新型因子：资金流动力学与散户羊群效应 | 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 4 /5

核心内容

报告首次从“各类资金流的相关性结构”出发挖掘alpha。研究发现，资金流同步相关性因子的alpha可被资金流强度解释，属于“伪动力学”。而小单与小单的错位相关性因子表现最佳，其alpha来源被证明是散户的羊群效应（即“追涨杀跌”行为）。该因子在全市场及不同市值宽基中均具有负向选股能力，且其行业层面的一阶差分版本展现出优异的行业轮动效果。

经济逻辑

A股市场个人投资者比例较高，散户倾向于根据近期涨跌进行同向交易，即“追涨杀跌”。这种羊群效应会导致股票价格偏离基本面，产生定价偏差，随后发生价格反转。因此，羊群效应越强（过去收益率与未来小单净流入相关性越高）的股票或行业，其未来预期收益越差。

超额收益逻辑

由于散户存在明显的“追涨杀跌”行为，当过去收益率与未来小单净流入呈高度正相关时（即羊群效应显著），意味着散户资金在高位涌入或低位割肉，加剧了资产价格偏离基本面，随后的价格均值回归将导致该资产未来收益表现较差。因此，羊群效应因子具有显著的负向预测能力。

构造细节 [factor]

因子定义

1. 同步相关性因子 Corr(A_t, B_t, 20): 过去20个交易日，A类和B类资金净流入序列的Spearman秩相关系数。2. 错位相关性因子 Corr(S_t, S_{t-1}, 20): 过去20个交易日，小单当日净流入与昨日净流入序列的Spearman秩相关系数。3. 散户羊群效应选股因子 SheepEffect_Stock: 过去20个交易日内，每日收益率r_t与次日小单净流入s_{t+1}的Spearman秩相关系数。4. 行业散户羊群效应因子 SheepEffect_Industry: 过去20个交易日内，行业收益率日度变化Δr_t与行业小单净流入次日日度变化Δs_{t+1}的Spearman秩相关系数。

处理流程

获取日频资金流净流入及日频收益率数据
剔除ST、停牌及上市不足60日的次新股
按定义计算过去20个交易日的Spearman秩相关系数因子值
去极值（如MAD法）、标准化（如Z-score）
选股因子：进行Barra风格因子及行业中性化处理
按月度调仓进行分组回测及IC测试

参数

回看窗口N: 20错位期数L: 1资金流分类阈值: 100万/20万/4万

数据输入

: (日频): (日频)

组合方式

无显式因子组合，主要进行单因子测试及残差中性化

绩效

3.09%

小单错位相关性因子IC均值

2.07

小单错位相关性因子ICIR

8.45%

小单错位相关性因子多空年化收益

2.05

小单错位相关性因子信息比率

-4.52%

散户羊群效应因子IC均值

-2.35

散户羊群效应因子ICIR

12.51%

散户羊群效应因子多空年化收益

2.18

散户羊群效应因子收益波动比

-5.85%

行业散户羊群效应因子IC均值

-1.04

行业散户羊群效应因子ICIR

11.99%

行业散户羊群效应因子多空年化收益

1.25

行业散户羊群效应因子信息比率

基准: 无

回测期: 2013/01/01-2022/04/30

报告从资金流间的相关性结构出发，提出了同步与错位相关性因子。同步相关性因子的alpha来源于资金流强度，属伪动力学；错位相关性因子来源于散户羊群效应，在选股和行业轮动中均表现出较稳定的负向预测能力。

收益归因 ✓ 已完成

通过回归分析验证因子alpha来源。同步相关性因子的alpha可被超大单和小单的资金流强度解释，是伪动力学因子；错位相关性因子的alpha可被散户羊群效应因子解释。同时，选股因子经过Barra风格及行业中性化后仍有显著效果。

方法: 回归中性化/残差分析

缺口: 未提及行业轮动因子是否进行了风格或行业中性化处理。

稳健性

子样本稳定性: 在沪深300、中证500、中证1000中均有多空收益，其中中证1000表现最好（收益波动比2.05），大小市值表现均稳健。

风格偏差: 原始因子与流动性、波动性因子相关性较高；经Barra风格及行业中性化后，多空年化收益8.49%，信息比率提升至2.27。

因子回看参数敏感性不高，跨市值风格表现稳定，经风险中性化后绩效不降反升，整体鲁棒性强。

数据依赖

所需数据: 日频资金流分类数据（需通过逐笔成交数据或Level-2数据统计得到）

可复现性: medium

依赖具有明确资金流大小分类的日频数据，计算主要基于Spearman秩相关系数，逻辑简单清晰，但在获取准确的逐笔资金流分类数据上存在一定门槛。

新颖性评估 [新方法]

首次从单一资金流维度扩展到资金流间的“相关性结构”维度，引入同步与错位秩相关系数，并严密论证了错位相关性的alpha来源于散户羊群效应，视角新颖且逻辑闭环。

不足与缺陷

资金流分类仅依赖挂单金额阈值，易受机构拆单行为干扰，使得“小单”中混入机构资金，增加噪音。
行业轮动部分未明确说明因子是否进行了中性化或平滑处理，且3分组测试样本较少可能导致统计显著性不稳定。

可复用元素

使用秩相关系数代替Pearson相关系数，有效降低了资金流极端值的影响。
使用残差正交化方法剥离已知alpha（资金流强度），验证新因子增量信息的思路非常严谨。

启发

资金流间的相关结构比单一资金流强度蕴含更深层的动力学信息。
羊群效应可通过“历史收益率”与“未来小单流入”的错位相关性进行低成本且有效的定量度量。

改进方向

高频化与微观结构纯化资金流羊群效应

基于: 相似逻辑 + 不同构造预期收益: 使用分钟级或Tick级数据计算日内收益率与小单流入的错位相关性，能更敏锐地捕捉散户日内追涨杀跌的微观行为，同时过滤隔夜噪音，并可通过拆单识别算法剔除机构伪装的小单，有望显著提升因子的IC与稳定性。

复现计划

1. 数据准备：获取2013-2022年全A股日频资金流（超大、大、中、小单净流入）及日频收益率；2. 样本清洗：剔除ST、停牌、次新（上市<60日）；3. 因子计算：按报告公式计算20日窗口的Spearman秩相关系数（同步Corr(A,B)、错位Corr(S_t, S_{t-1})、选股羊群Corr(r_t, S_{t+1})及行业羊群Corr(Δr_t, ΔS_{t+1})）；4. 预处理：去极值、标准化，对选股因子进行Barra风格与行业中性化；5. 回测评估：每月底调仓，全市场5分组（行业3分组），计算IC、ICIR及多空对冲净值等绩效指标，验证报告结论。