导读:

主流的多因子选股模型通常采用量价数据(开高低收、成交量)、财务数据(流通市值、市盈率、市净率等)、舆情数据(事件)来挖掘市场中存在的超额收益。本文主要以资金数据为落脚点，试图挖掘有效的资金因子(月频)，并构建资金因子选股策略，获取市场超额收益。

1.合成因子-机构收割散户:

分析完单因子后，我们进入合成因子环节，首先让我们想一些A股投资逻辑，比如通常1个月内超大单流入代表主力机构看涨，流出则看跌，而小单流入则代表散户看涨，流出为看跌，在A股市场上，散户往往是被机构收割的，由此我们合成一个因子，取名：机构收割散户
因子值计算公式：Rank(超大单买入金额-超大单卖出金额)+Rank(小单买入金额-小单卖出金额)=超大单净额的Rank值+小单净额的Rank值

运用单因子检测框架对合成因子进行测试，对机构收割散户因子评价：
从收益走势图分析：5组组别收益差异较为明显，在选股上，应该保持与第一组一致，即挑选上个月机构净买入而散户净卖出的股票。
从IC、IR分析：机构收割散户因子具有预测能力，但是IR仅为0.35，因子预测稳定性较差，可能与A股熊市中，机构散户通杀的特性有关，但IC累计明显走出单向上涨，说明下个月的股票涨跌是机构主导而非散户主导。
数据图表结果如下：

2.合成因子-资金反转:

分析“机构收割散户”因子后，再让我们想想资金流向情况，第一种是上个月资金大量流入，下个月继续大量流入，第二种是上个月资金大量流入，下个月反转出现流出，当然还可能存在一些意外情况，比如上个月大量流入后，下个月资金静止，不流入也不流出，暂时我们不把意外考虑在内，由此我们构建一个资金反转因子。
因子值计算公式：DDE净额Rank+大单净量Rank+资金流入率Rank

运用单因子检测框架对合成因子进行测试，对资金反转因子评价：
从收益走势图分析：5组组别收益差异较为明显，在选股上，应该保持与第五组一致，即挑选上个月DDE净额、大单净量、资金流入率三者都较差的股票，等待下个月资金流入。
从IC、IR分析：资金反转因子具有较强的预测能力，但是IR仅为0.546，因子预测稳定性还是不容乐观(IR提升上尝试较多次数，发现可能单纯用资金数据很难提)，但IC累计明显走出单向下跌，说明资金具有反向流动特性，即上个月资金流入的股票，下个月会受到资金抛弃，而上个月流出的股票，下个月往往会受到资金青睐。该因子是反向指标。
数据图表结果如下：

3.因子策略回测:

我们将“资金反转”因子编写成量化策略，基于同花顺MindGo量化平台进行回测，因子分析时，我们不考虑手续费，涨跌停、停复牌等情况，因此在编写成策略后，其回测结果会更加严谨，但不影响月频因子的内在有效性。
反转因子策略回测结果展示：（资金反转因子是反向指标，指标值越大代表下期收益率越低）

资金反转因子反向选股策略(月频)-上证50指数

资金反转因子正向选股策略(月频)-上证50指数

机构收割散户因子策略回测结果展示：（机构收割散户因子是正向指标，指标值越大代表下期收益率越高）

机构收割散户因子正向选股策略(月频)-上证50指数

机构收割散户因子反向选股策略(月频)-上证50指数

结束语

:：资金数据的单因子分析中，投资者简单把某个资金指标当做选股指标，并预测收益是较难实现，运用金融投资逻辑，结合A股市场的特性来合成因子，并预测收益在某种程度上是可行的，本文“资金反转因子”和“机构收割散户因子”都较好的说明了这一点。其次资金数据相对于财务数据而言，数据内噪音较多，使得因子的IC标准差较大，预测能力的稳定性普遍较低。有兴趣的小伙伴，可以尝试通过行业数据、财务数据与资金数据进行合成因子，试图挖掘具有较强预测收益能力，且预测能力稳定的因子。

参考文献:

-华泰单因子测试之资金流向因子-林晓明
-Israel R,Maloney T.Understanding Style Premia[J].Journal of Investing,2014(4)

14.2 数据处理专题1-运用Scipy实现数据统计

评论