“有限关注”因子的多种用法详尽分析报告
一、元数据与报告概览
- 报告标题:“有限关注”因子的多种用法:“赚钱效应”提示与分域选股组合——因子新视野研究系列之六
- 作者:沈思逸
- 发布机构:申万宏源金工
- 发布日期:2025年8月19日
- 研究主题:基于散户投资者有限关注资源的行为特征构建“有限关注”因子,探讨该因子的构建方法、表现特征及其在选股组合和市场择时中的应用。
核心论点及主要信息:
报告围绕“有限关注”这一行为金融学概念,结合异常换手率、成交量、极端收益和龙虎榜数据,创新性构建有限关注因子。该因子反映股票吸引散户注意力的程度,整体为负向因子,表现出集中买卖带来的短期价格波动和随后的收益反转。作者同时提出有限关注因子不仅是选股的负向信号,还可用作市场赚钱效应变化的提示,从而进行指数择时以及大小盘轮动策略配置。此外,报告创新在有限关注这一维度下分析其他常见因子在不同子区域(分域)内的表现差异,最后结合该分域信息改良指数增强与选股组合,取得明显收益提升。
二、逐节深度解读
1. 有限关注因子构建与表现检测
1.1 因子构建逻辑与方法
-
核心理论来自行为金融学:市场非强有效,投资者的注意力是稀缺资源(参考Kahneman, 1973),导致投资者只能有限关注部分股票,产生“有限关注”效应。
-
具体构建指标包括:
- 异常换手率 (AB_Turnover):某日换手率与过去252交易日平均换手率的比值,月度取平均。
- 异常成交量 (AB_Volume):某日成交量与过去252交易日平均成交量的比值,月度取平均。
- 极端收益 (Ex_Return):某日股票收益减当日所有股票收益均值后平方处理,消除正负号影响,月度取平均。
- 龙虎榜指标:当月是否登龙虎榜(二值变量,1/0)。
-
两种合成方法:
- 线性合成法:三个连续指标统一排序归一后相加,再加龙虎榜指标,数值范围0-4。
- 随机森林法:基于过去60个月数据,以收益前20%和后20%标签训练,输出做为因子概率分数,相较线性方法带有更强的“收益预测属性”。
此构建方法既结合单个市场数据特征,又引入机器学习模型辅助,避免了权重设定的主观性,兼顾理论和实证两方面,具有较强创新性和实用价值。,1]
1.2 因子表现验证
- 验证方法:因子分组(1至5组,越大表示关注度越高)与散户股东户数变动正相关,确认因子确实反映了散户关注程度。
- 图1解析:散户户数随有限关注度递增显著提升,两种计算法均体现单调关系,线性合成法在极端分组区分更显著,随机森林ICIR和胜率均优于线性法(见表1),表现更稳健。
- 收益表现(图2):最高关注组股票后续月均收益为负,符合高关注股票后期反转的理论预期;而最低关注组收益相对正向。
- 长期表现路径(图3、4):线性合成各分组股价走势差异明显,高关注组表现最差;随机森林法的差异性更突出且更稳定。
- 不同股票池表现(图5、6):有限关注因子在中证1000(偏小市值)中的信息量(IC)和多空收益表现最强,沪深300(大盘股)则表现较弱,反映小盘股更易受散户情绪波动影响。
以上结果验证有限关注因子有效捕捉了散户关注行为带来的市场异常,尤其在小盘股中影响更显著。,2,3]
2. 有限关注因子方向的“赚钱效应”提示
- 因子IC累计变化走势(图7)显示:
- 2019~2021年上半年,因子IC大幅回撤,即散户追高有限关注股票产生明显赚钱效应。
- 2021年下半年后,因子IC多为负向,显示高关注股票收益不佳。
- 与行业轮动指标关系(图8):
- 行业涨跌趋势一致性指标与因子IC相关性约0.5,二者高度同步,说明有限关注因子IC可视为市场情绪和赚钱效应的表征。
- 择时策略(图9、表2、3):
- 以上证300有限关注因子IC信号构建择时,IC大于12个月均线时满仓沪深300,否则空仓或切换至中证1000。
- 策略整体胜率70%以上,年化收益和夏普率均优于基准,尤其2021年大小盘切换阶段信号明显准确。
该部分揭示了有限关注因子不只具备选股价值,还能作为市场收益偏好和结构切换信号,辅助手动择时和资产配置策略。,4,5]
