交易者结构对动量因子的改进Q&A.docx

《交易者结构对动量因子的改进Q&A.docx》由会员分享，可在线阅读，更多相关《交易者结构对动量因子的改进Q&A.docx（18页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、L明目2020年8月18日，东吴金工发布了专题报告交易者结构对动量因子的改进，发 现不同交易者贡献的成交量，对涨跌幅因子的影响存在显著差异，具体表现为“大单交 易占比越高、小单交易占比越低，涨跌幅因子的反转效应越强”。在量化投资领域，关于“动量”、“反转”的讨论，一直受到圈内同行的广泛关注； “交易者结构”，也是近年来的热点话题。因此，专题报告交易者结构对动量因子的改 进一经发布，就受到了许多量化同行的密切关注。在与各位前辈和朋友们的交流中， 我们积累了一些大家普遍关心的问题，在本文中逐一展开讨论，供各位读者参考。2.模型回顾交易者结构对涨跌幅因子的影响市场中存在各种各样的交易群体，比方按照挂

2、单金额的大小，可以将交易者划分为 机构、大户、中户和散户，分别对应超大单、大单、中单和小单交易。每个交易日，我 们计算每只股票不同类型投资者的交易占比，比方“小单交易占比”的计算公式为：某只股票某日的小单交易占比=该股当日的小单买入额+小单卖出额2*该股当日的总成交额整体的量图1 ：量的细分：基于交易者结构挂单金额大于100万元挂单金额位于20万元到100万元之间挂单金额位于4万元到20万元之间挂单金额小于4万元数据来源：Wind资讯，在得到每只股票的各类投资者交易占比后，我们研究其是否具有识别涨跌幅因子强 弱的能力。具体实施以下操作：(1)每月月底，将每只股票过去20个交易日的涨跌幅(今收/

3、昨收一1),按照当日 的“小单”交易占比，从低到高进行排序，等分为5个组；7.超额占比与超额涨跌有读者问道：每只股票按照自己的交易占比高低，取了不同交易日对应的涨跌幅进 行横截面上的比照；但不同交易日的市场环境不同，这样的做法是否科学？因此在本小 节内容中，我们在计算每只股票每日的交易占比、涨跌幅时，都考虑剔除市场因素，计 算股票的“超额占比”、“超额涨跌幅”。为了方便表述，我们先将原报告中的操作方案，命名为”占比J张跌幅，代表交易 占比、涨跌幅这两项数据，都是个股的原始值，未剔除市场影响：（1）每月月底，将每只股票过去20个交易日的涨跌幅（今收/昨收-1）,按照当日 的“小单”交易占比，从低

4、到高进行排序，等分为5个小组；（2）每一组计算该组内4个交易日涨跌幅的平均值，共得到5个局部因子；（3）将上述步骤中的按照“小单”交易占比划分，依次修改为“中单”、“大单”、 “超大单”，重复上述操作。现在将上述方案修改为“占比_超额涨跌幅”、“超额占比J张跌幅”、“超额占比超 额涨跌幅”：占比一超额涨跌幅：将步骤（1）中每只股票过去20个交易日的“涨跌幅”换成 “超额涨跌幅=个股涨跌幅一指数涨跌幅”，其余步骤不变，即改为用“交易占比”划分 “超额涨跌幅”；超额占比J张跌幅：将步骤（1）中按照当日的“小单交易占比”，改为“小单超 额交易占比=个股的小单交易占比一指数的小单交易占比”，其余步骤不

5、变，即改为“超 额交易占比”划分“涨跌幅”；超额占比一超额涨跌幅：即同时修改涨跌幅和交易占比，变为“超额交易占比” 划分“超额涨跌幅”；其中，指数我们以上证综指、万得全A为例。特别说明：由于指数的交易占比数据 起始时间为2016年，因此本节内容展示的回测结果，均从2016年开始。为了与原报告统一，在每种操作方案下，我们都以“小单”为例，取20个交易日中 两头的各1/5,直接做差构造新因子。下列图14展示了各个新因子的5分组多空对冲净值 走势，表6汇报了各个因子的IC信息及多空对冲绩效。可以看到，在剔除市场因素、 考虑“超额”的情况下，各个新涨跌幅因子的表现仍然稳健，均显著优于传统涨跌幅因 子

