历史因子 OCR 复查

本地与历史 OCR 对比：正文中文字符相似度 99.44%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：Sentiment Beta

Sentiment Beta

另类因子

$$
r _ {t} ^ {i} = \alpha^ {i} + \beta^ {i} * \left(\frac {C S M S _ {t}}{C S M S _ {t - 1}} - 1\right) + \varepsilon_ {t} ^ {i}
$$

$$
N e w S e n t i B e t a = - 1 * a b s (S e n t i B e t a)
$$

将市场情绪指数变动与股票收益率进行时间序列回归, 得到的 $\beta^{i}$ 即为 SentiBeta 再进一步计算得到 NewSentiBeta。

Ⅰ 其中

① $r_{t}^{i}$ 为股票 i 的日度收益率；
② $CSMS_{t}$ 为市场情绪指数值。

说明

市场情绪指数对于大盘行情有一定的预测作用,通过时序回归得到的 SentiBeta 刻画了市场情绪对个股收益的影响。股票收益与市场情绪影响 SentiBeta 的绝对大小有关,越容易受市场情绪影响(即 NewSentiBeta 越小)的股票收益越小;越不容易受市场情绪影响(即 NewSentiBeta 越大)的股票收益越大。

【参考文献】

Sentiment Beta: Risk or Alpha? 2021.05.10 发布于【量化投资与机器学习】

Sentiment Beta

另类因子

$$
r _ {t} ^ {i} = \alpha^ {i} + \beta^ {i} * \left(\frac {C S M S _ {t}}{C S M S _ {t - 1}} - 1\right) + \varepsilon_ {t} ^ {i}
$$

$$
N e w S e n t i B e t a = - 1 * a b s (S e n t i B e t a)
$$

将市场情绪指数变动与股票收益率进行时间序列回归, 得到的  $\beta^{i}$  即为 SentiBeta 再进一步计算得到 NewSentiBeta 。

Ⅱ 其中

① $r_t^i$ 为股票i的日度收益率；
② $CSMS_{t}$ 为市场情绪指数值。

Ⅱ 说明

市场情绪指数对于大盘行情有一定的预测作用, 通过时序回归得到的 SentiBeta 刻画了市场情绪对个股收益的影响。股票收益与市场情绪影响 SentiBeta 的绝对大小有关, 越容易受市场情绪影响 (即 NewSentiBeta 越小) 的股票收益越小; 越不容易受市场情绪影响 (即 NewSentiBeta 越大) 的股票收益越大。

【参考文献】

Sentiment Beta: Risk or Alpha? 2021.05.10 发布于【显化投资与机器学习】

本地与历史 OCR 对比：正文中文字符相似度 99.66%；标题识别不一致；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：质量因子

质量因子

质固因子

$$
\frac {\text {Price}}{\text {BookValue}} = \frac {\text {Dividend / BookValue}}{\text {RequiredReturn} - \text {Growth}}
$$

$$
= \frac {\left(\text {Profit} / \text {BookValue}\right) * \left(\text {Dividend} / \text {Profit}\right)}{\text {RequiredReturn} - \text {Growth}} = \frac {\text {Profitability} - \text {PayoutRatio}}{\text {RequiredReturn} - \text {Growth}}
$$

通过 Gordon 成长模型的分解为 3 个维度;计算各维度细分指标的横截面排序并进行 z-score 标准化,然后加总各指标 z-score 并进行标准化,得到各维度的得分;加总3个维度的得分并再次标准化,得到各股票的质量因子。

Ⅱ 其中

① Profitability 表示盈利能力, 包括毛利率比总资产 (GPOA)、ROE、ROA、现金流比总资产 (CFOA)、毛利率 (gross margin) 和盈利中现金的占比 (即盈利减去应计项目, ACC) 这 6 个指标;
② Growth 表示成长能力, 用于反映衡量盈利能力指标的变化率;
③ RequiredReturn 表示公司的稳定性或者安全性, 包括低 beta(BAB)、低杠杆率、低破产概率(O-score)和低 ROE 波动率;
④ PayoutRatio 表示股东所得红利在总利润中的占比, 主要用来衡量公司的偿付能力(作者在 2019 发布的质量因子未使用该维度)。

说明

质量因子在衰退期和波动率突然大涨的时期表现最好，在大熊市期间表现也不错，这表明质量因子有助于控制组合的风险。

【参考文献】

Asness, Clifford S., Andrea Frazzini, and Lasse Heje Pedersen. "Quality Minus Junk." Review of Accounting Studies 24.1 (2019): 34-112.

质量因子

质金因子

$$
\begin{array}{l} \frac {\textit {P r i c e}}{\textit {B o o k V a l u e}} = \frac {\textit {D i v i d e n d / B o o k V a l u e}}{\textit {R e q u i r e d R e t u r n - G r o w t h}} \\ = \frac {\left(\text {Profit / BookValue}\right) * \left(\text {Dividend / Profit}\right)}{\text {RequiredReturn} - \text {Growth}} = \frac {\text {Profitability} - \text {PayoutRatio}}{\text {RequiredReturn} - \text {Growth}} \\ \end{array}
$$

通过 Gordon 成长模型的分解为 3 个维度; 计算各维度细分指标的横截面排序并进行 z-score 标准化, 然后加总各指标 z-score 并进行标准化, 得到各维度的得分; 加总3个维度的得分并再次标准化, 得到各股票的质量因子。

Ⅱ 其中

① Profitability 表示盈利能力, 包括毛利率比总资产 (GPOA)、ROE、ROA、现金流比总资产 (CFOA)、毛利率 (gross margin) 和盈利中现金的占比 (即盈利减去应计项目, ACC) 这 6 个指标;
② Growth 表示成长能力, 用于反映衡量盈利能力指标的变化率;
③ RequiredReturn 表示公司的稳定性或者安全性, 包括低 beta (BAB)、低杠杆率、低破产概率 (O-score) 和低 ROE 波动率;
④ PayoutRatio 表示股东所得红利在总利润中的占比, 主要用来衡量公司的偿付能力 (作者在 2019 发布的质量因子未使用该维度)。

Ⅱ 说明

质量因子在衰退期和波动率突然大涨的时期表现最好,在大熊市期间表现也不错,这表明质量因子有助于控制组合的风险。

【参考文献】

Asness, Clifford S., Andrea Frazzini, and Lasse Heje Pedersen. "Quality Minus Junk." Review of Accounting Studies 24.1 (2019): 34-112.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：公司治理因子

公司治理因子

公司治理因子

公司治理因子 = $\alpha_{1}$ ，第一大股东持股比例 + $\alpha_{2}$ ，第二至十大股东持股比例 + $\alpha_{3}$ ，流通股比例 +

$\alpha$ 上市公司股东数量

\+ $\alpha_{s}$ 独立董事占比 + $\alpha_{6}$ 董事会委员数量

\+ $\alpha_{s}$ 管理层薪酬 $+\alpha_{s}$ 管理层持股数量

\+ $\alpha_{9}$ 受证监会、交易所等处罚情况 + $\alpha_{10}$ 是否实施股权激励

参考南开指数的构造及2002年1月7日证监会颁布的《上市公司治理准则》中的相规定，从公司内部治理出发选取公司治理细分因子，并将其加权汇总成公司治理综合因子。因子共涉及股权结构与股东权利、董事会构成、管理层激励、信息披露与合规、激励约束机制5个方面。

说明

良好的公司治理能使公司在未来具有较高财务安全性，有利于提高公司的盈利能力，是公司产生潜在价值的源泉。

【参考文献】

刘均伟, 2017, 别开生面: 公司治理因子详解, 光大证券.

公司治理因子

公司治理因子

公司治理因子 $= \alpha_{1}$ 第一大股东持股比例 $+\alpha_{2}$ 第二至十大股东持股比例 $+\alpha_{3}$ 流通股比例 $+$

$\alpha$ 上市公司股东数量

$+\alpha_{s}$ 独立董事占比 $+\alpha_{6}$ 董事会委员数量

+ $\alpha_{s}$ 管理层薪酬 + $\alpha_{s}$ 管理层持股数量

$+\alpha_{9}$  受证监会、交易所等处罚情况  $+\alpha_{10}$  是否实施股权激励

参考南开指数的构造及 2002 年 1 月 7 日证监会颁布的《上市公司治理准则》中的相规定,从公司内部治理出发选取公司治理细分因子,并将其加权汇总成公司治理综合因子。因子共涉及股权结构与股东权利、董事会构成、管理层激励、信息披露与合规、激励约束机制 5 个方面。

Ⅱ 说明

良好的公司治理能使公司在未来具有较高财务安全性,有利于提高公司的盈利能力,是公司产生潜在价值的源泉。

【参考文献】

刘均伟, 2017, 别开生面: 公司治理因子详解, 光大证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：自由流通股市值

自由流通股市值

[Unreadable]

当日收盘价x当日自由流通股本

说明

流通股是指上市公司股份中可以在交易所流通的股份数量，通过统计流通股市值可以直观的体现公司目前流通规模的大小。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

自由流通股市值

[Unreadable]

当日收盘价x当日自由流通股本

Ⅱ 说明

流通股是指上市公司股份中可以在交易所流通的股份数量,通过统计流通股市值可以直观的体现公司目前流通规模的大小。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

本地与历史 OCR 对比：正文中文字符相似度 98.63%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：Q棒指标

Q棒指标

技术因子-造势型

$$
Q S T (N) = \text { SUM } (\text { CLOSE - OPEN }, N) / N
$$

默认:N=20

说明

Q棒指标是一种振荡类股票技术指标, 它通过计算交易日内收盘价与开盘价的关系来反映股价趋势的方向与强度。

【参考文献】

常规通用技术指标.

Q棒指标

技术因子-趋势型

$$
\text {QST} (N) = \text {SUM} (\text {CLOSE - OPEN}, N) / N
$$

默认:N = 20

说明

Q棒指标是一种振荡类股票技术指标, 它通过计算交易日内收盘价与开盘价的关系来反映股价趋势的方向与强度。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 97.20%；正文中文字符差异超过 2%。相似度不是准确率；模型一致也不等于原文正确。

本地标题：对数总市值

对数总市值

[Unreadable]

ln(当日收盘价x当日总股本)

说明

A 股市值分布存在严重厚为特征, 取对数后, 会使得因子分布更接近正态分布。

【参考文献】

Banz, Rolf W., 1981, The relationship between return and market value of common stocks, Journal of Financial Economics 9, 3-18.

对数总市值

2016年1月1日

ln(当日收盘价x当日总股本)

说明

A 股市值分布存在严重厚为特征, 取对数后, 会使得因子分布更接近正态分布。

【参考文献】

Banz, Rolf W., 1981, The relationship between return and market value of common stocks, Journal of Financial Economics 9, 3-18.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：净利润同比增长率

净利润同比增长率

最近12个月的净利润(TTM)-上年同期值

abs(上年同期值)

说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标,用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有“最近 12 个月TTM”和“单季度”2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

净利润同比增长率

最近12个月的净利润(TTM)-上年同期值

abs(上年同期值)

Ⅱ 说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标,用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有“最近 12 个月TTM”和“单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

营业利润同比增长率

最近12个月营业利润(TTM)-上年同期值
abs(上年同期值)

说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标,用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有“最近 12 个月TTM”和“单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

营业利润同比增长率

最近12个月营业利润(TTM)-上年同期值

abs(上年同期值)

Ⅰ 说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有“最近 12 个月TTM”和“单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

本地与历史 OCR 对比：正文中文字符相似度 99.12%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：方向标准离差指标

方向标准离差指标

技术因子-超买超卖型

$$
\begin{array}{r l} D M Z & = I F (H I G H + L O W <   = H I G H [ 1 ] + L O W [ 1 ], 0, M A X (A B S (H I G H - H I G H [ 1 ]), A B S \\ & \quad (L O W - L O W [ 1 ])) \end{array}
$$

$$
\begin{array}{r l} \text { DMF } & = \text { IF(HIGH + LOW > HIGH[1] + LOW[1],0,MAX(ABS(HIGH - HIGH[1]),ABS} \\ & \quad (\text { LOW - LOW[1]})) \end{array}
$$

$$
D I Z = \text { SUM } (D M Z, N) / (\text { SUM } (D M Z, N) + \text { SUM } (D M F, N)) ^ {*} 1 0 0
$$

$$
D I F = S U M (D M F, N) / (S U M (D M Z, N) + S U M (D M F, N)) ^ {*} 1 0 0
$$

$$
D D I = D I Z - D I F
$$

若分母为 0, 则令 DD1 = 0

默认:N=20

说明

DDI 指标, 即方向标准离差指数, 一般用于观察一段时间内股价相对于前一天向上波动和向下波动的比例, 并对其进行移动平均分析。通过分析 DDI 柱状线, 可以判断是买入信号还是卖出信号。

【参考文献】

常规通用技术指标.

