来源：留富兵法

　　研究摘要

　　前言：动量与反转，一直是量化投资领域广泛关注的话题。A股市场股票价格的相对涨跌，表现为显著的中长期反转现象，但该现象也并非一直稳定。本篇报告从“动量与反转的本质”出发，对传统因子进行改进。

　　动量与反转的本质：动量与反转的本质是不同的投资者交易行为，导致股票价格对市场信息的反应程度不同。如果反应不足，那么股价当前的相对走势在未来仍有一定的延续性，涨跌幅因子表现为动量；如果反应过度，那么涨跌幅因子自然就表现为反转。

　　交易者结构对动量/反转的影响：大小单交易占比数据，能够显著影响股价对信息的反应程度，进而有效识别涨跌幅因子的方向及强弱，具体表现为：大单交易占比越高、小单交易占比越低，股价越容易反应过度，对应的涨跌幅因子反转效应越强；反之亦然。

　　基于交易者结构的新反转因子：利用交易者结构数据，提取传统因子中信息最强的部分，构造新的反转因子。在回测期2013/01/01-2022/09/30内，新反转因子在全市场的月度IC均值为-0.057，年化ICIR为-2.60；5分组多空对冲的年化收益为19.64%，信息比率为2.46，月度胜率为76.92%，最大回撤为6.76%，选股效果显著优于传统因子。

　　交易者结构对动量效应的增强：类似地，我们也基于传统动量因子，利用交易者结构、换手率，提炼出其中更强的动量信息，构建了效果更为稳健的新动量因子。特别地，新动量因子在沪深300成分股中的表现较好，多头超额年化收益为6.70%，信息比率接近1，月度胜率约为65%。

　　风险提示：以上结论均基于历史数据和统计模型的测算，如果未来市场环境发生明显改变，不排除模型失效的可能性。

　　报告原文下载链接：

　　https：//pan.baidu.com/s/1yShAqy_AY8aB8Vx4RvgvNg

　　提取码：lvi0

　　1． 前言

　　动量与反转，一直是量化投资领域广泛关注的话题。A股市场中股票价格的相对涨跌，表现为显著的中长期反转现象，但遗憾的是，该现象也并非一直稳定。以计算过去20日累计涨跌幅、月度换仓为例，回测期2013/01/01-2022/09/30内，传统涨跌幅因子Ret20在全体A股中的表现如图表2所示，5分组多空对冲的净值曲线虽整体呈现向上趋势，但很不稳定，如在2017年上半年、2021年年中几乎完全失效。整段回测期内，传统涨跌幅因子Ret20的5分组多空对冲年化收益为11.00%，信息比率为0.68，月度胜率为59.83%，最大回撤为18.30%。

　　国盛金工推出“量价淘金”选股因子系列研究，旨在深耕量价选股领域，为多因子模型增砖添瓦。本文为系列研究第二篇，聚焦“动量与反转”这一热点话题，对其进行深入探索。具体地，我们将基于对“动量与反转本质”的最新思考，提出识别涨跌幅因子方向及强弱的方法，对传统因子进行改进。

　　2． 动量与反转的本质：反应不足or反应过度

　　在对传统因子进行改进之前，我们首先来思考一个问题：涨跌幅因子为何会具有动量或者反转的属性，其背后的本质究竟是什么？

　　我们认为，动量与反转，只不过是涨跌幅因子呈现在表面的一种现象，它背后的本质，其实是不同的投资者交易行为，导致股票价格对市场信息的反应程度不同。如果反应不足，那么股价当前的相对走势在未来仍有一定的延续性，涨跌幅因子表现为动量；如果反应过度，那么涨跌幅因子自然就表现为反转。所以，想要改进传统的涨跌幅因子，问题的关键就在于，必须找到哪一部分涨跌幅更容易反应过度，哪一部分更容易反应不足。

　　带着上述逻辑，我们来看一道这样的选择题：假设有两段一模一样的涨跌幅A和B，分别有以下两个情形，第一个情形是，第一段涨跌幅A对应的成交量很大，第二段涨跌幅B对应的成交量很小；第二个情形是，第一段涨跌幅A是由大单快速推动的，第二段涨跌幅B对应的都是小单的缓慢交易。如果其他条件都相同，请各位读者来盲猜，哪一段涨跌幅更有可能对应了股价的反应过度？