6、Ret20o图14 ：超额概念下新涨跌幅因子的5分组多空对冲净值走势图14 ：超额概念下新涨跌幅因子的5分组多空对冲净值走势2. 9传统因子Ret20占比J张跌幅（原报告）占比超额涨跌幅（上证）占比超额涨跌幅（全A）超额占比涨跌幅（上证）超额占比涨跌幅（全A）超额占比超额涨跌幅（上证）超额占比超额涨跌幅（全A）2. 21. 50. 80HS oesKs 02SSZ ms 06S02Z Issogz ISI6SZI106IS 06S6 一s 16106107 I2I8IS2 08IS 06S8IS 16108107 ISHIS lessz oes=s MIO 匚sISI9IS S09IS 065

7、912I6S9IS数据来源：Wind资讯,表6 :超额概念下新涨跌幅因子的5分组多空对冲绩效指标数据来源：Wind资讯,IC均值年化ICIR年化收益率年化波动率信息比率月度胜率最大回撤率传统因子Ret20-0.052-0.8610.02%13.34%0.7560.61%14.26%占比J张跌幅 （原报告）-0.058-2.3118.68%8.61%2.1775.76%7.47%占比超额涨跌幅（上证）-0.059-2.3419.40%8.85%2.1977.54%7.72%占比超额涨跌幅 （全A）-0.061-2.4220.08%8.83%2.2779.71%7.82%超额占比J张跌幅 （上证）

8、-0.054-2.1915.09%7.93%1.9071.21%6.56%超额占比J张跌幅 （全A）-0.055-2.2415.33%7.87%1.9574.24%6.27%超额占比超额涨 跌幅（上证）-0.059-2.2116.39%8.64%1.9075.76%7.84%超额占比超额涨 跌幅（全A）-0.060-2.3117.26%8.51%2.0378.79%8.06%同样地，我们也可以考察在不同的操作方案下，各个局部因子的年化ICIR,下列图15-图17以“选取万得全A指数作为基准”为例，展示了局部因子的回测结果。可以看到, 原报告中“占比_涨跌幅”方案下的规律仍然存在，即“超大单”、

9、“大单”交易占比越高,“中单，、“小单，交易占比越低，对应的涨跌幅因子反转效应越强。图15 ：局部因子的年化ICIR ：占比一超额涨跌幅（全A ）1. 2o. o0.420. 00.92-1.0-0. 11-0.23-1.2-0.86-1. 36-0. 67-0. 48-0.86-1. 00小单-1.5-2.0传统因子交易占比）交易占比）Ret20-2.23因子1（低因子2因子3因子4 因子5（高-1.92传统因子因子1（低Ret20交易占比）0. 24因子2因子30. 24-0.20超大单传统因子因子1（低因子2因子3Ret20交易占比）中单因子4-0.99因子5（高交易占比）-2.03因子

10、4因子5（高交易占比）数据来源：Wind资讯,图16 ：局部因子的年化ICIR ：超额占比J张跌幅（全A ）1. 21. 20. 0-1.2-0.86-1. 27-2.4-2.21传统因子因子1（低因子2Ret20交易占比）-0. 05-0.61小单因子2-2. 09 传统因子因子1（低 Ret20 交易占比）因子3因子4 因子5（高交易占比）1. 060.73-0.13因子30. 0-1.2-1. 60.28-0. 12中单因子4因子5（高交易占比）0.730. 80.420. 190. 2-0.65-1.0-0. 86超大单大单-1.6-0. 87-0. 86传统因子因子1（低因子2 因子

11、3Ret20交易占比）-1. 55-2. 2传统因子 因子1（低 因子2 因子3因子4 因子5（高Ret20交易占比）交易占比）n-0.79-0.86因子4因子5（高 交易占比）数据来源：Wind资讯,图17 :局部因子的年化ICIR ：超额占比一超额涨跌幅（全A ）-2.4-2.24-2.2传统因子 因子1（低.因子2因子3因子4 因子5（高Ret20交易占比）交易占比）-2.4-2.24-2.2传统因子 因子1（低.因子2因子3因子4 因子5（高Ret20交易占比）交易占比）Ret20交易占比）交易占比）Ret20交易占比）交易占比）-2.19传统因子 因子1（低因子2 因子3因子4因子5