方向标准离差指标

技术因子-超买超类型

$$
\begin{array}{r l} \mathrm{DMZ} & = \mathrm{IF} (\text {HIGH + LOW< = HIGH[1] + LOW[1], 0, MAX(ABS(HIGH - HIGH[1]), ABS} \\ & \quad (\text {LOW - LOW[1]})) \end{array}
$$

$$
\begin{array}{c} \text {DMF = IF(HIGH + LOW > HIGH[1] + LOW[1],0,MAX(ABS(HIGH - HIGH[1]),ABS}\\ \text {(LOW - LOW[1]))} \end{array}
$$

$$
\text{DIZ} = \text{SUM(DMZ,N)/(SUM(DMZ,N)+SUM(DMF,N))} * 100
$$

$$
\mathrm{DIF} = \mathrm{SUM(DMF,N)/(SUM(DMZ,N)+SUM(DMF,N))} ^ {*} 1 0 0
$$

$$
\mathrm{DDI} = \mathrm{DIZ-DIF}
$$

若分母为0，则令 $DDI = 0$

默认:N=20

Ⅱ 说明

DDI 指标, 即方向标准离差指数, 一般用于观察一段时间内股价相对于前一天向上波动和向下波动的比例, 并对其进行移动平均分析。通过分析 DDI 柱状线, 可以判断是买入信号还是卖出信号。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：一致买入交易因子

一致买入交易因子

高频因子

通过定义实体 K 线, 将交易日中的每根 5 分钟 K 线划分为集体一致交易与非集体一致交易:

$$
| c l o s e - o p e n | <   = \alpha | h i g h - l o w |
$$

利用上涨的实体 K 线构造一致买入交易因子：

$$
P C V _ {t} = \frac {1}{d} \sum_ {i = 1} \left(\frac {\text {ConsistentVolume} _ {r i s e}}{\text {Volume}}\right) t - i
$$

Ⅱ 其中

① $\alpha$ 为一致参数, 越大, K 线一致性越强 (上下引线越短, K 线越实体);
② ConsistentVolume $_{rise}$ 为上涨的5分钟实体K线的总成交量；
③ Volume 为当日总成交量；
④ d 表示移动平均的周期参数。

说明

集体一致交易行为预示交易机会, 如果一支股票在一段时间内大部分的交易属于集体一致交易行为, 趋势性显著, 则很可能这支股票在这段时间内有新信息进入, 正在经历市场消化过程 (price-in), 未来股价很可能产生大幅变化, 为交易者创造交易机会。

【参考文献】

刘均伟, 2018. 一致交易因子: 挖掘集体行为背后的收益、光大证券.

一致买入交易因子

高频因子

通过定义实体 K 线, 将交易日中的每根 5 分钟 K 线划分为集体一致交易与非集体一致交易:

$$
\vert \text {close - open} \vert <   = \alpha \vert \text {high - low} \vert
$$

利用上涨的实体 K 线构造一致买入交易因子:

$$
PCV_{t} = \frac{1}{d}\sum_{i = 1}\left(\frac{\text{ConsistentVolume}_{\text{rise}}}{\text{Volume}}\right)t - i
$$

Ⅱ 其中

①  $\alpha$  为一致参数, 越大, K 线一致性越强 (上下引线越短, K 线越实体);
② $ConsistentVolume_{rise}$ 为上涨的5分钟实体K线的总成交量；
③ Volume 为当日总成交量；
④ $d$ 表示移动平均的周期参数。

Ⅰ 说明

集体一致交易行为预示交易机会, 如果一支股票在一段时间内大部分的交易属于集体一致交易行为, 趋势性显著, 则很可能这支股票在这段时间内有新信息进入, 正在经历市场消化过程 (price-in), 未来股价很可能产生大幅变化, 为交易者创造交易机会。

【参考文献】

刘均伟, 2018. 一致交易因子: 挖掘集体行为背后的收益、光大证券.

本地与历史 OCR 对比：正文中文字符相似度 98.93%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：市值调整换手率

市值调整换手率

[Unreadable]

进行如下回归得到的残差项 $\varepsilon$ 即为市值调整换手率:

$$
\ln (\text {turnover}) = \alpha + \beta \ln (\text {floatcap}) + \varepsilon
$$

Ⅱ 其中

① $\ln(\text{turnover})$ 为过去一个月的日度对数换手率；
② $\ln(\text{floatcap})$ 为过去一个月的日度对数流通市值。

Ⅱ 说明

日均换手率和流通市值的对数存在较高的负相关性，剔除市值影响后有助于提高换手率在多头端的表现，带来明显的正向超额收益。

【参考文献】

朱剑涛, 2015, 投机、交易行为与股票收益(上), 东方证券.

市值调整换手率

沉动器

进行如下回归得到的残差项 $\varepsilon$ 即为市值调整换手率:

$$
\ln (\text {turnover}) = \alpha + \beta \ln (\text {floatcap}) + \varepsilon
$$

Ⅱ 其中

① $ln(turnover)$ 为过去一个月的日度对数换手率；
② $ln(floatcap)$ 为过去一个月的日度对数流通市值。

Ⅱ 说明

日均换手率和流通市值的对数存在较高的负相关性,剔除市值影响后有助于提高换手率在多头端的表现,带来明显的正向超额收益。

【参考文献】

朱剑涛, 2015, 投机、交易行为与股票收益(上), 东方证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：应收周转率

应收周转率

财务质量因子-营运能力

最近12个月营业收入 (TTM)

期末应收账款 + 期末应收票据

说明

综合衡量了企业应收款转换为销售收入的程度,取值越高,应收款回款速度越快。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

应收周转率

财务质量因子营运能力

最近12个月营业收入(TTM)

期末应收账款 + 期末应收票据

Ⅰ 说明

综合衡量了企业应收款转换为销售收入的程度,取值越高,应收款回款速度越快。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：垂直水平过滤指标

垂直水平过滤指标

技术因子趋势型

$$
\mathrm{HCP} = \mathrm{MAX} (\mathrm{HIGH}, \mathrm{N})
$$

$$
\mathrm{LCP} = \mathrm{MIN} (\mathrm{LOW}, \mathrm{N})
$$

$$
A = A B S (H C P - L C P)
$$

$$
B = \text { SUM } (\text { ABS } (\text { CLOSE - CLOSE } [ 1 ]), N)
$$

$$
V H F = A / B
$$

若分母为 0, 则令 $|MI| = 0$

默认:N=20

说明

VHF 指标用来判断当前行情处于趋势阶段还是振荡阶段, 类似 MACD 等指标也能帮助识别行情趋势, 但当行情处于盘整阶段时会经常发出错误信号, 而 RSI 在振荡行情时能准确识别超买超卖的状态, 但在趋势行情时总是发出错误信号。VHF 指标通过识别趋势的强弱, 来帮助投资者选择相应的指标 (如 MACD 或 RSI)。

【参考文献】

常规通用技术指标.

垂直水平过滤指标

技术因子趋势型

$$
\text {HCP} = \text {MAX(HIGH,N)}
$$

$$
\text {LCP} = \operatorname{MIN} (\text {LOW}, N)
$$

$$
A = \text {ABS(HCP - LCP)}
$$

$$
B = \operatorname{SUM} (\text {ABS(CLOSE - CLOSE[1]),N})
$$

$$
\mathrm{VHF} = \mathrm{A} / \mathrm{B}
$$

若分母为 0, 则令 $|MI| = 0$

默认:N = 20

Ⅱ 说明

VHF 指标用来判断当前行情处于趋势阶段还是振荡阶段, 类似 MACD 等指标也能帮助识别行情趋势, 但当行情处于盘整阶段时会经常发出错误信号, 而 RSI 在振荡行情时能准确识别超买超卖的状态, 但在趋势行情时总是发出错误信号。VHF 指标通过识别趋势的强弱, 来帮助投资者选择相应的指标 (如 MACD 或 RSI)。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 98.63%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

单季度净资产营业利润

财务质量因子-盈利能力

最近单季度营业利润

期末股东权益合计

说明

在单季度时间区间上统计的净资产营业利润，反映公司单季度盈利能力。

【参考文献】

Fama, Eugene F., and Kenneth R. French, 2015, A five-factor asset pricing model, Journal of Financial Economics 116, 1-22.

单季度净资产营业利润

财务质疑因子盈利能力

最近单季度营业利润

期末股东权益合计

Ⅱ 说明

在单季度时间区间上统计的净资产营业利润，反映公司单季度盈利能力。

【参考文献】

Fama, Eugene F., and Kenneth R. French, 2015, A five-factor asset pricing model, Journal of Financial Economics 116, 1-22.

本地与历史 OCR 对比：正文中文字符相似度 97.20%；正文中文字符差异超过 2%。相似度不是准确率；模型一致也不等于原文正确。

本地标题：长期反转

长期反转

动图医院

t 月末, 计算第(t-59) 月至第 (t-12) 月的日度累计收益率

说明

投资者在短期内对某些消息会有过度反应,使得股票被严重高估或低估,形成错误定价,在均值回复作用下,后期会出现反转;所以,做多(做空)前期表现差(好)的股票,能获得可观的超额收益。

【参考文献】

De Bondt, Werner F. M., and Richard Thaler. 1985, Does the stock market overreact?, Journal of Finance 40, 793-805.

长期反转

动因病原

t 月末, 计算第(t-59)月至第 (t-12)月的日度累计收益率

Ⅱ 说明

投资者在短期内对某些消息会有过度反应, 使得股票被严重高估或低估, 形成错误定价, 在均值回复作用下, 后期会出现反转; 所以, 做多(做空)前期表现差(好)的股票, 能获得可观的超额收益。

【参考文献】

De Bondt, Werner F. M., and Richard Thaler. 1985, Does the stock market overreact?, Journal of Finance 40, 793-805.

本地与历史 OCR 对比：正文中文字符相似度 99.49%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：应付账款周转天数

应付账款周转天数

财务质量因子-营运能力

360

应付账款周转率

说明

衡量企业付清供应商的欠款的平均天数, 通常周转天数越长越好, 说明公司可以更多的占用供应商货款来补充营运资本而无需向银行短期借款。

【参考文献】

常规通用财务指标.

应付账款周转天数

财务质因子营运能力

360

应付账款周转率

Ⅱ 说明

衡量企业付清供应商的欠款的平均天数, 通常周转天数越长越好, 说明公司可以更多的占用供应商货款来补充营运资本而无需向银行短期借款。

【参考文献】

常规通用财务指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：摇摆指数

摇摆指数

技术因子-超买超卖

$$
L = C L O S E ^ {*} 1 \%
$$

$$
K = \text { MAX(HIGH - CLOSE[1],LOW - CLOSE[1]) }
$$

$$
K 1 = H I G H - C L O S E [ 1 ]
$$

$$
K 2 = \text {   LOW - CLOSE[1]   }
$$

$$
K 3 = H I G H - C L O S E
$$

$$
K 4 = \text { C   L   O   S   E } [ 1 ] + \text { O   P   E   N } [ 1 ]
$$

$$
M = \text { MAX } (K 1, K 2, K 3)
$$

$$
R = I F (M = K 1, K 1 + 0. 5 ^ {*} K 2 + 0. 2 5 ^ {*} K 4, I F (M = K 2, K 2 + 0. 5 ^ {*} K 1 + 0. 2 5 ^ {*} K 4, K 3 + 0. 2 5 ^ {*} K 4))
$$

$$
\operatorname{SWI} (L) = 5 0 ^ {*} ((\text { CLOSE - CLOSE } [ 1 ]) + 0. 5 ^ {*} (\text { CLOSE - OPEN })
$$

$$
+ 0. 2 5 ^ {*} (\text { CLOSE } [ 1 ] + \text { OPEN } [ 1 ])) / R) ^ {*} K / L
$$

说明

SWI 指标通过比较当期价格（也就是开盘价、最高价、最低价和收盘价）与前期价格之间的关系来分离出“真实的”证券价格。

【参考文献】

无法识别

摇摆指数

技术因子-超买超卖

L = CLOSE*1%
K = MAX(HIGH-CLOSE[1],LOW-CLOSE[1])
K1 = HIGH-CLOSE[1]
K2 = LOW-CLOSE[1]
K3 = HIGH-CLOSE
K4 = CLOSE[1]+OPEN[1]
M = MAX(K1,K2,K3)
R = IF(M=K1,K1+0.5*K2+0.25*K4,IF(M=K2,K2+0.5*K1+0.25*K4,K3+0.25*K4))
SWI(L) = 50*((CLOSE-CLOSE[1])+0.5*(CLOSE-OPEN)
+0.25*(CLOSE[1]+OPEN[1])/R)*K/L

说明

SWI 指标通过比较当期价格（也就是开盘价、最高价、最低价和收盘价）与前期价格之间的关系来分离出“真实的”证券价格。

[参考文献]

无法识别

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：非流动性

非流动性

高频因子

不考虑日内价格变动方向, 直接进行无向叠加, 求得股价变动的最短路径:

$$
s h o r t c u t = 2 * (h i g h - l o w) - | c l o s e - o p e n |
$$

利用高频分钟 K 线, 每日的 K 线最短路径非流动性因子:

$$
I L L I Q _ {t} = \frac {1}{d} \sum_ {i = 1} ^ {d} \left(\sum_ {j = 1} ^ {p} \frac {\text { ShortCut } _ {j}}{\text { Value } _ {j}}\right) _ {t - i}
$$

Ⅱ 其中

① $ShortCut_{j}$ 表示日内频率下第 $j$ 根 K 线的最短路径；
② $Value_{j}$ 表示日内频率下第 j 根 K 线内的成交额；
③ p 表示日内频率分段个数；
④ d 表示日间移动平均的周期参数。

说明

通过使用更高频的 K 线数据提升 K 线最短路径对股票交易时市场冲击的代理精度, 大大提升了 K 线最短路径非流动性因子的有效性与预测能力。同时随着数据频率的提高, K 线最短路径定义对经典定义下的非流动性因子提升程度愈加显著。比起经典的定义方式, K 线最短路径能更充分地利用高频数据新引入的信息。

【参考文献】

刘均伟, 2017, 基于 K 线最短路径构造的非流动性因子, 光大证券.

