本报告从筹码结构的视角切入,分析反转因子多头端乏力及阶段性失效问题,通过引入筹码收益因子,并结合市场赚钱效应动态择时,构建筹码收益调整因子。进一步将反转因子空头端与筹码收益调整因子多头端合成筹码收益增强因子,显著提升选股稳定性和收益表现。因子在多个回溯期及频率下均表现稳健,在沪深300、中证500及中证1000指数成份股中均表现出良好多空收益和风险控制能力,为量化选股提供新的有效因子工具 .
反转因子(ret20)表现分析
筹码结构及筹码收益因子(holding_ret)构建
筹码收益调整因子(holding_ret_adj)构建及表现
| 分组 | 年化收益 | 年化波动 | 信息比率 | 最大回撤 | 卡玛比率 | 月胜率 |
|---|---|---|---|---|---|---|
| 多头组 | 16.20% | 26.70% | 0.605 | 35.60% | 0.455 | 52.30% |
| 空头组 | -7.40% | 20.30% | -0.363 | 65.00% | -0.113 | 48.60% |
| 多空组 | 25.10% | 17.20% | 1.464 | 14.20% | 1.764 | 62.20% |
筹码收益调整因子参数敏感性测试及择时优势
均线收益因子表现及筹码收益因子优劣
市场赚钱效应切分阈值和频率敏感性研究
筹码收益增强因子(holding_ret_enhanced)构建与效果
合成因子在不同选股域的表现
| 选股域 | 因子频率 | 年化收益 | 年化波动 | 信息比率 | 最大回撤 | 卡玛比率 | 胜率 |
|---|---|---|---|---|---|---|---|
| 沪深300 | 月频 | 24.2% | 18.5% | 1.311 | 15.3% | 1.579 | 62.5% |
| 000300.SH | 周频 | 23.2% | 18.5% | 1.253 | 26.6% | 0.871 | 62.5% |
| 中证500 | 月频 | 12.9% | 17.3% | 0.745 | 20.3% | 0.632 | 56.3% |
| 000905.SH | 周频 | 22.5% | 18.9% | 1.195 | 18.8% | 1.196 | 66.1% |
| 中证1000 | 月频 | 33.1% | 15.4% | 2.149 | 10.9% | 3.043 | 67.9% |
| 000852.SH | 周频 | 52.3% | 17.6% | 2.981 | 8.9% | 5.845 | 78.6% |
风险提示
核心论点及主旨:
报告指出传统的反转因子在空头端区分能力强,但多头端表现不足且在特定阶段失效。筹码结构提供了投资者持仓成本的市场共识信号,结合市场赚钱效应进行动态调节,可同时捕获动量与反转效应,构建“筹码收益调整因子”并进一步与反转因子空头端结合形成“筹码收益增强因子”,显著提升策略的稳定性和收益表现。,3,6,7]
关键论点:
反转因子(以20日涨幅ret20为例)捕捉价格过度反应后的均值回归,表现为空头(跌幅较大股票)后续回涨能力较强,空头端区分能力良好;但多头端(涨幅较大股票)未来表现分化,且反转效应并非持续稳定,有明显阶段性失效表现(如2017年和2020-21年出现反转因子失效阶段)。
支撑逻辑及数据:
局限性: 反转因子受赖于固定锚定价格(20日前价格),且不具备动态识别市场阶段性转换的能力,多头区分度不足。,4]
关键论点:
筹码结构旨在估计投资者在不同价格区间的持仓成本与持仓量,用成交量、换手率及成交价格等数据结合假设(每日筹码以当日换手率均匀流动)计算历史250日筹码分布,进而推算平均筹码成本。
估算公式解析:
RsdAmtT−kT=AmtT−k×∏i=T−k+1T(1−Turnoveri),k∈(0,250]
表示T-k日成交筹码经每日换手率滚动后,在T日仍留存的筹码量。结合成交均价,构成筹码价格-数量分布,辅助理解价格波动背后的资金成本结构。
实证示例:
比亚迪(002594.SZ)2025年3月31日筹码分布示意图中,价格高于当日价格的筹码用绿色标示(浮亏筹码),低于部分用红色表示(浮盈筹码),表现筹码集中区和浮盈/浮亏状态,提供动态资金成本层面视角。,5]
筹码收益定义:
当前价格相对于历史筹码加权平均成本的相对收益,计算公式:
holding_ret=∑RsdAmttT∑Pricetavg×RsdAmttT
数值越高表示资金盈利状态越好。
实证结果:
筹码收益因子在全市场呈现反转特征(IC均值-4.55%),但呈现周期性动量与反转切换(牛市阶段显示动量特征,熊市呈反转)。[图6-9]
市场赚钱效应用全市场筹码收益加权平均定义,反映整体投资者盈利状况。亏损阶段易诱发反转效应,盈利阶段导致动量效应。[图10]
行为金融学解释:
盈利状态(risk-on):投资者过度自信,信心增强推动价格上升,形成惯性动量;
亏损状态(risk-off):投资者厌恶损失,处置效应导致反转。,6]
调整方法:
利用市场赚钱效应做方向调节:当市场赚钱效应为正时,筹码收益做动量(方向正);为负时,做反转(方向反),因子定义为:
holding.ret_adj=holding.ret×sign(mkt_holding_ret)
出于A股长期赚钱效应偏负的实际,调整策略只对约18.8%的月份进行动量,多数月份反转。
表现提升:
调整后因子IC均值升至6.67%,年化ICIR 1.56,月均多头超额收益1.04%,空头超额-1.21%,多空收益提升至2.25%(数据统计详见表1及图11-14)。分组多空收益信息比达1.464,表现稳健。,8]
回溯期敏感性分析:
测试20至500个交易日回溯期,结果表明因子对回溯期较不敏感,250日回溯期表现最好(IC均值6.67%),数据程序化使用250日作为默认参数。
反转因子择时:
以市场赚钱效应择时调整20日涨幅反转因子(ret20),构建ret20_adj。择时后多头端排序性能改善,因子IC和多空收益明显提升(图16-17,表4-5),2021年之后多空年化收益由19.1%提升至26.8%,最大回撤由22.1%降至14.0%。表明动态择时能有效提升反转因子表现。
筹码成本与均线收益对比:
尝试用均线(20、40、60、120、250日)代替筹码成本计算均线收益因子,观察表现。
均线收益调整因子表现虽有提升,但多头端区分度依然弱于筹码收益调整因子,主要获利于空头端(图18,表6)。
案例对比实证:
两个超跌股票案例展示筹码收益因子优越性:
阈值选择:
通过对切分阈值从-6%至2%测试,发现-2%为最佳切分阈值,此时因子IC均值最高(7.55%),年化ICIR最高(1.82),多空收益最高(2.71%),调整占比为37.5%。此外,剔除切分阈值附近的不稳定样本更能提升因子表现(表7-8)。
频率选择:
分析从1周频至12周频,发现频率越高(调仓越频繁),因子ICIR及多空收益越高,1周频表现最好。最终采取周频作为调仓基础(表10,图26-29),14,15]
因子相关性:
筹码收益调整因子与传统Barra风格因子低相关,尤其与动量-反转呈负相关性(约-0.15),体现其提供了独特的选股信息(图21)
因子融合逻辑:
筹码收益调整因子强于多头端,反转因子表现更优于空头端,两者相关性负向且互补。
合成公式为(报告对公式表达混合,推断为结合两因子优势的加权合成):
holding_ret_enhanced=ret20⋅(1−ret20)+(1−ret20)⋅holding.ret_adj
该构造目的是保留反转因子的空头信号与筹码收益调整因子多头信号的优良属性。
实证表现:
报告明确提醒模型基于历史数据,存在未来市场条件变更带来失效风险,投资时应审慎把控。
图1(反转因子IC表现)
显示2016-2025年反转因子IC分布,柱状为RankIC,折线为累积RankIC。整体呈正但波动大趋势,反转因子间歇性失效,尤其2023年以来负面表现加剧,说明反转因子适用性受市况影响明显。
图5(比亚迪筹码分布示意)
K线图右侧为筹码分布,绿色区块在当前价格上方显示浮亏筹码,红色区块下方为浮盈筹码。观察筹码集中价位及浮亏/盈比例,辅助判断价格有无新进资金及潜在阻力支撑位置。
图10(A股市场赚钱效应历史变化)