　　我们相信，大多数读者的答案都会是A，也就是成交量较大、或者大单交易占比较高，更有可能造成股价在短时间内被朝着同一方向快速推动，也就更有可能发生反应过度，那么对应的涨跌幅因子自然也就更容易呈现反转效应。反之，成交量较小、或者由小单交易主导的涨跌幅B，就更有可能反应不足，从而表现为动量。

　　3． 交易者结构与动量/反转

　　上一节内容展示了我们对动量与反转本质的思考，也可以当做是在理论上的一些猜测。本节内容就来进行实证检验，比如以“大小单交易者结构”为例。

　　关于大小单的定义，本文直接采用了wind数据库的定义方式，按照挂单金额的大小，将每一笔成交划分为超大单、大单、中单、小单。具体地，wind底层数据库给出了每只股票、每一个交易日，这4类单子成交金额的日频数据，我们可以直接提取。

　　根据图表4对大小单结构的划分，每个交易日，我们计算每只股票的超大单、大单、中单、小单的交易占比，进而考察它们对涨跌幅因子的影响。具体实施以下操作：

　　（1）先以“小单”为例，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）序列，按照该股票每日的“小单”交易占比，从低到高进行排序，等分为5个小组；

　　其中，“small”表示按照“小单”交易占比划分，small_part1即为20个交易日中，小单交易占比最低的4个交易日涨跌幅的平均值；

　　（3）以2013/01/01-2022/09/30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个局部因子的选股能力；

　　（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。

　　下图5-8分别展示了在不同大小单交易占比下，5个局部涨跌幅因子的年化ICIR。根据图示结果，我们主要得到以下两条结论：

　　（1）交易者结构能有效识别涨跌幅因子的方向及强弱，对于超大单、大单来说，交易占比越高，涨跌幅因子的反转效应越强；而对于中单、小单而言，交易占比越高，涨跌幅因子的动量属性越强；

　　（2）小单、超大单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；具体来看，随着小单交易占比的提升，局部因子逐渐由反转变为动量；而随着超大单交易占比的提升，局部因子的变化正好完全相反，逐渐由动量变为反转。

　　上述测试结果与前文的理论猜测相符，即大单交易占比越高，股价越容易反应过度，因此涨跌幅因子的反转属性越强；反之亦然。

　　但上述测试结果也给我们带来了一些疑问：在大多数投资者的印象中，大单在很多情况下对应的是机构、是聪明钱，尤其是如果仔细观察wind底层数据库的字段名称，这4类单子其实并不是被称为“超大单”、“大单”、“中单”、“小单”，而是被取名为“机构”、“大户”、“中户”、“散户”；机构通常是更加理性的，为什么前文的测试结果显示，机构交易占比越高，反而涨跌幅因子的反转属性越强？这似乎跟我们平时的逻辑是矛盾的？

　　其实并不矛盾，我们认为理解上述现象主要有三个关键点：

　　（1）大单、小单的概念，并不像wind数据库定义的那样，完全等同于机构、散户；尤其是近些年来，机构拆单的现象越来越普遍，而有钱的散户、游资也越来越多，因此在很多时候，可能反而是散户、游资在挂大单，而机构已经拆成了小单进行交易；

　　（2）在考察大小单对涨跌幅因子的影响时，其实无需深究背后下订单的究竟是谁，我们只需关注订单本身的特性；打个比方，假设我们现在朝一片湖里扔石头，激起水花的大小，最主要的影响因素应该就是石头本身的大小，如果朝湖里扔一块巨大的石头，不管是机构扔，还是散户扔，激起的水花总归会比一颗小石子大很多；所以无论是机构在下单，还是散户在下单，只要从最终的结果上来看，进入市场的是一个大单子，那么这个订单就很容易引起股价在短期内反应过度；