非流动性

高频因子

不考虑日内价格变动方向, 直接进行无向叠加, 求得股价变动的最短路径:

$$
s h o r t c u t = 2 * (h i g h - l o w) - | c l o s e - o p e n |
$$

利用高频分钟 K 线, 每日的 K 线最短路径非流动性因子:

$$
I L L I Q _ {t} = \frac {1}{d} \sum_ {i = 1} ^ {d} \left(\sum_ {j = 1} ^ {p} \frac {\text {ShortCut} _ {j}}{\text {Value} _ {j}}\right) _ {t - i}
$$

Ⅱ 其中

① $ShortCut_{j}$ 表示日内频率下第 ${}^{j}$ 根K线的最短路径；
② $Value_{j}$ 表示日内频率下第 $j$ 根K线内的成交额；
③ p 表示日内频率分段个数；
④ $d$ 表示日间移动平均的周期参数。

说明

通过使用更高频的 K 线数据提升 K 线最短路径对股票交易时市场冲击的代理精度, 大大提升了 K 线最短路径非流动性因子的有效性与预测能力。同时随着数据频率的提高, K 线最短路径定义对经典定义下的非流动性因子提升程度愈加显著。比起经典的定义方式, K 线最短路径能更充分地利用高频数据新引入的信息。

【参考文献】

刘均伟, 2017, 基于 K 线最短路径构造的非流动性因子, 光大证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

单季度每股营业收入同比增长率

[Unreadable]

最近单季度每股营业收入 - 上年同期值

abs(上年同期值)

说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标,用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

单季度每股营业收入同比增长率

最近单季度每股营业收入 - 上年同期值

abs(上年同期值)

Ⅱ 说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标

本地与历史 OCR 对比：正文中文字符相似度 99.21%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：摊薄净资产收益率变动

摊薄净资产收益率变动

无法识别

最近报告期单季度摊薄净资产收益率(TTM) - 上年同期单季度摊薄净资产收益率(TTM)

说明

即摊薄净资产收益率的同比增量。

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

摊薄净资产收益率变动

[2] 1945-195

最近报告期单季度摊薄净资产收益率(TTM)-上年同期单季度摊薄净资产收益率(TTM)

Ⅱ 说明

即摊薄净资产收益率的同比增量。

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

标准化调整的营业利润

财务质量因子改进

调整的营业利润(TTM)的当期值-mean(过去T期调整的营业利润(TTM))

std(过去T期调整的营业利润(TTM))

Ⅱ 其中

调整的营业利润 = 营业利润 + 预收账款

默认 T = 6 个季度

【参考文献】

曹春晓, 2018, 基本面因子之经营性标准化成长因子, 申万宏源.

标准化调整的营业利润

财务质量因子-改进

调整的营业利润(TTM)的当期值-mean(过去T期调整的营业利润(TTM))

std (过去T期调整的营业利润(TTM))

Ⅱ 其中

调整的营业利润 = 营业利润 + 预收账款

默认 $T = 6$ 个季度

【参考文献】

曹春晓, 2018, 基本面因子之经营性标准化成长因子, 申万宏源.

本地与历史 OCR 对比：正文中文字符相似度 98.67%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：普通股回报率

普通股回报率

财务质量因子-盈利能力

最近12个月净利润(TTM)-最近12个月优先股股利(TTM)
平均普通股总股本

1 其中

平均总股本 = $\frac{本期普通股总股本 + 上年同期普通股总股本}{2}$

优先股股利用 0 代替

说明

衡量公司普通股资本的盈利能力。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

普通股回报率

财务质量因子盈利能力

最近12个月净利润(TTM)-最近12个月优先股股利(TTM)
平均普通股总股本

其他

平均总股本 =  $\frac{本期普通股总股本 + 上年同期普通股总股本}{2}$

优先股股利用 0 代替

Ⅱ 说明

衡量公司普通股资本的盈利能力。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：单季度有形资本回报率同比增速

单季度有形资本回报率同比增速

最近报告期单季度有形资本回报率 - 上年同期单季度有形资本回报率

abs(上年同期单季度有形资本回报率)

说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标,用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

单季度有形资本回报率同比增速

最近报告期单季度有形资本回报率 - 上年同期单季度有形资本回报率

abs(上年同期单季度有形资本回报率)

Ⅱ 说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

本地与历史 OCR 对比：正文中文字符相似度 99.50%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：能量指标

能量指标

技术因子-成交模型

$$
\mathrm{TYP} = (\mathrm{HIGH} + \mathrm{LOW} + \mathrm{CLOSE}) / 3
$$

$$
C R (N) = \text { SUM } (\text { MAX } (0, \text { HIGH - TYP } [ 1 ]), N) / \text { SUM } (\text { MAX } (0, \text { TYP } [ 1 ] - \text { LOW }), N) ^ {*} 1 0 0
$$

默认:N=20

说明

CR 指标是反映市场当前情况下多空双方力量发展对比的结果。它是以上一周期的中间件为基点，与当日最高价当、最低价相比较，通过中间件在股价中的地位反应市场买卖的人气。

【参考文献】

常规通用技术指标.

能量指标

技术因子-成交型

$$
\text {TYP} = (\text {HIGH + LOW + CLOSE}) / 3
$$

$$
\mathrm{CR} (\mathrm{N}) = \operatorname{SUM} (\operatorname{MAX} (0, \text {HIGH - TYP[1]}), \mathrm{N}) / \operatorname{SUM} (\operatorname{MAX} (0, \text {TYP[1] - LOW}), \mathrm{N}) ^ {*} 1 0 0
$$

默认:N = 20

Ⅱ 说明

CR 指标是反映市场当前情况下多空双方力量发展对比的结果。它是以上一周期的中间件为基点，与当日最高价当、最低价相比较，通过中间件在股价中的地位反应市场买卖的人气。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 98.45%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：理想振幅因子

理想振幅因子

高频因子

对单只股票, 回溯取其最近 N 个交易日 (默认N=20) 的数据, 计算每日的振幅 (最高价 / 最低价 -1);

选择收盘价较高的 $\lambda$ (默认25%) 有效交易日, 计算振幅均值得到高价振幅因子 $V_{\mathrm{high}}(\lambda)$ ; 选择收盘价较低的 $\lambda$ (默认25%) 有效交易日, 计算振幅均值得到低价振幅因子 $V_{\mathrm{low}}(\lambda)$ ;

计算理想振幅因子：

$$
V (\lambda) = V _ {\mathrm{high}} (\lambda) - V _ {\mathrm{low}} (\lambda)
$$

Ⅱ 说明

基于股价将振幅因子进行切割得到的理想振幅因子,考虑了不同价格区间的振幅分布信息差异(高价振幅因子具有更强的负向选股能力),选股能力更强。

【参考文献】

魏建榕, 2020. 振福因子的隐蔽结构, 开源证券.

理想振幅因子

信频因子

对单只股票, 回溯取其最近 N 个交易日 (默认N=20) 的数据, 计算每日的振幅 (最高价 / 最低价 -1);

选择收盘价较高的  $\lambda$  (默认25%) 有效交易日, 计算振幅均值得到高价振幅因子  $V_{\mathrm{high}}(\lambda)$ ; 选择收盘价较低的  $\lambda$  (默认25%) 有效交易日, 计算振幅均值得到低价振幅因子  $V_{\mathrm{low}}(\lambda)$ ;

计算理想振幅因子:

$$
V (\lambda) = V _ {\mathrm{high}} (\lambda) - V _ {\mathrm{low}} (\lambda)
$$

Ⅰ 说明

基于股价将振幅因子进行切割得到的理想振幅因子, 考虑了不同价格区间的振幅分布信息差异 (高价振幅因子具有更强的负向选股能力), 选股能力更强。

【参考文献】

魏建榕, 2020. 振幅因子的隐匿结构, 开源证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：单季度摊薄净资产收益率变动

单季度摊薄净资产收益率变动

最近报告期单季度摊薄净资产收益率(TTM) - 上年同期单季度摊薄净资产收益率(TTM)

说明

即单季度摊薄净资产收益率的同比增量。

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

单季度摊薄净资产收益率变动

最近报告期单季度摊薄净资产收益率(TTM)-上年同期单季度摊薄净资产收益率(TTM)

Ⅱ 说明

即单季度摊薄净资产收益率的同比增量。

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

单季度成本费用利润率的同比增长率

最近报告期单季度成本费用利润率 - 上年同期单季度成本费用利润率

abs(上年同期单季度成本费用利润率)

说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标,用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

单季度成本费用利润率的同比增长率

最近报告期单季度成本费用利润率 - 上年同期单季度成本费用利润率

abs(上年同期单季度成本费用利润率)

『说明

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：总资产营业利润变动

总资产营业利润变动

最近报告期总资产营业利润(TTM) - 上年同期总资产营业利润(TTM)

说明

即总资产营业利润的同比增量。

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标, 用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

总资产营业利润变动

最近报告期总资产营业利润(TTM) - 上年同期总资产营业利润(TTM)

Ⅱ 说明

即总资产营业利润的同比增量。

① 成长因子是基于股票过去一段时间的各项估值或盈利指标计算得到的增长量或增长率指标,用于衡量公司各个维度的成长性;
② 计算成长因子时, 最常用的统计维度有: 环比增长率 (或环比增量)、同比增长率 (或同比增量), 计算用的基础财务数据也有 “最近 12 个月TTM” 和 “单季度” 2 类, 经测试发现: “单季度同比” 和 “TTM 环比” 这 2 个维度下计算得到的因子表现通常相对更优;
③ 至于增长率和增量, 表现相差不大, 增长率更具可比性, 增量更不容易受基础指标取值异常的影响。

【参考文献】

常规通用财务指标.

本地与历史 OCR 对比：正文中文字符相似度 97.26%；正文中文字符差异超过 2%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

非流动性的变异系数

[无法识别]

$$
I L L I Q _ {i, t} = \frac {\left| r _ {i , t} \right|}{A m o u n t _ {i , t}}
$$

$$
C V I L L I Q _ {i} = \frac {\sigma \left(I L L I Q _ {i}\right)}{\overline {{I L L I Q _ {2}}}}
$$

Ⅱ 其中

① $Amount_{i,t}$ 为股票 i 在 t 时刻的交易金额；
② $r_{i,t}$ 是股票 i 在 t 时刻收益率；
③ 时间窗口期为过去 20 个交易日。

说明

股票的非流动性的变异系数较高,说明非流动性的波动较大,对于持有该类股票的投资者来说,未来卖出该类股票有着更高的交易成本不确定性,所以由此能够获得更高的风险溢价。

【参考文献】

(1) Akbas, F., 2011, The volatility of liquidity and expected stock returns. Doctoral dissertation, Texas A&M University.
② 朱剑涛, 2017, 技术类新 Alpha 因子的批量测试, 东方证券.

