低。

方法: 逻辑分析与实证测试

缺口: 未能提出能完全修复因子失效的普适性方案，相对阈值和动态阈值调整未能显著增厚收益。

稳健性

子样本稳定性: 大市值域(沪深300/中证500)选股效果较稳定，小市值域(中证1000/国证2000)2022年以来多空收益明显衰减。2023年底以来市场环境不稳定，因子在沪深300内也出现较大回撤。

风格偏差: 对大小市值风格高度敏感，由于截面回归未能完美处理流动性差异，会受小市值阶段性表现影响。

因子整体稳健性下降，受市场微观结构变化和风格切换影响大，阈值参数在不同年份波动大，不具备外推能力。

数据依赖

所需数据: 全市场A股逐笔成交数据(Level-2)，日频涨跌幅数据

可复现性: hard

需要Level-2逐笔成交数据来重新切分大小单，对数据清洗和算力有一定要求。相对/动态阈值的计算需要跨股票或跨时间的全局统计。

新颖性评估 [综述]

主要对已有因子失效原因进行深度剖析和排雷测试，否定了简单的拥挤假设和阈值/回归微调的有效性，指出微观结构变化（拆单）是根本原因。

不足与缺陷

未提出能彻底解决因子失效的有效方案，改进方法多被证伪
对拆单行为的影响仅停留在逻辑分析和阈值统计层面，未尝试从订单执行逻辑或聚类角度重建主力识别模型
在探讨市场环境变化对因子影响时，缺乏对市场参与者结构变化的定量刻画

可复用元素

对因子失效归因的严谨排除过程（排除拥挤、排除简单回归/阈值改进）
大小单阈值最优参数在不同年份的漂移统计（2022:26万, 2023:12万, 2024:40万）
指出了A股机构选股能力市值由大到小递减的经验规律

启发

单纯依靠订单金额大小区分主力已经失效，需要引入订单执行轨迹、时间间隔、撤单率等更高维度的微观特征
因子构造应更多考虑市场状态的自适应切换，而非寻找统一参数
大市值和小市值股票的流动性冲击模型应当分别建模

改进方向

构建基于订单序列聚类的主力识别模型

基于: 拆单行为使得单笔金额阈值失效，但拆单往往在时间上密集且方向一致预期收益: 通过无监督学习（如K-Means或DBSCAN）对订单流进行时序聚类，识别出属于同一母单的拆单序列并合并，从而恢复主力资金的真实交易意图，提升资金流因子的有效性。

引入订单簿不平衡(OBI)等高频微观结构因子替代传统资金流

基于: 资金流Alpha本质上是对供求冲击的刻画，而传统资金流依赖事后成交单的金额分类预期收益: 绕开大小单划分难题，直接利用十档挂单数据的瞬时失衡捕捉真实的主动买卖压力，可能对短期收益有更好预测力且不易被拆单干扰。

复现计划

1. 获取A股Level-2逐笔成交数据及日频行情；2. 实现三种阈值划分方法：绝对阈值(遍历2.5万-100万)、相对阈值(取每日全市场逐笔金额82-90%分位)、动态阈值(取过去N日全市场分位)；3. 计算广义主力资金流IMB指标；4. 实现5种回归剥离方法：原始截面回归、市值分组回归、行业分组回归、加市值变量回归、加流动性变量回归、纯时序回归；5. 在沪深300、中证500、中证1000、国证2000内进行分组测试，统计多空收益和IC变化。