　　（3）此处并不是用大小单直接作为选股因子，在截面上对不同股票进行比较，而是用大小单的数据，在同一只股票内部识别涨跌幅的属性；关于这一点，不妨举一个具体的例子，如果用大小单直接作为选股因子，我们通常会这么用，比如看到最近股票A的主力资金流入比股票B多，就会预判股票A的未来收益更高；而我们现在是想借助大小单的数据识别涨跌幅的属性，假设看到股票A某两个交易日都上涨了5%，因为我们并不在乎背后到底是谁在下单交易，只是关注看到的订单本身的大小，所以不妨假设这两天都是同一批机构在进行交易，只不过第一天机构的行为比较激进，直接下了1笔200万的大单子；第二天机构的行为非常温和，下了200笔1万的小单子，那么这个时候我们就会预判，第一天大单驱动的5%更偏反转，而第二天的5%则更偏动量。

　　4． 基于交易者结构的新反转因子

　　4.1新反转因子的构建

　　基于上一节内容的测试结果，我们提出一种改进传统反转因子的方案。由图表5-8可知，“超大单”、“小单”交易占比对涨跌幅因子的改进效果都非常明显，但我们发现“超大单”数据的覆盖度低于“小单”，因此我们选择利用“小单”交易占比，构建新的反转因子，具体步骤为：

　　（1）每月月底，每只股票回看过去20个交易日，按照每日“小单”交易占比高低，计算因子1（small_part1）和因子5（small_part5）；

　　（2）每只股票的新反转因子New_Ret20定义为因子1与因子5之差（两个因子相减之前，先各自做横截面标准化），即

　　（3）同样以2013/01/01-2022/09/30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。

　　附注：在步骤（2）中，若只取因子1作为新反转因子，选股效果已经明显优于传统因子；但由于因子5为动量，回测表现也较为稳健，因此再减去方向相反的因子5之后，选股效果可以得到进一步提升。

　　回测结果显示，新反转因子New_Ret20的月度IC均值为-0.057，RankIC均值为-0.074，年化ICIR为-2.60，年化RankICIR为-3.58。图表10、11分别展示了新因子的5分组回测、多空对冲净值走势，图表12比较了新因子、传统因子的IC信息及5分组多空对冲绩效指标，图表13则报告了新因子各年度的表现情况。整体来看，新反转因子的选股效果大幅优于传统因子，5分组多空对冲的年化收益为19.64%，年化波动为7.99%，信息比率为2.46，月度胜率为76.92%，最大回撤为6.76%。

　　4.2新反转因子的多空收益拆解

　　前文主要展示了新因子多空对冲的各项绩效指标，此处我们对多空收益进行拆解，具体结果如图表14、15所示。可以发现，新反转因子的多头超额表现优秀，虽然收益略低于空头超额，但信息比率可达2.57，月度胜率为84.62%，稳定性明显优于空头超额。

　　4.3纯净新反转因子

　　得到了选股效果不错的新因子后，我们考察其与市场常用风格因子的相关性。图表16展示了新因子与10个Barra风格因子的相关系数（其中，动量因子用本文开篇提到的传统反转因子Ret20替代）。

　　为了剔除市场常用风格和行业的干扰，我们每月月底将新因子对Barra风格因子和中信一级行业虚拟变量进行回归，取残差作为纯净新因子，检验其选股效果。图表17展示了纯净新因子的5分组及多空对冲净值走势，图表18则汇报了其分年度的表现情况。剔除常用风格与行业后，纯净新因子的年化ICIR仍可达到-2.32，全市场5分组多空对冲的年化收益为7.75%，信息比率为2.17，月度胜率为71.79%，最大回撤为3.21%。

　　4.4其他样本空间的表现

　　以上内容展示了新反转因子在全市场的回测效果，此小节内容我们测试新因子在其他样本空间的表现。如图表19所示，新反转因子在市值越小的股票池中表现越好，比如在中证1000成分股中，新反转因子的年化ICIR绝对值超过2，5分组多空对冲的年化收益为16.42%，信息比率为1.94，月度胜率为69.47%，最大回撤为9.08%。