非流动性的变异系数

新河图图

$$
I L L I Q _ {i, t} = \frac {| r _ {i , t} |}{A m o u n t _ {i , t}}
$$

$$
C V I L L I Q _ {i} = \frac {\sigma (I L L I Q _ {i})}{\overline {{I L L I Q _ {2}}}}
$$

Ⅱ 其中

① $Amount_{i,t}$ 为股票i在t时刻的交易金额；
② $r_{i,t}$ 是股票i在t时刻收益率；
③ 时间窗口期为过去 20 个交易日。

Ⅱ 说明

股票的非流动性的变异系数较高,说明非流动性的波动较大,对于持有该类股票的投资者来说,未来卖出该类股票有着更高的交易成本不确定性,所以由此能够获得更高的风险溢价。

【参考文献】

Q Akbas, F., 2011, The volatility of liquidity and expected stock returns. Doctoral dissertation, Texas A&M University.
② 朱剑涛, 2017, 技术类新 Alpha 因子的批量测试, 东方证券.

本地与历史 OCR 对比：正文中文字符相似度 99.63%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：价差偏离度

价差偏离度

动图因子

每月月底在全市场搜索与股票 i 距离最近(相似度最高)的 N=10 只股票等权构建该股票的特征组合, 特征组合的净值价格我们称之为参考价格: $ReferencePrice_{i,t}$ , 其中, 股票间的距离 = 1 - 两股票过去 250 个交易日涨跌幅的 pearson 相关系数;

计算股票 i 的价格和参考价格的对数价差：

$$
\text {PriceSpeak} _ {i, t} = \ln \left(\text {StockPrice} _ {i, t}\right) - \ln \left(\text {ReferencePrice} _ {i, t}\right)
$$

经过去 K=60 日均值、标准差调整后的当前对数价差即为价差偏离度：

$$
S p r e a d B i a s _ {i, t} = \frac {P r i c e S p e a d _ {i , t} - m e a n (P r i c e S p e a d _ {i , t})}{s t d (P r i c e S p e a d _ {i , t})}
$$

说明

价差偏离度衡量了个股相对其特征组合(相似的股票集)价格的偏离程度。在基本面没有发生重大变化的前提下,价差偏离度低,股票近期跑输其特征组合,股票相对估值偏低,有向上回复的动力,有正的预期超额收益,价差偏离度越高,股票处于相对高估状态,后期有回调的压力。

【参考文献】

朱剑涛, 2016, 投机、交易行为与股票收益(下), 东方证券.

价差偏离度

动图因序

每月月底在全市场搜索与股票 i 距离最近(相似度最高)的 N=10 只股票等权构建该股票的特征组合, 特征组合的净值价格我们称之为参考价格: $ReferencePrice_{i,t}$, 其中, 股票间的距离 = 1 - 两股票过去 250 个交易日涨跌幅的 pearson 相关系数;

计算股票i的价格和参考价格的对数价差:

$$
P r i c e S p e a d _ {i, t} = \ln \left(S t o c k P r i c e _ {i, t}\right) - \ln \left(R e f e r e n c e P r i c e _ {i, t}\right)
$$

经过去 $K = 60$ 日均值、标准差调整后的当前对数价差即为价差偏离度:

$$
\left| S p r e a d B i a s _ {i, t} = \frac {P r i c e S p e a d _ {i , t} - m e a n (P r i c e S p e a d _ {i , t})}{s t d (P r i c e S p e a d _ {i , t})} \right|
$$

Ⅱ 说明

价差偏离度衡量了个股相对其特征组合(相似的股票集)价格的偏离程度。在基本面没有发生重大变化的前提下,价差偏离度低,股票近期跑输其特征组合,股票相对估值偏低,有向上回复的动力,有正的预期超额收益,价差偏离度越高,股票处于相对高估状态,后期有回调的压力。

【参考文献】

朱剑涛, 2016, 投机、交易行为与股票收益(下), 东方证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：买卖意愿指标

买卖意愿指标

技术因子-动量反转型

$$
B R (N) = \text { SUM } (\text { MAX } (0, \text { HIGH - CLOSE } [ 1 ]), N) / \text { SUM } (\text { MAX } (0, \text { CLOSE } [ 1 ] - \text { LOW })
$$

默认:N=20

Ⅱ 说明

BR1指标是反映当前情况下多空双方力量争斗的结果。它以前一日的收盘价为基础，与当日的最高价、最低价相比较，通过昨日收盘价在股价中的地位反应市场买卖的人气。BR最好与AR结合使用，BR、AR均急跌，表明股价以到顶，反跌在即，投资者应尽快出货；BR比AR低，且AR<50，表明股价已经到底，投资者可吸纳低股；BR急速高升，而AR处在盘整或小跌时，表明股价正在上升；BR>AR，又转为BR<AR时，也可买进；BR攀至高峰，又以50的跌幅出现时，投资者也可低价进货，待股价升高再卖出。

【参考文献】

常规通用技术指标.

买卖意愿指标

技术因子-动量反转型

$$
B R (N) = S U M (M A X (0, H I G H - C L O S E [ 1 ]), N) / S U M (M A X (0, C L O S E [ 1 ] - L O W)
$$

默认:N=20

Ⅱ 说明

BR1指标是反映当前情况下多空双方力量争斗的结果。它以前一日的收盘价为基础，与当日的最高价、最低价相比较，通过昨日收盘价在股价中的地位反应市场买卖的人气。BR 最好与 AR 结合使用，BR、AR 均急跌，表明股价以到顶，反跌在即，投资者应尽快出货；BR 比 AR 低，且 AR<50，表明股价已经到底，投资者可吸纳低股；BR 急速高升，而 AR 处在盘整或小跌时，表明股价正在上升；BR>AR，又转为 BR<AR 时，也可买进；BR 攀至高峰，又以 50 的跌幅出现时，投资者也可低价进货，待股价升高再卖出。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 99.60%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：一致交易

一致交易

高频因子

通过定义实体 K 线, 将交易日中的每根 5 分钟 K 线划分为集体一致交易与非集体一致交易:

$$
| c l o s e - o p e n | <   = \alpha | h i g h - l o w |
$$

利用属于集体一致交易的 K 线成交量, 计算一致交易类因子:

$$
T C V _ {t} = \frac {1}{d} \sum_ {i = 1} ^ {d} (\frac {\text {ConsistentVolume}}{\text {Volume}}) _ {t - i}
$$

Ⅱ 其中

① $\alpha$ 为一致参数, $\alpha$ 越大, K 线一致性越强 (上下引线越短, K 线越实体);
② ConsistentVolume 为 5 分钟实体 K 线的总成交量；
③ Volume 为当日总成交量；
④ d 表示移动平均的周期参数。

说明

集体一致交易行为预示交易机会, 如果一支股票在一段时间内大部分的交易属于集体一致交易行为, 趋势性显著, 则很可能这支股票在这段时间内有新信息进入, 正在经历市场消化过程 (price-in), 未来股价很可能产生大幅变化, 为交易者创造交易机会。

【参考文献】

刘均伟, 2018. 一致交易因子: 挖掘集体行为背后的收益, 光大证券.

一致交易

高频因子

通过定义实体 K 线, 将交易日中的每根 5 分钟 K 线划分为集体一致交易与非集体一致交易:

$$
\left| \text {close - open} \right| <   = \alpha \left| \text {high - low} \right|
$$

利用属于集体一致交易的 K 线成交量, 计算一致交易类因子:

$$
T C V _ {t} = \frac {1}{d} \sum_ {i = 1} ^ {d} (\frac {C o n s i s t e n t V o l u m e}{V o l u m e}) _ {t - i}
$$

其他

①  $\alpha$  为一致参数,  $\alpha$  越大, K 线一致性越强 (上下引线越短, K 线越实体);
② ConsistentVolume 为 5 分钟实体K线的总成交量；
③ Volume 为当日总成交量；
④ d 表示移动平均的周期参数。

Ⅱ 说明

集体一致交易行为预示交易机会,如果一支股票在一段时间内大部分的交易属于集体一致交易行为,趋势性显著,则很可能这支股票在这段时间内有新信息进入,正在经历市场消化过程(price-in),未来股价很可能产生大幅变化,为交易者创造交易机会。

【参考文献】

刘均伟, 2018, 一致交易因子: 挖掘集体行为背后的收益, 光大证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：市盈率增长率

市盈率增长率

估值因子

最近报告期市盈率(TTM)

最近12个月归属母公司净利润(TTM)同比增速

说明

当市盈率较高时, 若市盈率增长率较低, 说明盈利增长率较高, 由于该股票的盈利增长表现出色, 即使该股票当前有较高的市盈率, 该股票相对其他股票也可能是被低估的。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006. Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

市盈率增长率

估值因子

最近报告期市盈率(TTM)

最近12个月归属母公司净利润(TTM)同比增速

Ⅱ 说明

当市盈率较高时, 若市盈率增长率较低, 说明盈利增长率较高, 由于该股票的盈利增长表现出色, 即使该股票当前有较高的市盈率, 该股票相对其他股票也可能是被低估的。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006. Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：三角移动均线指标

三角移动均线指标

技术因子-趋势型

TMA = IF(N%2=0,SMA(SMA(REAL,N/2+1),N/2),SMA(SMA(REAL,(N+1)/2),(N+1)/2))

默认:N=20

说明

三角移动平均线(TMA)是对简单移动平均线进行再平均，并使其更加平滑，即TMA是平均价格的平均值。相比于其他移动平均线，TMA有时能够更快地对价格变化作出反应。

【参考文献】

常规通用技术指标.

三角移动均线指标

技术因子-趋势型

TMA = IF(N%2=0,SMA(SMA(REAL,N/2+1),N/2),SMA(SMA(REAL,(N+1)/2),(N+1)/2))

默认:N = 20

说明

三角移动平均线(TMA)是对简单移动平均线进行再平均, 并使其更加平滑, 即TMA 是平均价格的平均值。相比于其他移动平均线, TMA 有时能够更快地对价格变化作出反应。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：钱德动量摆动指标

钱德动量摆动指标

技术因子动图反转型

$$
C Z 1 = I F (C L O S E - C L O S E [ 1 ] > 0, C L O S E - C L O S E [ 1 ], 0)
$$

$$
C Z 2 = I F (C L O S E - C L O S E [ 1 ] <   0, A B S (C L O S E - C L O S E [ 1 ], 0)
$$

$$
\mathrm{SU} (N) = \mathrm{SUM} (\mathrm{CZ1}, N)
$$

$$
\mathrm{SD} (N) = \mathrm{SUM} (\mathrm{CZ2}, N)
$$

$$
\mathrm{CMO} = (\mathrm{SU} (\mathrm{N}) - \mathrm{SD} (\mathrm{N})) / (\mathrm{SU} (\mathrm{N}) + \mathrm{SD} (\mathrm{N})) ^ {*} 1 0 0
$$

默认:N = 20

说明

CMO 指标通过计算今收与昨收的价差来判断趋势的强弱, 当 CMO 大于 50 时, 处于超买状态; 当 CMO 小于 50 时处于超卖状态。

【参考文献】

常规通用技术指标.

钱德动量摆动指标

技术因子-动图反转型

$$
\text {CZ1} = \text {IF(CLOSE - CLOSE[1] > 0,CLOSE - CLOSE[1],0)}
$$

$$
C Z 2 = \text {IF(CLOSE - CLOSE[1] <   0,ABS(CLOSE - CLOSE[1],0)}
$$

$$
\mathrm{SU} (N) = \mathrm{SUM} (\mathrm{CZ1}, N)
$$

$$
\text{SD}(N) = \text{SUM}(\text{CZ2}, N)
$$

$$
\text {CMO} = (\text {SU(N) - SD(N)}) / (\text {SU(N) + SD(N)}) ^ {*} 1 0 0
$$

默认:N = 20

Ⅱ 说明

CMO 指标通过计算今收与昨收的价差来判断趋势的强弱, 当 CMO 大于 50 时, 处于超买状态; 当 CMO 小于 50 时处于超卖状态。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 99.47%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：成交量占比

成交量占比

高频因子

开盘集合竞价成交量占比因子 OCVP:

$$
O C V P _ {t} = \frac {1}{d} \sum_ {i = 1} ^ {d} w _ {t - i} (\frac {\mathrm{每日开盘前集合竞价阶段成交量} V O L _ {c a l l}}{\mathrm{日内个股总成交量} V O L _ {t o t a l}}) _ {t - i}
$$

收盘集合竞价成交量占比因子 BCVP:

$$
B C V P _ {t} = \frac {1}{d} \sum_ {i = 1} ^ {d} \big (\frac {\mathrm{收盘前} 5 \mathrm{分钟内个股成交量} V O L _ {c a l l}}{\mathrm{日内个股总成交量} V O L _ {t o t a l}} \big) _ {t - i}
$$

成交量占比复合因子：

$$
O B C V P _ {t} = \alpha O C V P _ {t} + (1 - \alpha) B C V P _ {t}
$$

其中

$w_{i}$ 为开盘集合竞价期间不同时间点上的成交量加权权重，可以是等权，也可以是时间衰减权重； $\alpha$ 是2大成交量占比因子的复合权重。

说明

集合竞价阶段是反映投资者行为信息的重要时点，集合竞价成交量因子能反映多空双方之间的博弈，集合竞价成交量占比越低，股票次月的收益率越高。

[参考文献]

刘均伟, 2017, 见微知著: 成交强占比高频因子解析, 光大证券.