3. 有限关注因子在选股中的直接应用
3.1 指数增强组合(Alpha叠加)
- 两种应用方式:
- 因子叠加:将有限关注因子负向信号与已有因子共振组合收益预测叠加。
- 股票剔除:剔除有限关注度最高20%的股票。
- 绩效表现:
- 沪深300及中证500中,叠加方法显著提升年化收益(沪深300由12.17%增至13.84%),夏普率提升明显,最大回撤略有增加但整体风险控制依然优良。
- 剔除方法未必提升收益,沪深300反而弄巧成拙。
- 中证1000中两种方法均无明显收益增强,甚至小幅下降,反映大盘及小盘因素影响不同。
指标证明直接叠加有限关注因子更有利于提升组合质量,简单剔除存在缺失潜力股的风险。,7]
3.2 分域内部因子表现差异
- 根据有限关注因子分成“高关注”和“非高关注”两组,分析其他主流因子表现:
- 高关注股票:
- 价量类因子(低波动率、低流动性、长期动量)表现显著增强。
- 成长和分析师预期类因子表现较好。
- 盈利、价值和红利类因子表现明显减弱。
- 中证1000表现较弱,不够明显(该指数本身凭多因子模型表现良好)。
- 应用分域策略:
- 对于高关注组股票,仅使用上述强势因子预测收益并加权;对非高关注组正常使用全部因子。
- 分域增强指数组合在沪深300与中证500均实现稳健超额,风险稍减。
- 简单分域选股(50只股票组合)中分域选股组合相较全部使用因子共振选股组合,年化收益提升约2-3个百分点,夏普率提升明显,表现出更加显著的风险调整后收益优势。
分域策略体现了在散户高关注股票中不同因子信号的优劣,利用差异化因子优化组合构建,提高了选股效果。,8,9]
三、图表深度解读
图1(不同有限关注分组股东户数变化)
- 对比线性合成法与随机森林法,股东户数从负向转正递增,最高关注度组增长超4000户,验证因子对散户实际关注度有强刻画力。
- 线性合成在极端区分能力稍优,随机森林则波动更均匀,显示收益驱动属性带来的数据分散性;两法验证因子有效性。
表1(因子表现指标)
- RankIC均为负,显示因子为逆向因子属性。
- ICIR线性合成为-0.71,随机森林更优至-0.86。
- 随机森林法胜率为70.1%,线性法66.7%,表明基于收益分群训练模型提升稳定性和预测能力。
图2、图3、图4(不同分组月均收益及股价表现)
- 图2显示最高关注度分组后续平均收益为负(约-0.15%),最低关注组月均正收益超1.2%。
- 图3、图4轨迹亦印证关注度越高长期表现越弱,随机森林表现更清晰区分。
- 反映散户追高带来的价格泡沫及后续价值回归过程。
图5、图6(不同股票池中IC与多空收益)
- 中证1000股票池IC最低达-0.08,沪深300仅-0.05,显示中小盘更受有限关注因子影响。
- 多空收益中证1000最高(1.2%以上),沪深300最低(约0.5%),呼应散户情绪对股价波动影响大小。
图7(有限关注因子累计IC变动)
- 从2018年至2025年间因子累计IC不断下行,尤以2019-2021表现明显,下跌表示因子负相关收益变大,即散户追高的赚钱效应阶梯下降。
- 2021年后趋稳,市场情绪差异减弱。
- 展示因子随着市场阶段不同的“赚钱效应”示范。
图8(因子IC与行业涨跌趋势一致性)
- 两指标在2019-2021年呈高度相关,相关系数约0.5,提示有限关注因子反映市场层面上行业轮动和资金流动趋势。
- 行业涨跌趋势一致性高时,行业涨跌同向,市场较稳定;因子IC向上说明散户追涨策略有效。
图9(因子IC择时策略净值)
- 择时策略净值曲线跑赢所有基准(沪深300、中证1000),显示策略有效捕捉市场风格切换及赚钱效应变动。
- 最大回撤显著降低(如沪深300择时最大回撤由45.6%缩减至34.7%),风险调整后优势显著。
图10-12(指数增强组合净值)
- 沪深300和中证500中叠加因子策略显著跑赢剔除因子策略,表明有限关注因子叠加能够有效提升Alpha。
