本报告基于A股全市场股东户数信息,提出隔季选取多期数据并时序标准化的新型因子构建方法,重点构建股东户数变动(SNC)和人均持股占比变动(PCRC)因子。测试显示两因子均具备稳定的选股能力,特别是PCRC因子在中证1000等小市值指数中表现优异,年化超额收益达9.08%。此外,报告探讨了股东信息披露频率对因子有效性的影响,发现高披露频率样本和加入投资者互动平台增量信息均能带来一定的选股增益,但幅度有限。整体结论表明,投资者非理性扎堆行为所形成的股东户数变动信息是有效的选股alpha来源,为增强型量化策略提供了实证支持
股东户数信息披露经历低、中、高三个阶段,投资者互动平台的搭建显著提升了披露频率与及时性,但高频披露集中于少数股票,近半数股票披露次数有限
股东户数变动因子(SNC)通过间隔选取+时序标准化处理解决了数据零值过多问题。SNC因子在全市场测试中表现优异,RankIC均值4.5%,多空对冲年化收益率13.4%,最大回撤仅-3.9%,胜率约80%
| 分组 | 年化收益率 | 年化波动率 | 收益波动比 | 最大回撤 | 胜率 |
|---|---|---|---|---|---|
| 0 | -0.7% | 29.2% | -0.023 | -60.7% | 48.9% |
| 1 | 5.9% | 28.9% | 0.203 | -53.2% | 52.1% |
| 2 | 7.4% | 28.5% | 0.259 | -52.3% | 53.2% |
| 3 | 10.0% | 27.6% | 0.361 | -42.4% | 54.3% |
| 4 | 13.4% | 27.4% | 0.487 | -39.5% | 58.5% |
| 多空对冲 | 13.4% | 5.4% | 2.501 | -3.9% | 79.8% |
人均持股占比变动因子(PCRC)与SNC高度相关,但表现更加稳健,最大回撤仅-2.9%,收益波动率比2.6,年化多头收益率14.1%,胜率约78%,细化调整参数后PCRC因子进一步优化,年化收益率提升至14.5%
| 分组 | 年化收益率 | 年化波动率 | 收益波动比 | 最大回撤 | 胜率 |
|---|---|---|---|---|---|
| 0 | 0.1% | 29.0% | 0.004 | -58.5% | 48.9% |
| 1 | 5.1% | 29.0% | 0.175 | -55.8% | 52.1% |
| 2 | 6.7% | 28.6% | 0.233 | -54.1% | 50.0% |
| 3 | 10.0% | 27.5% | 0.362 | -41.9% | 53.2% |
| 4 | 14.1% | 27.5% | 0.512 | -37.8% | 60.6% |
| 多空对冲 | 13.3% | 5.1% | 2.613 | -2.9% | 77.7% |
PCRC因子参数优化发现:间隔(Gap)每4个月选一次,滚动窗口(Window)9期时显著性最高(RankIC达5.79%),间隔3个月窗口4期时稳定性最高(RankICIR为2.752);参数对因子有效性有显著影响,需要综合选择
| Gap/Window | 3 | 4 | 5 | 6 |
|---|---|---|---|---|
| 3 | 2.25% | 3.22% | 3.36% | 3.66% |
| 4 | 3.05% | 4.02% | 3.85% | 4.19% |
| 5 | 3.50% | 4.09% | 4.03% | 4.30% |
| 6 | 3.85% | 4.34% | 4.27% | 4.39% |
| 7 | 4.10% | 4.38% | 4.55% | |
| 8 | 4.27% | 4.40% | 4.53% | 4.69% |
| 9 | 4.32% | 5.26% | 5.79% | 5.61% |
| Gap/Window | 3 | 4 | 5 | 6 |
|---|---|---|---|---|
| 3 | 1.777 | 2.490 | 2.440 | 2.489 |
| 4 | 2.258 | 2.752 | 2.527 | 2.659 |
| 5 | 2.447 | 2.618 | 2.528 | 2.579 |
| 6 | 2.496 | 2.676 | 2.564 | 2.442 |
| 7 | 2.611 | 2.595 | 2.657 | |
| 8 | 2.657 | 2.529 | 2.582 | 2.155 |
| 9 | 2.628 | 2.192 | 1.662 | 1.757 |
PCRC因子在主流宽基指数中表现存在显著差异,表现与股票池市值规模负相关:中证1000指数(RankIC 4.88%、年化超额收益9.08%)和国证2000指数(RankICIR最高2.59)表现最好,沪深300和中证500表现较弱
| 指标组别 | 年化收益率 | 年化波动率 | 收益波动比 | 最大回撤 | 胜率 |
|---|---|---|---|---|---|
| 沪深300增强组 | 4.14% | 21.12% | 0.196 | -37.66% | 57.45% |
| 沪深300基准组 | -0.09% | 21.17% | -0.004 | -40.56% | 56.38% |
| 沪深300对冲组 | 4.18% | 3.19% | 1.311 | -4.00% | 61.70% |
| 中证500增强组 | 5.84% | 26.68% | 0.219 | -46.09% | 59.57% |
| 中证500基准组 | 1.12% | 25.61% | 0.044 | -58.18% | 50.00% |
| 中证500对冲组 | 4.83% | 5.04% | 0.959 | -7.87% | 57.45% |