　　5． 交易者结构对动量效应的增强

　　上节内容利用交易者结构的数据，构造了一个效果优秀的新反转因子。回顾用大小单对涨跌幅因子进行识别的图表5-8，可以发现，我们划分得到的局部涨跌幅因子中，其中有一些的反转效应确实得到了大幅增强，但相比之下动量属性的增强效果仍然较弱。这个问题也一直困扰着广大投资者：在A股市场动量比较难找，如何找到一个表现稳健的动量因子呢？

　　5.1 新动量因子的构建

　　动量比较难找，我们觉得首先跟构造因子时的回看时间有很大关系。一般来讲，在月度换仓的选股框架下，随着回看时间的逐渐延长，涨跌幅因子的动量属性会逐渐加强。在回看过去20个交易日的情况下，传统涨跌幅因子Ret20本身就呈现比较明显的反转效应，想要在强反转中找动量，实属不易。

　　比较遗憾的是，在A股市场，就算把回看时间延长到240个交易日，即计算大约过去一年的累计涨跌幅，因子的IC仍然是负的，只不过已不太显著，年化ICIR大约为-0.28，表现为较弱的反转。

　　想要寻找动量，就只能参考Barra对动量因子的定义，即回看过去240个交易日，并且把距离最近的一段时间剔除。比如我们暂且把最近的40个交易日剔除，只计算剩下200个交易日的累计涨跌幅，这样得到的因子Ret240_40才勉强呈现很微弱的动量效应，年化ICIR大约为0.20。

　　我们接下来就在传统动量因子Ret240_40的基础上，尝试进一步增强动量效应。同样地，借助交易者结构数据，以小单为例，在每只股票剩下的200个交易日中，按照每天小单交易占比的高低，把200个交易日分为5个局部涨跌幅因子，测试结果如图表22所示，仍然表现为小单交易占比越高，对应的涨跌幅因子动量属性越强。

　　从图表22中可以看到，小单交易占比最高的局部因子5相比于传统动量因子，年化ICIR已经有了明显提升，并不亚于前文对传统反转因子的改进。但由于传统动量因子的效果太弱，因此影响了因子5的绝对效果。

　　为了进一步提升动量因子的效果，我们可以在小单交易占比的基础上，再结合其他改进指标。比如常见的“换手率”，也具有类似的改进涨跌幅因子的能力。具体操作方法、逻辑都与前文类似，我们根据每日换手率将每只股票的200个交易日分为5个局部涨跌幅因子，如图表23所示，换手率越低，股价越有可能反应不足，对应的涨跌幅因子动量属性就会越强。

　　接下来，我们将上述两个有效指标结合，构造效果更加稳健的动量因子，具体步骤为：

　　（1）每月月底，每只股票回看过去240个交易日，剔除最近的40个交易日；

　　（2）在剩下的200个交易日中，先分别用每日的小单交易占比、换手率，各自划分为2个组；

　　（3）将同时属于小单交易占比高组、换手率低组的交易日取出来，计算这些交易日涨跌幅的平均值，得到新动量因子New_Ret240_40。

　　图表24、25分别展示了新动量因子的5分组回测、多空对冲净值走势，图表26比较了新因子、传统因子的IC信息及5分组多空对冲绩效指标，图表27则报告了新因子各年度的表现情况。回测期2013/01/01-2022/09/30内，新动量因子New_Ret240_40的月度IC均值为0.033，RankIC均值为0.043，年化ICIR为1.48，年化RankICIR为1.74；5分组多空对冲的年化收益为10.71%，年化波动为9.27%，信息比率为1.16，月度胜率为65.81%，最大回撤为11.42%，相比于传统因子，选股效果得到大幅提升。

　　5.2 其他样本空间的表现

　　以上展示了新动量因子在全市场的回测效果。众所周知，动量效应在市值较大的股票中更为显著，因此我们也测试了新因子在不同样本空间的选股效果。如图表28所示，可以发现，在沪深300成分股内，新因子的IC表现最强，接近5%。