- 中证1000中两者无明显差异,说明大规模、小盘混合池中因子混合效果复杂。
图13-14(分域增强指数净值)
- 分域增强较因子共振组合有轻微超额收益,最大回撤有所下降,具有优化资产配置的潜力。
- 但增量较叠加法不明显,表明因子本身已包含部分分域信息。
图15-16(分域选股组合净值)
- 分域选股组合较因子共振选股提升显著,年化收益由12.8%升至15.3%,夏普率由0.61升至0.74,风险控制相当,表现稳定。
- 强化了分域策略在简单选股应用中的实际价值。
四、估值分析
本报告为因子研究,未涉及具体企业估值模型和目标价设定,主要是构建因子、验证因子表现和应用于组合构建策略层面。因子叠加与选股模型的多因子权重设计属于实证资产配置范畴,而非传统单只股票估值。
五、风险因素评估
- 数据覆盖与历史局限:因子基于历史252交易日与过去60个月样本训练,受历史数据长度和质量影响,可能与未来市场结构变化不符。
- 模型假设限制:随机森林标签基于收益分布设计,带入一定收益预测偏差,可能导致过拟合现象。
- 环境依赖性:有限关注因子有效期或受宏观及政策环境影响较大,如情绪及散户行为模式变化可能导致因子失效。
- 策略实施风险:剔除有限关注股票或分域策略因限制组合构建时可能遇到行业及风险因子偏离,实际操作可能碰撞约束失败。
- 报告最终强调模型“历史表现不代表未来”,模型在宏观市场大变动时可能失效的风险提示至关重要。
六、批判性视角与细微差别
- 因子负向属性与收益驱动二者的平衡:报告中随机森林构造方法虽然提升了因子IC和胜率,但也带入了收益预测的偏见,这可能影响因子对纯粹“有限关注”属性的刻画本质,两者界限需谨慎对待。
- 不同股票池表现差异说明因子适用范围有限,中证1000中分域和剔除效果不明显,可能反映结构调整或市场深度不同,因子泛用性值得继续验证。
- 精选因子在分域组合内表现优异,说明有限关注股票与其他股票构成市场不同生态,建议在复杂多因子模型基础上谨慎加权该因子,避免盲目叠加导致风格偏离。
- 剔除策略不升反降提示有限关注股票中仍存在优质成长性标的,简单剔除可能丢失 alpha 源泉,需结合其它因子或策略分层使用。
- 报告文字类似于学术风格,未过度夸大因子效果,整体逻辑谨慎且数据充分,但仍需结合未来市场动态做持续回测和验证。
七、结论性综合
本报告系统性地分析与应用了“有限关注”因子,重点结论如下:
- 从行为金融出发,以异常换手率、异常成交量、极端收益和龙虎榜为基础,构造了可量化散户“有限关注”度的因子。
- 因子在中小盘股票中表现更显著,具有负向性质:高度关注股票后期表现偏弱,体现逆向预期及炒作后收益反转。
- 因子IC的时间序列变化可作为市场赚钱效应的代理指标,特别是沪深300股票池内,因子IC与行业轮动趋势高度相关,可辅以指数择时和大小盘轮动策略。
- 在指数增强组合中,有限关注因子的叠加比单纯剔除更能提升收益,特别是在沪深300、中证500中的实际应用效果显著。
- 复杂因子共振组合中,引入分域思想,针对有限关注高股票池内采用差异化因子选择显著提升选股组合表现,增强成长及价量类因子的权重带来风险调整收益提升。
- 分域选股策略在沪深300与中证500中均表现优于传统单因子共振组合,显示有限关注因子对组合构建的细化与优化价值。
- 报告结尾明确风险点,提示模型有限性及不确定性,防止过度拟合风险。
总的来说,有限关注因子为金融市场行为和机器学习选股策略结合的典范,具备较强的理论基础和实证验证。通过分域策略,有效捕捉了散户行为带来的市场异象,提升了因子的应用价值和组合表现,值得投资管理实践中进一步推广和研究。
参考图片
图1:
图2:
图3:
图4:
图5:
图6:
图7:
图8:
图9:
图10:
图11:
图12:
图13:
图14:
图15:
图16:
溯源标识
以上结论及分析均基于申万宏源金工2025年8月19日发布之《有限关注因子的多种用法》报告全文内容系统整理归纳而成,所依赖英文、公式、数据及图表均有明确出处,关键段落页码请参见文中每处标注的页码,如 ,1],,7] 等。