成交量占比

高频因子

开盘集合竞价成交量占比因子 OCVP:

$$
OCVP_{t} = \frac{1}{d}\sum_{i = 1}^{d}w_{t - i}\big(\frac{\text{每日开盘前集合竞价阶段成交量}VOL_{call}}{\text{日内个股总成交量}VOL_{total}}\big)_{t - i}
$$

收盘集合竞价成交量占比因子 BCVP:

$$
BCVP_{t} = \frac{1}{d}\sum_{i = 1}^{d}\big(\frac{\text{收盘前}5\text{分钟内个股成交量}VOL_{call}}{\text{日内个股总成交量}VOL_{total}}\big)_{t - i}
$$

成交量占比复合因子:

$$
O B C V P _ {t} = \alpha O C V P _ {t} + (1 - \alpha) B C V P _ {t}
$$

其中

$w_{i}$  为开盘集合竞价期间不同时间点上的成交量加权权重，可以是等权，也可以是时间衰减权重； $\alpha$  是2大成交量占比因子的复合权重。

说明

集合竞价阶段是反映投资者行为信息的重要时点，集合竞价成交量因子能反映多空双方之间的博弈，集合竞价成交量占比越低，股票次月的收益率越高。

[参考文献]

刘均伟, 2017, 见微知著: 成交盈占比高频因子解析, 光大证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

股东户数

股东因子

股东户数

说明

持有该股票的股东人数越多，股票更易流通；如果股票只集中在少数机构手中，该股的流通性会变差，会提高该股票的交易难度。

[参考文献]

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

股东户数

股东因子

股东户数

说明

持有该股票的股东人数越多，股票更易流通；如果股票只集中在少数机构手中，该股的流通性会变差，会提高该股票的交易难度。

[参考文献]

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

买卖意愿指标

技术因子-动量反转型

$$
B R (N) = S U M (M A X (0, H I G H - C L O S E [ 1 ]), N) / S U M
$$

$$
(M A X (0, C L O S E [ 1 ] - L O W)
$$

默认:N = 20

说明

BR指标是反映当前情况下多空双方力量争斗的结果。它以前一日的收盘价为基础，与当日的最高价、最低价相比较，通过昨日收盘价在股价中的地位反应市场买卖的人气。BR最好与AR结合使用，BR、AR均急跌，表明股价以到顶，反跌在即，投资者应尽快出货；BR比AR低，且AR<50，表明股价已经到底，投资者可吸纳低股；BR急速高升，而AR处在盘整或小跌时，表明股价正在上升；BR>AR，又转为BR<AR时，也可买进；BR攀至高峰，又以50的跌幅出现时，投资者也可低价进货，待股价升高再卖出。

[参考文献]

常规通用技术指标.

买卖意愿指标

技术因子-动量反转型

$$
\mathrm{BR} (N) = \text {SUM} (\text {MAX} (0, \text {HIGH - CLOSE} [ 1 ]), N) / \text {SUM}
$$

$$
(\text{MAX}(0, \text{CLOSE}[1] - \text{LOW})
$$

默认:N = 20

说明

BR指标是反映当前情况下多空双方力量争斗的结果。它以前一日的收盘价为基础，与当日的最高价、最低价相比较，通过昨日收盘价在股价中的地位反应市场买卖的人气。BR最好与AR结合使用，BR、AR均急跌，表明股价以到顶，反跌在即，投资者应尽快出货；BR比AR低，且AR<50，表明股价已经到底，投资者可吸纳低股；BR急速高升，而AR处在盘整或小跌时，表明股价正在上升；BR>AR，又转为BR<AR时，也可买进；BR攀至高峰，又以50的跌幅出现时，投资者也可低价进货，待股价升高再卖出。

[参考文献]

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

股票交易周转率

一段时间内的股票交易总额

平均总市值

其中

$$
\mathrm{平均总市值} = \frac {\mathrm{期初总市值} + \mathrm{期末总市值}}{2}
$$

说明

用于衡量在给定时期内流通在外股票的百分比，反映股票交易活跃程度以及股票交易的相对流量或是股票交易的难易程度。

[参考文献]

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

股票交易周转率



一段时间内的股票交易总额

平均总市值

其中

$$
\text {平均总市值} = \frac {\text {期初总市值} + \text {期末总市值}}{2}
$$

说明

用于衡量在给定时期内流通在外股票的百分比，反映股票交易活跃程度以及股票交易的相对流量或是股票交易的难易程度。

[参考文献]

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：货币流量指标

货币流量指标

技术因子-超买超卖型

$$
T P = (H I G H + L O W + C L O S E) / 3
$$

$$
M F = T P ^ {*} V O L
$$

$$
P F (N) = S U M \left(I F (T P > T P [ 1 ], M F, 0), N\right)
$$

$$
N F (N) = S U M (I F (T P <   = T P [ 1 ], M F, 0), N)
$$

$$
M R (N) = P F (N) / N F (N)
$$

$$
M F I = 1 0 0 - (1 0 0 / (1 + M R))
$$

默认:N = 20

说明

MFI指标是RSI扩展指标，MFI指标用成交金额代替的指数，是某一时间周期内上涨的成交量之和与下跌的成交量之和的比率。MFI>80为超买，当其回头向下跌破80时，为短线卖出时机。MFI<20为超卖，当其回头向上突破20时，为短线买进时机。

[参考文献]

常规通用技术指标.

货币流量指标

技术因子-超买超卖型

$$
\text{TP} = (\text{HIGH+LOW+CLOSE}) / 3
$$

$$
\text {MF} = \text {TP} ^ {*} \text {VOL}
$$

$$
\mathrm{PF} (N) = \text {SUM} (\text {IF} (\mathrm{TP} > \mathrm{TP} [ 1 ], \mathrm{MF}, 0), N)
$$

$$
\mathrm{NF} (N) = \mathrm{SUM} (\mathrm{IF} (\mathrm{TP} <   = \mathrm{TP} [ 1 ], \mathrm{MF}, 0), N)
$$

$$
\operatorname{MR}(N) = \operatorname{PF}(N) / \operatorname{NF}(N)
$$

$$
\text {MFI} = 1 0 0 - (1 0 0 / (1 + \mathrm{MR}))
$$

默认:N = 20

说明

MFI指标是RSI扩展指标，MFI指标用成交金额代替的指数，是某一时间周期内上涨的成交量之和与下跌的成交量之和的比率。MFI>80为超买，当其回头向下跌破80时，为短线卖出时机。MFI<20为超卖，当其回头向上突破20时，为短线买进时机。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 96.08%；正文中文字符差异超过 2%。相似度不是准确率；模型一致也不等于原文正确。

本地标题：股票发行

股票发行

$\ln(\frac{当前最新拆分调整后的总股本}{上年同期拆分调整后的总股本})$

说明

衡量股票发行年度变动情况，作者发现，股票发行与横截面股票收益预测有较强的负相关关系。

[参考文献]

Pontiff, Jeffrey, and Artemiza Woodgate, 2008, Share issuance and cross-sectional returns, Journal of Finance 63, 921-945.

股票发行

投资因子

$\ln\left(\frac{\text{当前最新拆分调整后的总股本}}{\text{上年同期拆分调整后的总股本}}\right)$

说明

衡量股票发行年度变动情况，作者发现，股票发行与横截面股票收益预测有较强的负相关关系。

[参考文献]

Pontiff, Jeffrey, and Artemiza Woodgate, 2008, Share issuance and cross-sectional returns, Journal of Finance 63, 921-945.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

关注度修正预期收益率

分析师因子

$$
C T R = \operatorname{Rank} (W T R) * \operatorname{Rank} (C)
$$

其中

① $Rank(WTR)$ 为横截面上WTR加权预期收益率因子的排序值；
② $Rank(C)$ 为横截面上关注度因子C的排序值；
③ 关注度因子的定义为：回看过去一段时间的分析师预期，分别统计覆盖不同股票的分析师数量，结果按机构保留唯一值。

说明

关注度修正预期收益率综合了股票关注度对分析师预测的影响：分析师给的目标价格还会受到分析师情绪的影响，而关注度高的股票，会导致研究的同质化，进而减弱分析师情绪的影响。

[参考文献]

魏建榕, 2021, 分析师目标价的 Alpha 信息, 开源证券.

关注度修正预期收益率

分析师因子

$$
C T R = R a n k (W T R) * R a n k (C)
$$

其中

① Rank(WTR) 为横截面上WTR加权预期收益率因子的排序值；
② $Rank(C)$ 为横截面上关注度因子C的排序值；
③ 关注度因子的定义为:回看过去一段时间的分析师预期，分别统计覆盖不同股票的分析师数量，结果按机构保留唯一值。

说明

关注度修正预期收益率综合了股票关注度对分析师预测的影响:分析师给的目标价格还会受到分析师情绪的影响，而关注度高的股票，会导致研究的同质化，进而减弱分析师情绪的影响。

[参考文献]

魏建榕, 2021, 分析师目标价的 Alpha 信息, 开源证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：估波指标

估波指标

技术因子-趋势型

$$
R (N 1) = ((C L O S E - C L O S E [ N 1 ]) / C L O S E [ N 1 ]) ^ {*} 1 0 0
$$

$$
R (N 2) = ((C L O S E - C L O S E [ N 2 ]) / C L O S E [ N 2 ] ^ {*} 1 0 0
$$

$$
R C (N 1, N 2) = R (N 1) + R (N 2)
$$

$$
\text { COPPOCK } (N 1, N 2, N 3) = \text { WMA } (\text { RC } (N 1, N 2), N 3)
$$

$$
\text { 默认 }: N 1 = 1 4, N 2 = 1 1, N 3 = 1 0
$$

说明

估波指标又称为“估波曲线”，通过计算月度价格的变化速率的加权平均值来测量市场的动量，属于长线指标。该指标适合在指数的月线图表中分析，当指标向上穿越零线，预示牛市来临，是中期买入信号，但其不适宜寻找卖出时机，需结合其它指标来进行分析。

[参考文献]

常规通用技术指标.

估波指标

技术因子-趋势型

$$
R (N 1) = \left(\left(\text {CLOSE - CLOSE} [ N 1 ]\right) / \text {CLOSE} [ N 1 ]\right) ^ {*} 1 0 0
$$

$$
R (N 2) = ((\text {CLOSE - CLOSE} [ N 2 ]) / \text {CLOSE} [ N 2 ] ^ {*} 1 0 0
$$

$$
R C (N 1, N 2) = R (N 1) + R (N 2)
$$

$$
\text {COPPOCK} (N 1, N 2, N 3) = \text {WMA} (\text {RC} (N 1, N 2), N 3)
$$

$$
\text {默认}: N 1 = 1 4, N 2 = 1 1, N 3 = 1 0
$$

说明

估波指标又称为“估波曲线”，通过计算月度价格的变化速率的加权平均值来测量市场的动量，属于长线指标。该指标适合在指数的月线图表中分析，当指标向上穿越零线，预示牛市来临，是中期买入信号，但其不适宜寻找卖出时机，需结合其它指标来进行分析。

[参考文献]

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：企业年龄

企业年龄

无形资产因子

当前时刻与公司IPO日之间的月份数量

说明

上市时间久的公司比上市时间短的公司能获得更高的投资收益。

[参考文献]

Jiang, Guohua, Charles M. C. Lee, and Yi Zhang, 2005, Information uncertainty and expected returns, Review of Accounting Studies 10, 185-221.

企业年龄

无形资产因子

当前时刻与公司IPO日之间的月份数量

说明

上市时间久的公司比上市时间短的公司能获得更高的投资收益。

【参考文献】

Jiang, Guohua, Charles M. C. Lee, and Yi Zhang, 2005, Information uncertainty and expected returns, Review of Accounting Studies 10, 185-221.

本地与历史 OCR 对比：正文中文字符相似度 99.22%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：心理线

心理线

技术因子-动量反车型

$$
\mathrm{PSY} = 1 0 0 ^ {*} \text { COUNT } (\text { CLOSE } > \text { CLOSE } [ 1 ]), N) / N
$$

默认:N = 12

说明

PSY将一定时期内投资者趋向买方或卖方的心理事实转化为数值，形成人气指数，从而判断股价的未来趋势；通常，指标小于25时关注做多机会，大于75时关注做空机会，小于10为极度超卖，大于90为极度超买，市场宽幅振荡时，PSY也会25\~75区间反复突破，给出无效信号。

[参考文献]

常规通用技术指标.