12、（高Ret20交易占比）交易占比）数据来源：Wind资讯,8.风险提不（1）未来市场变化风险：本报告所有统计结果均基于历史数据，未来市场可能发 生重大变化；（2）单因子模型风险：单因子的收益可能存在较大波动，实际应用需结合资金管 理、风险控制等方法；（3）数据测算误差风险：模型测算可能存在相对误差，不构成实际投资建议。(2)每一组计算该组内4个交易日涨跌幅的平均值，共可得到5个局部因子；具体地，假设股票A过去20个交易日的每日涨跌幅，按照每日“小单”交易占比排序后, 依次为r；, r；,那么5个局部因子分别定义为:1.乙乙Usmall_MOMpartl = mean(r r, r)1234sm

13、all_MOMpart2 = mean(r r r r)5678small_MOMpart2 = mean(r r r r)5678small_MOMpart3 = mean(r，, r , 丁 , r)9101112small_MOMpart4 = mean(r , r , ，r)13141516small_MOMpart4 = mean(r , r , ，r)13141516small_MOMpart5 = mean(r，丁 , r , r)17181920其中，sma表示按照“小单”交易占比划分；smalLMOMpartl即为20个交易日 中，小单占比最低的4个交易日涨跌幅的平均值；其他

14、局部因子依次类推；(3) IU 2010/01/01-2021/07/31为回测时间段，以全体A股为研究样本,月度换仓，考察上述5个局部因子的选股效果；(4)将上述步骤中的按照“小单”交易占比划分，依次修改为“中单”、“大单”、 “超大单”，重复上述操作。下列图2-图5分别展示了在各类投资者的不同交易占比下,5个局部因子的年化ICIR, 并与传统涨跌幅因子Ret20 (即每月月底回看过去20个交易日，计算20日的累计涨跌 幅)进行了比照。根据图2-图5所示结果，我们主要得到以下两条结论：(1)交易者结构对涨跌幅因子的方向及强弱有显著影响：超大单、大单交易占比 越高，中单、小单交易占比越低，对应

15、的涨跌幅因子反转效应越强；(2)小单、超大单的交易占比对涨跌幅因子的区分能力最强，5个局部因子的年化 ICIR不仅严格单调，而且方向也发生了变化，具体地，随着小单交易占比的提升，5个 局部因子逐渐由反转效应转变为动量效应；而随着超大单交易占比的提升，5个局部因 子逐渐由动量变为反转。图2 ：局部因子的年化ICIR ：小单交易占比划分传统因子因子1(低交因子2因子3因子4因子5(高交Ret20 易占比)易占比)败赠米网：Wind货上,传统因子因子1（低交因子2因子3 因子4因子5（高交Ret20 易占比）易占比）传统因子因子1（低交因子2因子3 因子4因子5（高交Ret20 易占比）易占比）图5

16、 ：局部因子的年化ICIR ：超大单交易占比划分传统因子因子低交Ret20 易占比）0. 12因子2 因子3 因子4因子5（高交易占比）数据来源：Wind资讯,数据来源：Wind资讯,2.2.基于交易者结构的新涨跌幅因子根据上一节的回测结果，我们提出一种改进传统涨跌幅因子的方案。此处，以“小 单”交易占比为例，提取信息最强的局部，即交易占比最低的“因子1”和交易占比最 高的“因子5”，合成新的因子，具体步骤为：（1）每月月底，回溯所有股票过去20个交易日的数据，按照“小单”交易占比的 高低,计算每只股票的因子1 （smalLMOMpartl）和因子5 （small_MOMpart5）；（2）每

17、只股票的新因子定义为因子1与因子5之差，即：NEW_MOM = smalLMOMpartl - small_MOMpart5（3）同样以2010/01/01-2021/07/31为回测时间段，月度换仓,以全体A股为研究 样本，做5分组回测。回测结果显示，新涨跌幅因子的月度IC均值为-0.056, RankIC均值为-0.070,年化 ICIR为-2.33,年化RankICIR为-3.12。下列图6、7分别展示了新因子的5分组回测、多 空对冲净值走势，表1那么比拟了新因子、传统因子Ret20的IC信息及5分组多空对冲 的各项绩效指标。新因子多空对冲的年化收益为18.24%,年化波动为8.47%,

18、信息比率 为2.15,月度胜率为73.91%,最大回撤为7.47%,收益和稳定性都大幅优于传统因子。02WU7 6moz ms I2002Z S06IS IEI06I0Z S08IS 三 08IS Ims 1sm ESIS sss IIO 二s 三 o 二s E5IS 一三三s leu 三。二s ImzIg 一二sm so 二s 三 o 二s ms 6mozws wssz ms 一二002Z I106IS I 二 06IS S08IS IES8I0Z I so 匚s 一二 5S I109IS I 二 09IS 50 二s I二0二s ubls 一二 obls umls I 二。二s ESIS

