聰明錢因子模型的2.0版本

作者：由 Fitz Hoo 發表于攝影時間：2020-06-06

更多開源金工團隊的原創研究，歡迎關注微信公眾號：建榕量化研究

報告作者：魏建榕、傅開波、高鵬

一、引言

我們於2016年7月提出的聰明錢因子模型，在量化投資同行中獲得了較高的評價。聰明錢因子模型的核心邏輯是，從分鐘行情資料的價量資訊中，嘗試識別機構參與交易的多寡，最終構造出一個跟蹤聰明錢的選股因子。聰明錢因子模型在首次釋出時，受到了較多的關注，究其原因主要有兩個方面：其一，模型邏輯簡潔，樣本內表現良好；其二，模型首次提出了“高頻資料，低頻因子”的研究模式，是高頻因子領域的引領之作。聰明錢因子從提出迄今已有3年7個月，我們一直密切跟蹤其動態表現。本篇報告的主旨是，提出關於聰明錢因子模型的重要改進。

二、聰明錢因子的原始模型

聰明錢因子模型的核心問題是，如何識別聰明錢的交易。大量的實證研究表明，聰明錢在交易過程中往往呈現“單筆訂單數量更大、訂單報價更為激進”的基本特徵。基於這個考慮，我們構造了用於度量交易聰明度的指標S（表1，步驟2），指標S的數值越大，則認為該分鐘的交易中有越多聰明錢參與。藉助指標S，我們透過以下方法篩選聰明錢的交易：對於特定股票、特定時段的所有分鐘行情資料，將其按照指標S從大到小進行排序，將成交量累積佔比前20%視為聰明錢的交易（表1，步驟3）。

為了更形象地展示這個劃分過程，圖1中我們給出了一個簡單示例。圖1的上半部分：這是一段長度為半小時的分鐘行情資料，按照時間順序排列，時間標籤依次標為1-30，藍柱代表每分鐘的成交量，紅點代表每分鐘的S指標值。圖1的下半部分：我們按照S值從大到小對原始行情資料進行了重新排序，柱子仍代表每分鐘的成交量，綠線代表成交量從左到右的累計佔比（相對於總成交量）；以成交量累計佔比20% 作為劃分的界線，將最左側的6個分鐘資料（紅柱）劃歸為聰明錢的交易，剩餘的其他分鐘資料（藍柱）則被劃為普通資金的交易。

從“量-價”相空間的視角，我們可以更直觀地感受S指標在劃分過程中起到的作用。在圖2中，橫座標為分鐘成交量

，縱座標為分鐘漲跌幅的絕對值

，每個散點代表一個分鐘交易。在最終的劃分結果中，紅色散點為聰明錢交易，藍色散點為普通交易，虛線為劃分兩種交易的分界線。不難發現，分界線的形狀直接取決於S指標的構造方式——假設成交量累積佔比恰好為20%的分鐘交易的S指標值為

$S_{0}$

，則分界線表示式為

$|R|=S_{0}\sqrt{V}$

。不同的S指標的構造方式，將產生不同的聰明錢劃分結果。

綜上討論，聰明度指標S是聰明錢因子模型的核心部件。數學模型不可能盡善盡美，在聰明錢的劃分過程中，不可避免存在錯誤劃分的情況：將普通交易劃分為聰明錢交易，或者將聰明錢交易劃分為普通交易。隨著而來的問題即是，能否透過對S指標的改進，最佳化對聰明錢的劃分，進而提升聰明錢因子的選股能力？這是我們在第3節中將要重點討論的內容。

三、聰明錢因子的改進方案

聰明錢因子模型自2016年7月釋出以來，已進行了3年多的樣本外跟蹤。圖3給出了聰明錢因子的收益表現，在2016年7月-2017年初的時段表現穩健，在2017年初之後選股能力明顯減弱。在本節中，我們將重新考察聰明度S指標的構造方式，尋找聰明錢因子的改進方案。