心理线

技术因子-动量反转型

$$
\text {PSY} = 1 0 0 ^ {*} \text {COUNT} (\text {CLOSE} > \text {CLOSE} [ 1 ]), N) / N
$$

默认:N = 12

说明

PSY将一定时期内投资者趋向买方或卖方的心理事实转化为数值，形成人气指数，从而判断股价的未来趋势；通常，指标小于25时关注做多机会，大于75时关注做空机会，小于10为极度超卖，大于90为极度超买，市场宽幅振荡时，PSY也会25~75区间反复突破，给出无效信号。

[参考文献]

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 96.70%；正文中文字符差异超过 2%。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

持仓机构个数

持仓机构个数

说明

持仓机构个数统计了持有该股票的机构总数量，有越多机构持仓的股票，越受机构投资偏爱，未来收益会更强。

[参考文献]

胡翠聪，刘均伟，2020，股东大类因子：拆解股东数据中的多元信息，光大证券.

持仓机构个数



持仓机构个数

说明

持仓机构个数统计了持有该股票的机构总数量，有越多机构持仓的股票，越受机构投资偏爱，未来收益会更强。

[參考文獻]

胡骏聪，刘均伟，2020，股东大类因子:拆解股东数据中的多元信息，光大证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

资本利得突出量

动量因子

$$
R P _ {t} = \frac {1}{k} \sum_ {n = 1} ^ {T} \left(V _ {t - n} \prod_ {\tau = 1} ^ {n - 1} \left(1 - V _ {t - n + \tau}\right)\right) P _ {t - n}
$$

$$
C G O _ {t} = \frac {P _ {t - 1} - R P _ {t}}{P _ {t - 1}}
$$

其中

① $V_{t}$ 为股票在第 $\mathsf{t}$ 周的换手率、 $P_{t}$ 为第 $\mathsf{t}$ 周末的股价；
② T=260，为过去5年的周数；
③ k 为价格前面权重进行归一化的系数；
④ $RP_{t}$ 为第 t 周的参考价格 Reference Price。

说明

参考价格代表了当前的平均成交价格（价格前基于换手率的权重衡量了股票持有至今仍未被交易的概率），CGO衡量了当前时点投资者的平均盈亏情况；CGO与股票未来收益通常正相关（A股相反），CGO越大，表示投资者平均盈利越高，卖出股票的倾向越强烈，对股价造成打压，股价更有可能被低估，未来收益更高。

[参考文献]

① Huijun W., Jinghua Y., Jianfeng Y., 2016, Reference-dependent preferences and the risk-return trade-off, Journal of Financial Economics, 123(2): 395-414.
② Grinblatt, M., B. Han, 2005, Prospect theory, mental accounting, and momentum. Journal of Financial Economics, 78(2), 311-339.

资本利得突出量

动量因子

$$
R P _ {t} = \frac {1}{k} \sum_ {n = 1} ^ {T} \left(V _ {t - n} \prod_ {\tau = 1} ^ {n - 1} \left(1 - V _ {t - n + \tau}\right)\right) P _ {t - n}
$$

$$
C G O _ {t} = \frac {P _ {t - 1} - R P _ {t}}{P _ {t - 1}}
$$

其中

① $V_{t}$ 为股票在第 $\mathrm{t}$ 周的换手率、$P_{t}$ 为第 $\mathrm{t}$ 周末的股价；
② T=260，为过去5年的周数；
③ k 为价格前面权重进行归一化的系数；
④  $RP_{t}$  为第 t 周的参考价格 Reference Price。

说明

参考价格代表了当前的平均成交价格（价格前基于换手率的权重衡量了股票持有至今仍未被交易的概率），CGO 衡量了当前时点投资者的平均盈亏情况；CGO 与股票未来收益通常正相关（A 股相反），CGO 越大，表示投资者平均盈利越高，卖出股票的倾向越强烈，对股价造成打压，股价更有可能被低估，未来收益更高。

[参考文献]

① Huijun W., Jinghua Y., Jianfeng Y., 2016, Reference-dependent preferences and the risk-return trade-off, Journal of Financial Economics, 123(2): 395-414.
② Grinblatt, M., B. Han, 2005, Prospect theory, mental accounting, and momentum.Journal of Financial Economics, 78(2), 311-339.

本地与历史 OCR 对比：正文中文字符相似度 99.45%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

每笔成交量差分标准差

高频因子-成交分布类

$$
d i f f _ {i} = v o l b _ {i} - v o l b _ {i - 1}
$$

$$
d i f f \_ m e a n _ {d a y} = m e a n (a b s \left(\frac {d i f f _ {i}}{m e a n (\{v o l b _ {i} \})}\right)
$$

$$
d i f f \_ s t d _ {v o l b} = m e a n (\{d i f f \_ s t d _ {d a y} \})
$$

其中

$volb_{i}$ 为个股日内 240 根 1 分钟 K 线的每笔成交量（成交量/成交笔数）， $diff\_std_{day}$ 取过去 20 个交易日数据。

说明

上述因子通过计算差分从成交量数据中提取出时间序列信息，是对数据局部峰值的度量，而局部峰值可能是对趋势交易者或知情交易者交易行为的刻画，其参与交易越多的个股在未来一段时间内的收益越高，因子表现出正向收益能力。

[参考文献]

豫川桃，郑起，2020，高频因子(九)：高频波动中的时间序列信息，长江证券.

每笔成交量差分标准差

高频因子-成交分布类

$$
d i f f _ {i} = v o l b _ {i} - v o l b _ {i - 1}
$$

$$
d i f f \_ m e a n _ {d a y} = m e a n (a b s \left(\frac {d i f f _ {i}}{m e a n (\{v o l b _ {i} \})}\right)
$$

$$
d i f f \_ s t d _ {v o l b} = m e a n (\{d i f f \_ s t d _ {d a y} \})
$$

其中

volb$_{i}$ 为个股日内 240 根 1 分钟 K 线的每笔成交量（成交量/成交笔数），diff_std$_{day}$ 取过去 20 个交易日数据。

说明

上述因子通过计算差分从成交量数据中提取出时间序列信息，是对数据局部峰值的度量，而局部峰值可能是对趋势交易者或知情交易者交易行为的刻画，其参与交易越多的个股在未来一段时间内的收益越高，因子表现出正向收益能力。

[参考文献]

鲁川桃，郑起，2020，高频因子(九):高频波动中的时间序列信息，长江证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：股东户数

股东户数

股东因子

股东户数

说明

持有该股票的股东人数越多，股票更易流通；如果股票只集中在少数机构手中，该股的流通性会变差，会提高该股票的交易难度。

[参考文献]

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

股东户数

股东因子

股东户数

说明

持有该股票的股东人数越多，股票更易流通；如果股票只集中在少数机构手中，该股的流通性会变差，会提高该股票的交易难度。

【参考文献】

Ludwig B. Chincarini, Daehwan Kim, 2006, Quantitative Equity Portfolio Management: An Active Approach to Portfolio Construction and Management (1st edition), McGraw-Hill Library of Investment and Finance.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：模糊金额比

模糊金额比

高频因子-成交分布类

① 对股票 i 计算 n 日内的 1 分钟收益率；计算第 t 分钟的波动率，即 [t-4, t] 区间内分钟收益率的标准差；计算第 t 分钟的模糊性，即 [t-4, t] 区间内上述分钟波动率的标准差；
② 将日内模糊性大于日内模糊性均值的时间段为“起雾时刻”；
③ 计算 “起雾时刻” 的分钟成交额均值为 “雾中金额”，计算日内所有时刻的分钟成交额均值为 “总体金额”；
④ 计算 “日模糊金额比” = “雾中金额” / “总体金额”。

其中

① 计算上述因子时，剔除开盘和收盘数据，仅保留日内交易数据，所以开盘前9分钟的模糊性为空值；
② 每月末可对最近 20 天的上述因子求均值和标准差并将两者等权合并，即得到月度“模糊金额比”因子。

说明

模糊金额比因子从金额维度统计了投资者在模糊性较大时的成交程度，同样衡量了投资者对模糊性的厌恶程度，与未来收益负相关；投资者对波动率模糊性的厌恶心理会使得投资者急于卖出而产生过度反应，未来很可能会补涨。

【参考文献】

①曹春晓，2022，波动率的波动率与投资者模糊性厌恶，方正证券.
② Kostopoulos D, Meyer S, Uhr C, 2021, Ambiguity about volatility and investor behavior, Journal of Financial Economics.

模糊金额比

高频因子-成交分布类

① 对股票 i 计算 n 日内的 1 分钟收益率；计算第 t 分钟的波动率，即 [t-4, t] 区间内分钟收益率的标准差；计算第 t 分钟的模糊性，即 [t-4, t] 区间内上述分钟波动率的标准差；
② 将日内模糊性大于日内模糊性均值的时间段为“起雾时刻”；
③ 计算“起雾时刻”的分钟成交额均值为“雾中金额”，计算日内所有时刻的分钟成交额均值为“总体金额”；
④ 计算 “日模糊金额比” = “雾中金额” / “总体金额”。

其中

① 计算上述因子时，剔除开盘和收盘数据，仅保留日内交易数据，所以开盘前9分钟的模糊性为空值；
② 每月末可对最近 20 天的上述因子求均值和标准差并将两者等权合并，即得到月度“模糊金额比”因子。

说明

模糊金额比因子从金额维度统计了投资者在模糊性较大时的成交程度，同样衡量了投资者对模糊性的厌恶程度，与未来收益负相关；投资者对波动率模糊性的厌恶心理会使得投资者急于卖出而产生过度反应，未来很可能会补涨。

【参考文献】

① 曹春晓, 2022, 波动率的波动率与投资者模糊性厌恶, 方正证券.
② Kostopoulos D, Meyer S, Uhr C, 2021, Ambiguity about volatility and investor behavior, Journal of Financial Economics.

本地与历史 OCR 对比：正文中文字符相似度 98.91%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：订单失衡

订单失衡

高频因子-流动性类

$$
V O I _ {t} = \Delta V _ {t} ^ {W B} - \Delta V _ {t} ^ {W A}
$$

$$
\Delta V _ {t} ^ {W B} = \left\{ \begin{array}{l l} 0 & P _ {t} ^ {B} <   P _ {t - 1} ^ {B} \\ V _ {t} ^ {W B} - V _ {t - 1} ^ {W B} & P _ {t} ^ {B} = P _ {t - 1} ^ {B} \\ V _ {t} ^ {W B} & P _ {t} ^ {B} > P _ {t - 1} ^ {B} \end{array} \right. \quad \Delta V _ {t} ^ {W A} = \left\{ \begin{array}{l l} V _ {t} ^ {W A} & P _ {t} ^ {A} <   P _ {t - 1} ^ {A} \\ V _ {t} ^ {W A} - V _ {t - 1} ^ {W A} & P _ {t} ^ {A} = P _ {t - 1} ^ {A} \\ 0 & P _ {t} ^ {A} > P _ {t - 1} ^ {A} \end{array} \right.
$$

其中

① $V_{t}^{WB(WA)} = \frac{\sum w_{i}\times V_{i,t}^{B(A)}}{\sum w_{i}},w = 1 - (i - 1) / 5,i = 1,2,3,4$ 为衰减加权委托量；
② $P_{t}^{B}$ 和 $P_{t}^{A}$ 分别为 t 时刻的买一价和卖一价；
③ $V_{t}^{B}$ 和 $V_{t}^{A}$ 分别为 t 时刻的买一和卖一的委托量。

说明

订单失衡因子为委托买入量与委托卖出量之差，衡量了盘口订单的不平衡程度，刻画了交易者的交易意图（知情交易者的信息差异使得订单不平衡）；订单失衡因子短期与收益率呈正相关，长期会出现反转（存在散户的追涨杀跌和主力的短期市场操纵）。

[参考文献]

丁弥明，陈升锐，2020，高频浆价选股因子初探，中信建投证券.