19、lesels so 二s I一二o 二s 500IS 6ZS0IS o率胜度月90o数据来源：Wind资讯,3 .动量与反转现象的本质报告中陈述的现象为何存在，为什么大单占比高的涨跌幅表现为反转，小单占比高 的就是动量？这是我们与广大同行进行交流时 遇到的第一个问题，我们觉得这也是“动 量/反转类”研究中最本质、或者说最玄妙之处。对于上述问题，笔者的观点是：动量与反转，只是涨跌幅因子呈现于外表的一种现 象，其背后的本质，其实是不同的投资者交易行为，导致股票价格对市场信息产生了不 同程度的反响，即究竟是反响缺乏，还是反响过度。假设反响缺乏，那么股票当前的价格走 势在未来仍有一定的延续性，涨跌幅因

20、子表现为动量；假设反响过度，那么涨跌幅因子应当 表现为反转。而成交量的大小也好，大小单的交易占比也罢，都只不过是衡量、或者干 脆说是推测股价反响程度的线索。带着这样的逻辑，我们再来回顾“求索动量因子”系列研究的两篇报告。第一篇报 告成交量对动量因子的修正（发布于2019年9月6 H）,主要展示了以下现象：成 交量能够有效识别涨跌幅因子的方向及强弱，成交量越大，对应的涨跌幅因子反转效应 越强。第二篇报告交易者结构对动量因子的改进（发布于2020年8月18日），那么如 前文所述，主要结论为：大单交易占比越高，涨跌幅因子的反转属性越强；小单交易占 比越高，那么动量属性越强（此处的“大单”，泛指交易金

21、额较大的订单；“小单”，泛指金 额较小的订单）。现在，我们想要向读者提一个问题。问题的情景是：（1）有两段相同的涨跌幅，一段对应的成交量很大，另一段对应的 成交量很小；或者（2）有两段相同的涨跌幅，一段几乎都是由大单交易驱动的，另一段 那么全是小单交易。问题是：在没有任何其他信息的辅助下，如果盲猜，这两段涨跌幅中，哪一段更有 可能对应了股价的过度反响，哪一段更有可能是反响缺乏？我们相信，大多数读者的答案，都会是成交量大、或者大单交易快速进场的，更有 可能造成股价被朝着同一方向强烈推动，即发生了过度反响；而成交量很小、或者由小 单交易缓慢驱动的，那么很难被认为反响过激。写到此处，“成交量越大、或

22、是大单交易占 比越高，涨跌幅因子反转属性越强”的原因，应该也就显而易见了。4 .新因子的换手率水平因子的换手率水平，是实际应用中必须关注的问题。在月度换仓的选股框架下，我 们以全体A股为研究样本，每月5分组，分别测算新涨跌幅因子多头、空头组合的换手 率，并与传统因子Ret20进行比照，具体如下列图8、图9所示。可以发现，无论是多头还是空头，新因子的换手率水平均低于传统因子。比方传统 因子多头组合的月均换手率在80%左右，而新因子多头组合的月均换手率约为77%。图9：新旧涨跌幅因子空头组合的每月换手率图8 ：新旧涨跌幅因子多头组合的每月换手率新因子空头一传统因子空头105% -45% -OO,O

23、6*CMEfZSZ09rMOOIOOI001rMCMT-T-Hooooo7Zil新因子多头新因子空头传统因子多头传统因子空头月均换手率76.80%71.24%80.62%76.95%数据来源？ Wiiid表2 ：新旧涨跌幅因子的月均换手率数据来源：Wind资讯,5 .新因子的其他构建方式原报告(本文中所有“原报告”，均指交易者结构对动量因子的改进)构建新涨 跌幅因子时，只用到了 “小单”的信息，即选取了 20个交易日中，“小单”交易占比最 低和最高的各4个交易日，将对应的涨跌幅平均值做差。根据测试结果，“超大单”交 易占比对涨跌幅因子的区分能力也很强，因此也可以用“超大单”，或者“小单”与“超