显示长周期赚钱效应状态,无序亏损状态占优,表明A股投资者整体亏损时间偏长,反转效应因而频繁出现,驱动市场阶段性调整与风格轮动。
图11-14(筹码收益调整因子IC、十分组表现)
IC均值稳步上升至6.67%,十分组排序表现稳定,月均多空收益表现优于单纯筹码收益因子,最大回撤与卡玛比率指标显示风险控制良好。
图31-34(筹码收益增强因子IC及分组表现)
显示融合后的增强因子明显提升了IC稳定性和幅度,分组收益展现更陡峭收益差异并显著拉大多头组正收益与空头组负收益,表明策略区分效果明显强化,且最大回撤显著降低,展现优异的风险调整收益水平。
图39-40(分年度收益稳定性)
两类频率因子均保持多年稳定多空超额收益,强调策略非短期策略,具有持续适应市场波动的能力,支持投资者长期持有及策略运用。
报告未涉及具体公司估值,也未使用现金流折现等传统估值模型,主要围绕量化模型、因子工程及统计套利相关分析方法展开,采用因子IC(Information Coefficient)、ICIR、信息比率、最大回撤、卡玛比率、以及因子多空收益率作为绩效衡量指标。强调统计显著性和风险调整后的收益,是典型的量化研究风格。
报告建议谨慎对待以上风险,注意策略的动态适应和再校准。,20]
优势视角: 结合筹码结构视角对传统反转因子进行了有效改进,合理利用市场行为金融学与筹码资金成本数据,创新构建动态择时调节因子,提升多头端识别率,技术逻辑清晰,数据覆盖全面,呈现完善的因子测试体系。
潜在弱点:
二者互补及观测波动: 筹码收益与反转因子互为补充,且因市场阶段变化表现更优,但仍需持续监控因子有效性,警惕策略波动和衰退。
本报告基于筹码结构视角,创新性地提出通过市场赚钱效应动态调节筹码收益因子的多空方向,实现反转与动量效应的有效融合。实证结果显示:
筹码收益调整因子IC均值6.67%,年化信息比1.56,显著优于传统筹码收益因子和部分均线收益因子,月频多空年化收益约25%,风险可控。
动态择时的反转因子(ret20_adj)针对市场阶段特征去适配因子方向,指标稳定性和收益率均提升明显。
筹码收益增强因子(holding_ret_enhanced)融合筹码收益调整因子多头端与反转因子空头端优点,IC均值提升至9.91%,年化ICIR达2.76,月频多空收益36.6%,周频因子表现更优,年化多空收益60%,信息比3.17,显示出过硬的选股预测能力与稳健的风险调整回报。
参数与调仓优化明确250日回溯期、-2%市场赚钱效应切分阈值及周频调仓为最佳实践,因子表现稳定且抗干扰能力强。
区域市场分域测试进一步印证策略在不同市场的普适性,尤其在中证1000等中小市值市场表现突出。
报告风险提示充分,强调历史数据局限性及市场变异风险,提醒投资者注意执行成本及持续因子监测。
综合来看,报告通过丰富量化实证与理论剖析,提出了一套结合筹码结构与市场风险偏好信号的增强型反转动量因子构建方案,不仅提高了选股因子的有效性和稳定性,也为实际量化投资策略提供了技术参考和理论支撑,具有较高的策略实施价值和学术意义。,22]
图1:反转因子(ret20)因子IC均值
图5:比亚迪(002594.SZ)筹码分布示意图(2025/03/31)
图10:A股市场赚钱效应历史变化
图11:筹码收益调整(holding_ret_adj) IC 均值
图31:筹码收益增强因子 IC 测算
图41:月频因子在宽基指数成份股内十分组多空收益
这份《筹码结构视角下的动量反转融合》研究报告,通过筹码结构的创新测算方法和市场赚钱效应的动态调整机制,成功解决了反转因子在多头端区分力不足以及阶段性失效的问题;而融合策略更兼顾动量与反转两者优点,实现了高稳定性、高收益和良好风险控制的量化选股因子,为A股市场量化选股模型设计提供了先进方法论和实操蓝本。投资者和量化策略开发者应重视筹码结构信号与市场整体风险偏好的联动,共同提高策略的稳健性和适应性。
[全文内容基于2025年4月17日开源证券金融工程研究团队发布报告《筹码结构视角下的动量反转融合》整理剖析。],1,3-22]
20250417-开源证券-开源量化评论(108):筹码结构视角下的动量反转融合.pdf