01 對開根號的修正

在聰明錢因子的構造步驟中， S指標的計算公式為

$S = |R|/\sqrt{V}$

，分母為分鐘成交量

的開根號。我們選擇開根號的初衷是：（1）開根號有簡單清晰的數學影象可對應；（2）大量的實證研究表明，價格變化與成交量的平方根之間存在正比關係。

為了方便討論，我們不妨嘗試一般化，將分鐘成交量V的指數項定義為可變的引數，這樣S指標公式可以寫成如下形式：

$S = |R| / (V^\beta)$

其中，

為分鐘漲跌幅，

為分鐘成交量，

$\beta$

為分鐘成交量

的指數項引數。不難看出，當

$\beta$

取值為0。5時即為原始聰明錢因子 S指標；當

$\beta$

取值為0時，S指標可以寫為

；當

$\beta$

取值為-0。5時，S指標可以寫為

$S=|R|*\sqrt{V}$

的乘積形式。

我們選取若干不同

$\beta$

值分別構造S指標，計算對應聰明錢因子，並對因子進行績效回測。因子歷史回測的基本框架為：回測時段為2013年4月30日至2019年12月31日；樣本空間為全體A股，剔除ST股和上市未滿60日的新股；每月月初調倉，持倉一個自然月，交易費率千分之三。

從不同

$\beta$

值的IC均值上看，當

$\beta$

為0。7時，因子IC均值在0左右，因子幾乎無效；隨著

$\beta$

值的逐漸減小，因子IC均值的絕對值逐漸增大，最後達到一個飽和的平臺。可以看出，原始聰明錢因子（

$\beta$

=0。5）的選股能力，遠遠沒有達到最優的狀態。

為了進一步評價因子的選股能力，我們回測了不同

$\beta$

值下的聰明錢因子多空對沖資訊比率和多空對沖淨值曲線。可以看出，當

$\beta$

由0。7逐漸減小時，資訊比率逐漸增加，當

$\beta$

取值為0。1左右時資訊比率最大（3。67），當

$\beta$

由0。1繼續逐漸減小時，資訊比率呈現出緩慢下降的趨勢，但整體資訊比率均高於2。5。可以看出，

$\beta$

取值小於0。5以下的因子選股能力要明顯優於原始聰明錢因子（

$\beta$

=0。5），並且當

$\beta$

取值為0。1左右時，因子的選股能力最強。

需要說明的是：（1）為了排除路徑依賴對因子回測結果的影響，我們在月度調倉頻率下，分別選取月初、月中、月內1/4時點、月內3/4時點作為調倉時點，綜合比較4條不同路徑的回測結果後，上述結論依然穩健。（2）為了排除聰明錢因子在其他因子上的暴露對於回測結果的影響，我們將剔除了主要風格因子後的聰明錢因子進行回測，回測結論依舊穩健。

02 S指標的重新構造

基於不同的邏輯，S指標的構造方式也會不同。本小節我們嘗試了3種不同的S指標構造方式，並對因子的選股能力進行回測。表2給出了這3種S指標的公式和含義。

具體來看：S1指標單獨考慮成交量因素，將分鐘成交量較大的交易劃分為聰明錢交易；S2指標綜合考慮分鐘交易的成交量和漲跌幅絕對值排名，將排名之和靠前的交易劃分為聰明錢交易；S3指標是基於原始S指標的變形，我們嘗試對分鐘成交量作對數變換構造聰明錢因子。

我們分別對上述3個S指標構造的聰明錢因子的選股能力進行了回測，並與原始聰明錢因子進行了比較。3個S指標構造的聰明錢因子的IC均值分別為-0。036、-0。043、-0。050，多空對沖資訊比率分別為2。03、2。61、3。74，整體上新因子選股能力均優於原始聰明錢因子（資訊比率1。69），對分鐘成交量作對數變換構造的聰明錢因子（S3指標）選股能力最強。

四、若干重要討論

01 不同截止值的差異

在原始聰明錢因子的構造過程中，我們取成交量累積佔比前20%的分鐘視為聰明錢交易，選取20%作為截止值的原因是考慮到：在我國股票市場中，機構投資者交易佔比較低。從不同年份的機構投資者交易佔比資料可以看出，機構投資者對全市場成交量的貢獻比例在10%-20%之間，年度均值在13%左右。

我們基於

$\beta$

值為0。25的S指標，分別選取10%、15%、20%、30%、40%、50%作為截止值構造聰明錢因子，並測試不同截止值下因子的選股效果。可以看出，隨著截止值的提高，多空對沖資訊比率取值逐漸降低，多空對沖收益曲線不斷下降。當截止值取值為15%時，資訊比率取得最大值（3。35），略高於原始因子20%截止值的資訊比率（3。27），整體上選股能力差異不大。聰明錢因子模型選取20%作為截止值是具有合理支撐的。