24、 大单”相结合，来构建新因子。具体考察以下几种构建方式：(1)小单1-小单5； (2)超大单5-超大单1； (3)小 单1-超大单1; (4)超大单5-小单5； (5)小单1 一小单5+超大单5-超大单lo其中，“小 单1”、“小单5”、“超大单1”、“超大单5”的含义，如下表3所示：表3：各个局部因子的含义含义属性小单1小单交易占比最低的1/5交易日，对应的涨跌幅的平均值反转小单5小单交易占比最高的1/5交易日，对应的涨跌幅的平均值动量超大单1超大单交易占比最低的1/5交易日，对应的涨跌幅的平均值动量超大单5超大单交易占比最高的1/5交易日，对应的涨跌幅的平均值反转 数据来源：整理下列图10

25、展示了不同构建方式下，新因子在全市场5分组多空对冲的净值走势，表 4汇报了各个因子的IC信息及多空对冲绩效指标，并与传统因子Ret20进行了比照。可 以看到，在所有的构建方式下，新涨跌幅因子的年化ICIR绝对值都在2以上，稳定性 均明显优于传统因子。H0Z500ZSIES0SZE06IS161061075085ZE08ISI6SIS165匚S1109 一SE09 一S165二SIEI0 二 07sotds三三SS06ISEOSE一三2JSEozsz110 二S三 0 二SS0SS6ZISI0Z图10 ：不同构建方式下新涨跌幅因子的5分组多空对冲净值走势0数据来源：Wind资讯,表4 ：不同构建

26、方式下新涨跌幅因子的5分组多空对冲绩效指标数据来源：Wind资讯,传统因子Ret20小单1 .小单5 （原报告）超大单5超大单1小单1-超大单1超大单5 小单5小单1小单5超 大单1+超大单5IC均值-0.054-0.056-0.059-0.050-0.051-0.055年化ICIR-1.37-2.33-2.08-2.10-2.13-2.14年化收益率14.02%18.22%17.83%15.05%15.87%16.59%年化波动率15.50%8.46%9.65%8.32%8.30%8.65%信息比率0.902.151.851.811.911.92月度胜率63.04%73.91%73.19%7

27、4.64%75.36%72.46%最大回撤率14.33%7.45%10.01%9.77%6.87%10.26%6 .交易占比的拆解：流入与流出原报告在计算投资者的交易占比时，采用的是流入、流出金额占比的平均数。除了 “平均占比”，还有另外3种计算方式，即“流入占比”、“流出占比”和“净流入占比”。 以“小单”为例，上述4种方法的计算公式详见下表：表5 ：小单交易占比的四种计算方式计算公式小单平均占比（小单流入额+小单流出额）/（2*总成交额）小单流入占比小单流入额/总成交额小单流出占比小单流出占比小单流出额/总成交额小单净流入占比（小单流入额-小单流出额）/总成交额数据来源：整理在每种交易占比

28、的计算方式下，我们都可以按照交易占比的高低，将传统涨跌幅因 子划分为5个局部因子，测算各个局部因子的年化ICIR,具体结果如下列图11-图13所 示。可以看到，除了 “流出占比”的结果比拟混乱以外，其余两种交易占比的计算方式 下，涨跌幅因子基本都呈现了原先的规律，即“小单”、“中单”占比越低，或者“大单”、 “超大单”占比越高，涨跌幅因子的反转属性越强。图11 ：局部因子的年化ICIR :流入占比传统因子 因子1（低 因子2因子3因子4因子5（高Ret20交易占比）交易占比）传统因子 因子1（低 因子2因子3因子4因子5（高Ret20交易占比）交易占比）传统因子因子1（低因子2因子3Ret20

29、交易占比）交易占比）因子4因子5（高Ret20交易占比）交易占比）数据来源：Wind资讯,图12 ：局部因子的年化ICIR ：流出占比交易占比）交易占比）交易占比）交易占比）Ret20Ret200. 0-0.83-0.89-0.90-1. 01大单-1. 37-1.5传统因子Ret20因子1（低交易占比）因子2因子3因子4 因子5（高交易占比）交易占比）交易占比）Ret20数据来源：Wind资讯,图13 ：局部因子的年化ICIR ：净流入占比Ret20 交易占比）交易占比）0.19-0.59-0.93中单因子2-1.48 因子1（低 交易占比）-1.37传统因子 Ret20因子3因子4因子5（高交易占比）交易占比）交易占比）Ret20传统因子 因子1（低 因子2因子3 因子4 因子5（高Ret20交易占比）交易占比）数据来源：Wind资讯,