　　我们在沪深300成分股内构造一个多头组合，即每月月底按照新动量因子，选取因子值最大的1/5股票，等权构建组合。2013/01/01-2022/09/30，该组合相对于沪深300等权指数的年化超额收益为6.70%，信息比率接近1，月度胜率约为64.96%。根据过往经验，在沪深300成分股内进行单因子测试，该因子的多头表现可以算是可圈可点。

　　5.3参数敏感性检验

　　除此之外，我们还对新动量因子进行了参数敏感性检验，主要涉及两个参数：构造因子时候的回看时间n；分别按照小单交易占比、换手率分成m个局部因子，再取小单交易占比最高、换手率最低的交集。前文测算中，参数n取值为240-40，参数m取值为2。

　　图表30展示了在不同参数取值下，新动量因子的月度IC均值及年化ICIR的表现情况。可以看到：（1）在参数m取值相同的情况下，回看天数n取不同数值，新动量因子的表现并未发生太大变化，尤其是IC极其稳定，如m等于2时，新因子的IC始终维持在0.03附近，仅出现小幅波动；（2）随着参数m的逐渐增大，新因子的效果逐渐衰减，这一点也符合常理，因为在因子构造的过程中，我们先分别按照小单交易占比、换手率分成m个局部因子，再取小单交易占比最高、换手率最低的交集，可想而知，随着m的逐渐增大，最终选出来的交易日数量会快速下降，进而影响因子效果；在前文测算中，m取值为2，也较为符合常规习惯。

　　6． 总结

　　本文为“量价淘金”选股因子系列研究的第二篇报告，对“动量与反转”现象进行了深入探索。我们基于对“动量与反转本质”的最新思考，以“大小单交易者结构”为例，对传统涨跌幅因子进行了改进。

　　具体地，本文发现大小单交易占比数据，能够显著影响股价对信息的反应程度，进而有效识别涨跌幅因子的方向及强弱，大致表现为：大单交易占比越高、小单交易占比越低，股价越容易反应过度，对应的涨跌幅因子反转效应越强；反之亦然。基于上述结论，我们在传统反转因子Ret20的基础上，利用交易者结构数据，构造了效果大幅提升的新反转因子；另外，我们也基于传统动量因子Ret240_40，利用交易者结构、换手率这两个指标，提炼了其中更强的动量信息，在A股市场构建了效果更为稳健的新动量因子，特别地，该因子在沪深300成分股中的表现更佳。

　　其实，除了大小单交易占比、换手率以外，还有很多其他指标，也可以有效识别涨跌幅因子的属性，比如振幅、平均成交金额、成交波动等等（具体结果如图表31、32所示，操作方法与前文类似，局部因子1对应指标较小的交易日，局部因子5对应指标较大的交易日）。我们认为改进涨跌幅因子的关键，并不在于具体采用哪些指标，而在于本文反复强调的改进理念，即找到哪一部分涨跌幅更容易反应过度，哪一部分更容易反应不足，下图中展示的所有指标，都只不过是推测股价反应程度的线索。

　　风险提示

　　以上结论均基于历史数据和统计模型的测算，如果未来市场环境发生明显改变，不排除模型失效的可能性。

　　具体分析详见国盛证券研究所2022年10月24日发布的报告《“量价淘金”选股因子系列研究（二）：不同交易者结构下的动量与反转》。

　　沈芷琦 S0680521120005shenzhiqi@gszq.com

　　刘富兵 S0680518030007liufubing@gszq.com

　　特别声明：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过微信形式制作的本资料仅面向国盛证券客户中的专业投资者。请勿对本资料进行任何形式的转发。若您非国盛证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注，请勿订阅、接受或使用本资料中的任何信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。

　　重要声明：本订阅号是国盛证券金融工程团队设立的。本订阅号不是国盛金融工程团队研究报告的发布平台。本订阅号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自国盛证券研究所已经发布的研究报告或者系对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。本资料仅代表报告发布当日的判断，相关的分析意见及推测可在不发出通知的情形下做出更改，读者参考时还须及时跟踪后续最新的研究进展。

　　本资料不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见，普通的个人投资者若使用本资料，有可能会因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。因此个人投资者还须寻求专业投资顾问的指导。本资料仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。