| 中证1000增强组 | 9.61% | 31.28% | 0.307 | -53.06% | 53.19% |
| 中证1000基准组 | 0.55% | 30.48% | 0.018 | -66.56% | 47.87% |
| 中证1000对冲组 | 9.08% | 6.02% | 1.508 | -6.22% | 65.96% |
| 国证2000增强组 | 10.47% | 30.83% | 0.340 | -47.51% | 54.26% |
| 国证2000基准组 | 4.34% | 30.18% | 0.144 | -59.33% | 48.94% |
| 国证2000对冲组 | 5.95% | 5.20% | 1.145 | -5.35% | 64.89% |
额外披露的股东户数信息整体提升了因子表现,但幅度有限:定期财报数据下PCRC因子RankIC为4.26%,纳入全部数据后RankIC提升至4.40%;高频信息更多是锦上添花效应
高披露频率股票样本(滚动12个月披露次数≥4)对应的PCRC因子表现明显优于低披露频率组,RankIC均值达4.67%,多头端年化收益率达到15.2%,对冲端年化收益率约13.8%,优势显著
综合来看,投资者的非理性扎堆行为通过股东户数变动信息被提取出来,构成可稳定获取超额收益的选股因子。通过因子调参和股票池选择,可进一步提升因子性能,为量化选股策略提供重要参考
内容总结:
报告揭示A股股东户数信息披露经历三个主要阶段:
逻辑说明:新平台的建设扩大了数据披露的渠道和频率,提升了数据的时效性,但同时披露行为依旧呈现集中化,多数公司未大量利用投资者互动平台。
关键数据与图表:
图1 展示股东户数信息披露次数与上市公司数量的增长趋势,突出披露次数远超上市公司数量的现象,反映出信息披露频率的提升。青睐于近年来披露次数的跃升及披露集中性的特点。
图2 显示滚动12个月内披露最新股东户数超过4次的上市公司占比约50%,且近年来略有下降,说明虽然披露增多,但高频披露的公司仍属少数。
结论:披露行为的历史演进奠定了后续数据处理和因子构建的基础,及时、高频的数据对于捕捉股东行为变化尤为重要。,1,2]
因子设计理念:
股东户数增加通常反映个人投资者的扎堆行为,这种行为表现出明显的非理性和跟风特征,往往预示个股后续表现承压。因此,股东户数变动反映市场投资者情绪,是对未来股价走势的预测指标。
数据处理和因子计算方法:
两类因子:
性能测试及结果:
参数灵敏度分析:
通过调节选取间隔(Gap)与滚动期数(Window),发现当间隔小于3个月时需较长窗口回溯,反之窗口宜短,累计跨度约2年最佳。参数组合(Gap=3或4,Window=8到9)使RankIC达到最高,不同组合间稳定性也达提升(图7、8)。局部最优参数(Gap=2,Window=12)下,PCRC因子RankIC提升至4.6%,各分组走势区分显著,多头年化收益率达14.5%(图9、10)。
总结:两种因子均有效,PCRC因子相对更稳健且风险控制更佳,参数调优显著提升因子表现。,3,4,5,6]
目的和方法:
关键发现:
数学表达式:
因子增强优化模型通过约束条件控制组合的风格暴露、行业权重与成分股权重的偏差,保障组合跟踪误差在容忍范围内,最大化因子预期收益,即“maxαTw”条件下,带有线性不等式和等式约束。
结论: PCCR因子在小市值、中低流动性市场中更具优势,适合做为中小盘量化策略的核心因子之一。,7,8]
定期财报 vs 全样本股东户数数据:
高披露频率 vs 低披露频率股票样本表现对比:
理论推断:
高频披露增益存在,但更多表现为“锦上添花”。频繁披露的公司信息更透明,因子效果更显著,适宜作为研究和投资标的。
风险提示:历史数据模型不保证未来适用,投资需相应管理风险。,9]
报告不涉及传统财务估值模型,但采用量化因子模型建立预测体系,基于股东户数相关因子进行股票选择和收益增强。
报告未提供具体缓解策略,投资者需结合市场实际,适时调整组合。
本报告系统梳理并实证了基于A股股东户数变动信息的量化因子构建及其股票选择能力。研究揭示:
图表数据系统支撑了上述论点,显示因子从统计显著性、收益表现、风险控制、参数敏感性及实盘增强均获得正向反馈。整体报告逻辑严密,结论具有较高实践参考价值,为基于股东户数的另类量化选股因子提供了系统的理论和实证基础。
| 图表编号 | 主题描述 | 关联章节 |
|---|---|---|
| 图1 | 股东户数披露次数与上市公司数量趋势 | 股东信息披露演进 |
| 图2 | 频繁披露股东户数上市公司比例 | 股东信息披露演进 |
| 图3 | SNC因子RankIC表现 | 因子构建与测试 |
| 表1 | SNC因子多空对冲收益统计 | 因子构建与测试 |
| 图4 | SNC因子多空收益走势 | 因子构建与测试 |
| 图5 | PCRC因子RankIC表现 | 因子构建与测试 |
| 表2 | PCRC因子收益及风险指标 | 因子构建与测试 |
| 图6 | PCRC因子多空收益走势 | 因子构建与测试 |
| 表7-8 | 因子参数敏感性测试RankIC与RankICIR值表 | 参数调优 |
| 图9-10 | 调参后PCRC因子性能提升 | 参数调优 |
| 图11-12 | PCRC因子在主流指数中的显著性与稳定性 | 指数增强 |
| 图13-16 | PCRC因子在各指数增强超额表现 | 指数增强 |
| 表3 | 不同宽基指数增强策略收益风险指标比较 | 指数增强 |
| 图17-20 | 高频股东信息及披露频率对因子表现影响 | 信息披露频率 |
(详细图表见报告原文页面)
上述所有论述均基于开源证券金融工程团队2022年11月22日发布的《扎堆效应的识别:以股东户数变动为例 | 开源金工》报告内容系统提取和解析,页码标识详见文中引用。
扎堆效应的识别:以股东户数变动为例 | 开源金工.pdf