订单失衡

高频因子-流动性类

$$
V O I _ {t} = \Delta V _ {t} ^ {W B} - \Delta V _ {t} ^ {W A}
$$

$$
\Delta V _ {t} ^ {W B} = \left\{ \begin{array}{l l} 0 & P _ {t} ^ {B} <   P _ {t - 1} ^ {B} \\ V _ {t} ^ {W B} - V _ {t - 1} ^ {W B} & P _ {t} ^ {B} = P _ {t - 1} ^ {B} \\ V _ {t} ^ {W B} & P _ {t} ^ {B} > P _ {t - 1} ^ {B} \end{array} \right. \Delta V _ {t} ^ {W A} = \left\{ \begin{array}{l l} V _ {t} ^ {W A} & P _ {t} ^ {A} <   P _ {t - 1} ^ {A} \\ V _ {t} ^ {W A} - V _ {t - 1} ^ {W A} & P _ {t} ^ {A} = P _ {t - 1} ^ {A} \\ 0 & P _ {t} ^ {A} > P _ {t - 1} ^ {A} \end{array} \right.
$$

其中

① $V_{t}^{WB(WA)} = \frac{\sum w_{i}\times V_{i,t}^{B(A)}}{\sum w_{i}},w = 1 - (i - 1) / 5,i = 1,2,3,4$ 为衰减加权委托量；
② $P_{t}^{B}$ 和 $P_{t}^{A}$ 分别为 $\mathrm{t}$ 时刻的买一价和卖一价；
③ $V_{t}^{B}$ 和 $V_{t}^{A}$ 分别为 t 时刻的买一和卖一的委托量。

说明

订单失衡因子为委托买入量与委托卖出量之差，衡量了盘口订单的不平衡程度，刻画了交易者的交易意图（知情交易者的信息差异使得订单不平衡）；订单失衡因子短期与收益率呈正相关，长期会出现反转（存在散户的追涨杀跌和主力的短期市场操纵）。

[参考文献]

丁鲁明，陈升锐，2020，高频染价选股因子初探，中信建投证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：操纵性总应计盈余

操纵性总应计盈余

财务质量因子

分行业分年度进行如下截面回归：

$$
\frac {T A _ {i , t}}{A _ {i , t - 1}} = \alpha_ {i, 1} \frac {1}{A _ {i , t - 1}} + \alpha_ {i, 2} \frac {\Delta R E V _ {i , t}}{A _ {i , t - 1}} + \alpha_ {i, 3} \frac {P P E _ {i , t}}{A _ {i , t - 1}} + \varepsilon_ {i, t}
$$

将上述回归得到的回归系数代入下面的方程，即得到非操纵性总应计盈余：

$$
N D T A C _ {i, t} = \alpha_ {i, 1} \frac {1}{A _ {i , t - 1}} + \alpha_ {i, 2} \frac {\Delta R E V _ {i , t} - \Delta R E C _ {i , t}}{A _ {i , t - 1}} + \alpha_ {i, 3} \frac {P P E _ {i , t}}{A _ {i , t - 1}}
$$

将非操纵性总应计盈余从总应计盈余中扣除：

$$
D T A C _ {i, t} = \frac {T A _ {i , t}}{A _ {i , t - 1}} - N D T A C _ {i, t}
$$

其中

① $TA_{i,t}$ 为股票i在t期的总应计盈余，计算细节见相关页；
② $A_{i,t - 1}$ 股票i在t-1期的总资产，用于标准化各财务指标；
③ $\Delta REV_{i,t}$ 为股票 i 在 t 期相对 t-1 期的营业收入增加额；
④ $\Delta REC_{i,t}$ 为股票 $i$ 在 $t$ 期相对 $t - 1$ 期的应收账款增加额；
⑤ $PPE_{i,t}$ 为股票 i 在 t 期的期末固定资产总额。

说明

上述计算方法对应的是修正后 Jones 模型，只需去掉应收账款款项就能得到原始的 Jones 模型；总应计盈余可以分为非操纵性总应计盈余和操纵性总应计盈余 2 部分，其中的操纵性应计盈余对应的就是企业出于某种动机而进行的盈余管理，其与股票未来收益负相关。

[参考文献]

① Dechow P., Sloan R., Sweeney A, 1995, Detecting Earnings Management, The Accounting Review 70(2), 193-225.
② Jones J., 1991, Earnings Management During Import Relief Investigations. Journal of Accounting Research 29(2), 193-228.

操纵性总应计盈余

财务质量因子

分行业分年度进行如下截面回归:

$$
\frac {T A _ {i , t}}{A _ {i , t - 1}} = \alpha_ {i, 1} \frac {1}{A _ {i , t - 1}} + \alpha_ {i, 2} \frac {\Delta R E V _ {i , t}}{A _ {i , t - 1}} + \alpha_ {i, 3} \frac {P P E _ {i , t}}{A _ {i , t - 1}} + \varepsilon_ {i, t}
$$

将上述回归得到的回归系数代入下面的方程，即得到非操纵性总应计盈余:

$$
N D T A C _ {i, t} = \alpha_ {i, 1} \frac {1}{A _ {i , t - 1}} + \alpha_ {i, 2} \frac {\Delta R E V _ {i , t} - \Delta R E C _ {i , t}}{A _ {i , t - 1}} + \alpha_ {i, 3} \frac {P P E _ {i , t}}{A _ {i , t - 1}}
$$

将非操纵性总应计盈余从总应计盈余中扣除:

$$
D T A C _ {i, t} = \frac {T A _ {i , t}}{A _ {i , t - 1}} - N D T A C _ {i, t}
$$

其中

① $TA_{i,t}$ 为股票i在t期的总应计盈余，计算细节见相关页；
② $A_{i,t - 1}$ 股票i在t-1期的总资产，用于标准化各财务指标；
③ $\Delta REV_{i,t}$ 为股票i在t期相对t-1期的营业收入增加额；
④ $\Delta REC_{i,t}$ 为股票i在t期相对t-1期的应收账款增加额；
⑤ $PPE_{i,t}$ 为股票i在t期的期末固定资产总额。

说明

上述计算方法对应的是修正后 Jones 模型，只需去掉应收账款款项就能得到原始的 Jones 模型；总应计盈余可以分为非操纵性总应计盈余和操纵性总应计盈余 2 部分，其中的操纵性应计盈余对应的就是企业出于某种动机而进行的盈余管理，其与股票未来收益负相关。

[参考文献]

(1) Dechow P., Sloan R., Sweeney A, 1995, Detecting Earnings Management, The Accounting Review 70(2), 193-225.
(② Jones J., 1991, Earnings Management During Import Relief Investigations. Journal of Accounting Research 29(2), 193-228.

本地与历史 OCR 对比：正文中文字符相似度 99.83%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：质量因子

质量因子

质量因子

通过 Gordon 成长模型分解为 3 个维度；计算各维度细分指标的横截面排序并进行 z-score 标准化，然后加总各指标 z-score 并进行标准化，得到各维度的得分；加总 3 个维度的得分并再次标准化，得到各股票的质量因子。

$$
\begin{array}{l} \frac {\text {Price}}{\text {BookValue}} = \frac {\text {Dividend / BookValue}}{\text {RequiredReturn} - \text {Growth}} \\ = \frac {\left(\text {Profit} / \text {BookValue}\right) * \left(\text {Dividend} / \text {Profit}\right)}{\text {RequiredReturn} - \text {Growth}} \\ = \frac {\text {Profitability} - \text {PayoutRatio}}{\text {RequiredReturn} - \text {Growth}} \\ \end{array}
$$

其中

3 个维度分别为：

① Profitability 表示盈利能力，包括毛利率比总资产（gross profit over assets, GPOA）、ROE、ROA、现金流比总资产（cash flow over assets, CFOA）、毛利率（gross margin）和盈利中现金的占比（即盈利减去应计项目，ACC）这6个指标；
② Growth 表示成长能力，用于反映衡量盈利能力指标的变化率；
③ RequiredReturn 表示公司的稳定性或者安全性，包括低beta（BAB）、低杠杆率、低破产概率（O-score）和低ROE波动率；
④ PayoutRatio 表示股东所得红利在总利润中的占比，主要用来衡量公司的偿付能力（作者在 2019 发布的质量因子未使用该维度）。

说明

质量因子在衰退期和波动率突然大涨的时期表现最好，在大熊市期间表现也不错，这表明质量因子有助于控制组合的风险。

[参考文献]

Asness, Clifford S., Andrea Frazzini, Lasse Heje Pedersen, 2019, Quality Minus Junk, Review of Accounting Studies 24(1), 34–112.

质量因子

质因子

通过 Gordon 成长模型分解为 3 个维度；计算各维度细分指标的横截面排序并进行 z-score 标准化，然后加总各指标 z-score 并进行标准化，得到各维度的得分；加总 3 个维度的得分并再次标准化，得到各股票的质量因子。

$$
\begin{array}{l} \frac {\text {Price}}{\text {BookValue}} = \frac {\text {Dividend / BookValue}}{\text {RequiredReturn} - \text {Growth}} \\ = \frac {(P r o f i t / B o o k V a l u e) * (D i v i d e n d / P r o f i t)}{R e q u i r e d R e t u r n - G r o w t h} \\ = \frac {\text {Profitability} - \text {PayoutRatio}}{\text {RequiredReturn} - \text {Growth}} \\ \end{array}
$$

其中

3 个维度分别为:

① Profitability 表示盈利能力，包括毛利率比总资产（gross profit over assets, GPOA）、ROE、ROA、现金流比总资产（cash flow over assets, CFOA）、毛利率（gross margin）和盈利中现金的占比（即盈利减去应计项目，ACC）这6个指标；
② Growth 表示成长能力，用于反映衡量盈利能力指标的变化率；
③ RequiredReturn 表示公司的稳定性或者安全性，包括低beta（BAB）、低杠杆率、低破产概率（O-score）和低 ROE 波动率；
④ PayoutRatio 表示股东所得红利在总利润中的占比，主要用来衡量公司的偿付能力（作者在 2019 发布的质量因子未使用该维度）。

说明

质量因子在衰退期和波动率突然大涨的时期表现最好，在大熊市期间表现也不错，这表明质量因子有助于控制组合的风险。

[参考文献]

Asness, Clifford S., Andrea Fiazzini, Lasse Heje Pedersen, 2019, Quality Minus Junk, Review of Accounting Studies 24(1), 34-112.

本地与历史 OCR 对比：正文中文字符相似度 99.45%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：多层次订单失衡

多层次订单失衡

高频因子-流动性类

$$
M O F I _ {w e i g h t} = \frac {\sum w _ {i} \times O F I _ {t} ^ {(i)}}{\sum w _ {i}}, w _ {i} = \frac {i}{5}, i = 1, 2, 3, 4, 5
$$

$$
\Delta V _ {t} ^ {B} = \left\{ \begin{array}{l l} - V _ {t - 1} ^ {B} & P _ {t} ^ {B} <   P _ {t - 1} ^ {B} \\ V _ {t} ^ {B} - V _ {t - 1} ^ {B} & P _ {t} ^ {B} = P _ {t - 1} ^ {B} \\ V _ {t} ^ {B} & P _ {t} ^ {B} > P _ {t - 1} ^ {B} \end{array} \right. \quad \Delta V _ {t} ^ {A} = \left\{ \begin{array}{l l} V _ {t} ^ {A} & P _ {t} ^ {A} <   P _ {t - 1} ^ {A} \\ V _ {t} ^ {A} - V _ {t - 1} ^ {A} & P _ {t} ^ {A} = P _ {t - 1} ^ {A} \\ - V _ {t - 1} ^ {A} & P _ {t} ^ {A} > P _ {t - 1} ^ {A} \end{array} \right.
$$

其中

① $OFI_{t}^{(i)}$ 为第 i 档下的订单失衡因子；
② $P_{t}^{B}$ 和 $P_{t}^{A}$ 分别为 $\mathbf{t}$ 时刻的买一价和卖一价；
③ $V_{t}^{B}$ 和 $V_{t}^{A}$ 分别为 t 时刻的买一量和卖一量。

说明

MOFI衡量了不同档位订单失衡的加权累积影响，能更准确量化订单失衡对股价的短期和长期影响。短期内，订单失衡通常与未来收益正相关；中长期内，随着买卖压力失衡的消失，股票的超额收益出现均值回复，与收益相关性会减弱。

[参考文献]

丁鲁明，陈升锐，2021，多层次订单失衡及订单斜率因子，中信建投证券.

