大小单重定标与资金流因子改进 | 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

报告针对传统资金流划分阈值不合理及体系复杂的问题，利用深市逐笔数据重新划定大小单阈值。研究发现主力资金的最优划分阈值并非20万元而是更低（如2万元）。同时，针对大单净流入伴随价格上涨而暴露反转因子的问题，提出MOD修正法：以买卖金额比（IMB）为代理变量对日涨跌幅进行截面回归取残差，重新分配买卖成交金额。最终构造的修正净流入率因子（NIR_MOD）及广义主力资金因子（CNIR）选股能力大幅提升。

经济逻辑

大单资金流具有正向Alpha源于其信息优势，但主力资金买卖不平衡会推动价格上涨，从而夹杂负向的反转效应。小单在交易中通常作为大单的对手方，定价能力弱，主要提供流动性支持，其Alpha来源于流动性风险补偿。通过MOD修正剥离反转效应后，留存的是更为纯净的主力资金信息优势Alpha。

超额收益逻辑

因子超额收益来源于主力资金(大单)的信息优势。由于主力资金具备信息优势，其净流入能正向预测未来股价表现。通过降低阈值至2万元，能更完整地捕捉机构拆单行为；通过MOD截面回归剥离了同期涨跌幅(反转效应)的干扰，使得因子的正向预测能力更加纯净，从而显著提升了多空收益和多空IR。

构造细节 [factor]

因子定义

1. 划分大小单：挂单金额>2万元为大单(主力)，<=2万元为小单。2. 计算原始买卖额：统计每日大单买入额B和大单卖出额S。3. MOD修正：计算大单买卖金额比IMB = B/S。以当日涨跌幅Ret为自变量，逐日进行横截面回归 IMB = α + β·Ret + ε，取残差ε作为修正后的买卖比。4. 反算修正金额：假定大单总成交额不变(AMT = B + S)，利用残差反算修正后买入额B_mod = AMT × ε / (1 + ε)，修正后卖出额S_mod = AMT / (1 + ε)。5. 计算因子：CNIR = (B_mod - S_mod) / (B_mod + S_mod)。

处理流程

获取深市Level-2逐笔成交数据，提取挂单金额与方向
以2万元为阈值，将成交单划分为大单与小单
按日汇总每只股票的大单买入额(B)与大单卖出额(S)
计算大单买卖金额比 IMB = B/S
每日横截面回归 IMB ~ Ret，取得残差 ε
利用残差 ε 重新按比例分配大单买入额与卖出额(保持总额不变)
计算修正后的净流入率因子 NIR_MOD = (B_mod - S_mod) / (B_mod + S_mod)
按标准流程进行去极值、中性化(行业、市值)、标准化处理得到最终因子值

参数

lambda: 2万元

数据输入

: (日频汇总): (日频)

组合方式

将传统超大单、大单和中单合并为有定价权的广义主力资金，在MOD修正后的资金流数据基础上计算净流入率，构造CNIR因子。

绩效

2.63

NIR因子多空IR

4.76

NIR_MOD因子多空IR

32.16%

NIR_MOD因子多空对冲收益(2万阈值)

27.86%

CNIR因子多头年化收益率

4.91

CNIR因子多空IR

基准: 全市场

回测期: 20130101至20220311

报告通过逐笔数据重新划定大小单阈值（最优为2万元），并采用MOD修正法剥离反转效应。改进后的NIR_MOD及广义主力资金因子CNIR在选股能力上显著提升，多空IR达到4.76和4.91，多头年化收益达27.86%。

收益归因 ✓ 已完成

报告将资金流因子拆解为净流入(NI_MOD)和成交金额(AMT)两部分，指出资金流的正向Alpha主要来源自主力资金（大单）的信息优势，而成交金额部分提供稳定的负向选股效果，来源于流动性风险补偿。小单主要提供流动性支持。

方法: 微观结构拆分与参数敏感性测试

缺口: 主要聚焦资金流内部的微观结构归因，未涉及行业、风格等宏观维度的归因分析。

稳健性

子样本稳定性: 因子在中证1000以及全市场范围内有效性曲线更光滑且表现更好；在沪深300和中证500中大票主力划定阈值不明确且较高，表现相对较弱。

风格偏差: 偏向中小盘股，因为小票流动性不足，主力拆单颗粒度更细，低阈值更能有效识别。

因子在中小盘表现稳健，对标准化方式不敏感，逻辑通过微观结构拆解得到验证，具有较好的稳健性。

数据依赖

所需数据: 深交所逐笔Level-2行情数据(含挂单金额、挂单数量等)，日频涨跌幅数据

可复现性: medium

核心依赖逐笔成交数据以重定标大小单，无逐笔数据无法完全复现大小单重定标环节；但MOD修正逻辑可应用于已有日频资金流数据进行部分复现。

新颖性评估 [新组合]

将大小单阈值重定标与截面回归剥离反转效应(MOD修正法)相结合，是对传统资金流因子的微观结构深度优化与提纯，属于构造方式上的新组合与新改进。

不足与缺陷

MOD修正法使用线性回归，可能无法完全捕捉资金流与涨跌幅之间非线性的反转效应
绝对金额法未考虑不同股价、不同流动性股票的挂单行为天然差异，可能导致跨股票比较存在偏差
测试范围受限，因上交所逐笔数据缺失，主要结论基于深市得出，全市场适用性仍待进一步验证

可复用元素

利用买卖金额比(IMB)对日涨跌幅进行截面回归取残差，剥离反转效应的MOD修正法，该方法极具普适性
通过参数敏感性测试发现2万元为最优主力资金识别阈值，反映了机构拆单行为特征，对高频数据处理有指导意义
将资金流Alpha拆解为大单信息优势(正向)与成交金额流动性补偿(负向)，微观结构拆解逻辑清晰

启发

任何伴随价格冲击的量价因子都可以尝试引入类似的MOD修正法，通过横截面回归剥离同期涨跌幅的影响，提纯因子的预测信息
机构隐蔽交易(拆单)会导致传统大单阈值失效，挖掘微观结构Alpha时需重视颗粒度更细的订单数据

改进方向

基于分钟级数据构造主买占比因子并应用MOD修正法

基于: 相似逻辑(主力资金识别+剥离反转效应) + 不同构造(不依赖逐笔数据，使用分钟主买卖量) 预期收益: 摆脱对昂贵的逐笔数据的依赖，利用全市场分钟主买主卖数据近似刻画主力资金，提升因子覆盖度与计算效率，同时保留反转剥离带来的Alpha提纯效果。

复现计划

1. 获取深交所Level-2逐笔成交数据；2. 提取每笔成交的挂单金额与主动买卖方向；3. 以2万元为阈值划分大单与小单，按日汇总计算每只股票的大单买入额B与大单卖出额S；4. 计算大单买卖比 IMB = B/S；5. 获取个股日涨跌幅Ret，每日进行横截面回归 IMB = α + β·Ret + ε；6. 提取残差ε，假定大单总成交额AMT不变，计算修正后买入额 B_mod = AMT × ε / (1 + ε) 与卖出额 S_mod = AMT / (1 + ε)；7. 计算修正后净流入率 NIR_MOD = (B_mod - S_mod) / AMT；8. 对因子进行去极值、行业市值中性化及标准化处理；9. 在全市场进行十分组回测，检查多空收益是否达32%及IR是否达4.7以上。