多层次订单失衡

高频因子-流动性类

$$
M O F I _ {w e i g h t} = \frac {\sum w _ {i} \times O F I _ {t} ^ {(i)}}{\sum w _ {i}}, w _ {i} = \frac {i}{5}, i = 1, 2, 3, 4, 5
$$

$$
\Delta V _ {t} ^ {B} = \left\{ \begin{array}{l l} - V _ {t - 1} ^ {B} & P _ {t} ^ {B} <   P _ {t - 1} ^ {B} \\ V _ {t} ^ {B} - V _ {t - 1} ^ {B} & P _ {t} ^ {B} = P _ {t - 1} ^ {B} \\ V _ {t} ^ {B} & P _ {t} ^ {B} > P _ {t - 1} ^ {B} \end{array} \right. \quad \Delta V _ {t} ^ {A} = \left\{ \begin{array}{l l} V _ {t} ^ {A} & P _ {t} ^ {A} <   P _ {t - 1} ^ {A} \\ V _ {t} ^ {A} - V _ {t - 1} ^ {A} & P _ {t} ^ {A} = P _ {t - 1} ^ {A} \\ - V _ {t - 1} ^ {A} & P _ {t} ^ {A} > P _ {t - 1} ^ {A} \end{array} \right.
$$

其中

① $OFI_{t}^{(i)}$ 为第i档下的订单失衡因子；
② $P_{t}^{B}$ 和 $P_{t}^{A}$ 分别为 $\mathrm{t}$ 时刻的买一价和卖一价；
③ $V_{t}^{B}$ 和 $V_{t}^{A}$ 分别为 $\mathrm{t}$ 时刻的买一量和卖一量。

说明

MOFI 衡量了不同档位订单失衡的加权累积影响，能更准确量化订单失衡对股价的短期和长期影响。短期内，订单失衡通常与未来收益正相关；中长期内，随着买卖压力失衡的消失，股票的超额收益出现均值回复，与收益相关性会减弱。

【参考文献】

丁岱明，陈升锐，2021，多层次订单失衡及订单斜率因子，中信建投证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

负收益非流动性

流动性因子

负的日收益率/负收益的当天的日成交额，按月取平均，即：

$$
I L L I Q _ {i, t} = \frac {1}{n _ {d}} \sum_ {k \in d} \frac {| r d _ {i , t - k} |}{A m o u n t _ {i , t - k}}
$$

其中

① $rd_{i,t-k}$ 为负的日收益率；
② $Amount_{i,t-k}$ 为负收益当天的日成交额；
③ $n_{d}$ 为下跌的天数。

说明

负收益非流动性度量了股票收益率为负的时候的流动性，若股票负的非流动性较大，则需要更高的风险溢价来补偿非流动性风险。

【参考文献】

① Brennan, M., Huh, S. W., & Subrahmanyam, A., 2013, An analysis of the Amihud illiquidity premium. Review of Asset Pricing Studies 3(1), 133-176.
② 朱剑涛, 2017, 技术类新 Alpha 因子的批条测试, 东方证券.

负收益非流动性

流动性因子

负的日收益率/负收益的当天的日成交额，按月取平均，即:

$$
I L L I Q _ {i, t} = \frac {1}{n _ {d}} \sum_ {k \in d} \frac {| r d _ {i , t - k} |}{A m o u n t _ {i , t - k}}
$$

其中

① $rd_{i,t - k}$ 为负的日收益率；
② $Amount_{i,t-k}$ 为负收益当天的日成交额；
③  $n_{d}$  为下跌的天数。

说明

负收益非流动性度量了股票收益率为负的时候的流动性，若股票负的非流动性较大，则需要更高的风险溢价来补偿非流动性风险。

【参考文献】

① Brennan, M., Huh, S. W., & Subrahmanyam, A., 2013, An analysis of the Amihud illiquidity premium. Review of Asset Pricing Studies 3(1), 133-176.
② 朱剑涛, 2017, 技术类新 Alpha 因子的批条测试, 东方证券.

本地与历史 OCR 对比：正文中文字符相似度 99.22%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：估波指标

估波指标

技术因子

$$
R (N 1) = ((C L O S E - C L O S E [ N 1 ]) / C L O S E [ N 1 ]) ^ {*} 1 0 0
$$

$$
R (N 2) = ((C L O S E - C L O S E [ N 2 ]) / C L O S E [ N 2 ] ^ {*} 1 0 0
$$

$$
R C (N 1, N 2) = R (N 1) + R (N 2)
$$

$$
\text { COPPOCK } (N 1, N 2, N 3) = \text { WMA } (\text { RC } (N 1, N 2), N 3)
$$

$$
\text { 默认 }: N 1 = 1 4, N 2 = 1 1, N 3 = 1 0
$$

说明

估波指标又称为“估波曲线”，通过计算月度价格的变化速率的加权平均值来测量市场的动量，属于长线指标。该指标适合在指数的月线图表中分析，当指标向上穿越零线，预示牛市来临，是中期买入信号，但其不适宜寻找卖出时机，需结合其它指标来进行分析。

[参考文献]

常规通用技术指标.

估波指标

技术因子

$$
R (N 1) = \left(\left(\text {CLOSE - CLOSE} [ N 1 ]\right) / \text {CLOSE} [ N 1 ]\right) ^ {*} 1 0 0
$$

$$
R (N 2) = ((\text {CLOSE - CLOSE} [ N 2 ]) / \text {CLOSE} [ N 2 ] ^ {*} 1 0 0
$$

$$
R C (N 1, N 2) = R (N 1) + R (N 2)
$$

$$
\text {COPPOCK} (N 1, N 2, N 3) = \text {WMA} (\text {RC} (N 1, N 2), N 3)
$$

默认:N1 = 14、N2 = 11、N3 = 10

说明

估波指标又称为“估波曲线”，通过计算月度价格的变化速率的加权平均值来测量市场的动量，属于长线指标。该指标适合在指数的月线图表中分析，当指标向上穿越零线，预示牛市来临，是中期买入信号，但其不适宜寻找卖出时机，需结合其它指标来进行分析。

[参考文献]

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

加权预期收益率

分析师因子

$$
W T R = \sum \frac {P _ {i} ^ {e}}{P _ {i} ^ {0}} = \frac {\sum P _ {i} ^ {e} \times P / P _ {i} ^ {0}}{P} = \sum \frac {P _ {i} ^ {e}}{P} \omega_ {i} = T R \times W
$$

其中

① $P_{i}^{c}$ 为第i家机构发布的股票目标价格；
② $P_{i}^{0}$ 表示在第i家机构发布价格预测前一个交易日的收盘价；
③ P 为月末计算因子时的股票收盘价；
④ N 为发布分析师预期目标价格的机构数量。

说明

加权后的目标收益率，加入了利用后续行情验证目标价格的权重 $w_{i}$ ，如果股票价格走势能够验证分析师的目标收益率（ $w_{i} > 1$ ），则应给予目标价格更大的权重；反之，给予更小的权重。

[参考文献]

魏建榕, 2021, 分析师目标价的 Alpha 信息, 开源证券.

加权预期收益率

分析师因子

$$
W T R = \sum \frac {P _ {i} ^ {e}}{P _ {i} ^ {0}} = \frac {\sum P _ {i} ^ {e} \times P / P _ {i} ^ {0}}{P} = \sum \frac {P _ {i} ^ {e}}{P} \omega_ {i} = T R \times W
$$

其中

①  $P_{i}^{c}$  为第 i 家机构发布的股票目标价格；
② $P_{i}^{0}$ 表示在第i家机构发布价格预测前一个交易日的收盘价；
③ $P$ 为月末计算因子时的股票收盘价；
④ N 为发布分析师预期目标价格的机构数量。

说明

加权后的目标收益率，加入了利用后续行情验证目标价格的权重 $w_{i}$，如果股票价格走势能够验证分析师的目标收益率（$w_{i} > 1$），则应给予目标价格更大的权重；反之，给予更小的权重。

[参考文献]

魏建榕, 2021, 分析师目标价的 Alpha 信息, 开源证券.

本地与历史 OCR 对比：正文中文字符相似度 99.40%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：日内收益波动比

日内收益波动比

高频因子-波动跳跃类

① 对于股票 i，计算 n 日内第 t 分钟的“更优波动率”，即对第 t-4、t-3、t-2、t-1、t 分钟的开盘价、最高价、最低价和收盘价，共 20 个价格数据求标准差，再除以这 20 个价格数据的均值，最后对该比值取平方；
② 计算 t 分钟的收益波动比，即 t 分钟收益率 / t 分钟 “更优波动率”；
③ 计算每日收益波动比序列与“更优波动率”序列间的协方差，即为日度“灾后重建”因子。

其中

① 计算因子需剔除开盘和收盘数据，仅考虑日内分钟频数据；
② 每月末可对最近 20 天的上述因子求均值和标准差并将两者等权合并，即得到月度“灾后重建”因子。

说明

“灾后重建”因子衡量了投资者对波动变化反应不足的程度，与未来收益呈反比关系；当股价波动加剧时，人们期初往往对此反应不足，导致收益波动比下降，引起那些偏爱收益波动比高的投资者抛售股票，造成股价下跌，但未来很有可能会补涨。

[参考文献]

①曹春晓，2022，个股波动率的变动及“勇攀高峰”因子构建，方正证券.
② Moreira A, Muir T, 2017, Volatility-managed portfolios[J], The Journal of Finance, 72(4), 1611-1644.

日内收益波动比

高频因子-波动跳线类

① 对于股票 i，计算 n 日内第 t 分钟的“更优波动率”，即对第 t-4、t-3、t-2、t-1、t 分钟的开盘价、最高价、最低价和收盘价，共 20 个价格数据求标准差，再除以这 20 个价格数据的均值，最后对该比值取平方；
② 计算 t 分钟的收益波动比，即 t 分钟收益率 / t 分钟 “更优波动率”；
③ 计算每日收益波动比序列与“更优波动率”序列间的协方差，即为日度“灾后重建”因子。

其中

① 计算因子需剔除开盘和收盘数据，仅考虑日内分钟频数据；
② 每月末可对最近 20 天的上述因子求均值和标准差并将两者等权合并，即得到月度“灾后重建”因子。

说明

“灾后重建”因子衡量了投资者对波动变化反应不足的程度，与未来收益呈反比关系；当股价波动加剧时，人们期初往往对此反应不足，导致收益波动比下降，引起那些偏爱收益波动比高的投资者抛售股票，造成股价下跌，但未来很有可能会补涨。

[参考文献]

① 譯春晓, 2022, 个股波动率的变动及“勇攀高峰”因子构建, 方正证券.
② Moreira A, Muir T, 2017, Volatility-managed portfolios[J], The Journal of Finance, 72(4), 1611-1644.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

持仓机构个数

股东因子

持仓机构个数

说明

持仓机构个数统计了持有该股票的机构总数量，有越多机构持仓的股票，越受机构投资偏爱，未来收益会更强。

[参考文献]

胡敏聪，刘均伟，2020，股东大类因子：拆解股东数据中的多元信息，光大证券.

持仓机构个数

股东因子

持仓机构个数

说明

持仓机构个数统计了持有该股票的机构总数量，有越多机构持仓的股票，越受机构投资偏爱，未来收益会更强。

[参考文献]

胡敏聪，刘均伟，2020，股东大类因子:拆解股东数据中的多元信息，光大证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：心理线

心理线

技术因子

$$
\mathrm{PSY} = 1 0 0 ^ {*} \text { COUNT } (\text { CLOSE } > \text { CLOSE } [ 1 ]), N) / N
$$

默认:N = 12

说明

PSY 将一定时期内投资者趋向买方或卖方的心理事实转化为数值，形成人气指数，从而判断股价的未来趋势；通常，指标小于 25 时关注做多机会，大于 75 时关注做空机会，小于 10 为极度超卖，大于 90 为极度超买，市场宽幅振荡时，PSY 也会 25\~75 区间反复突破，给出无效信号。

[参考文献]

常规通用技术指标.

心理线

技术因子

$$
\text {PSY} = 1 0 0 ^ {*} \text {COUNT} (\text {CLOSE} > \text {CLOSE} [ 1 ]), N) / N
$$

默认:N = 12

说明

PSY 将一定时期内投资者趋向买方或卖方的心理事实转化为数值，形成人气指数，从而判断股价的未来趋势；通常，指标小于 25 时关注做多机会，大于 75 时关注做空机会，小于 10 为极度超卖，大于 90 为极度超买，市场宽幅振荡时，PSY 也会 25~75 区间反复突破，给出无效信号。

【参考文献】

常规通用技术指标.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：价格波动率

价格波动率

期货-波动率因子

利用近月合约 $F_{1t}$ 和次近月合约 $F_{2t}$ 的价格来估计现货spot价格 $P_{t}$

$$
P _ {t} = F _ {1 t} \left(\frac {F _ {1 t}}{F _ {2 t}}\right) ^ {\frac {n _ {0 t}}{n _ {1}}}
$$

计算“有效的”每日对数价格变化（经过标准差的调整）：

$$
r _ {\tau} = \frac {\log P _ {\tau} - \log P _ {\tau - n}}{\hat {s} _ {n} / \hat {s} _ {1}}
$$

利用当前周及其前四周的每日对数价格变化数据序列计算波动率：

$$
\hat {\sigma} _ {t} = \sqrt {\frac {1}{N - 1} \sum_ {\tau - 1} ^ {N} (r _ {t \tau} - \overline {{r}} _ {t}) ^ {2}}
$$

其中

① $n_{0t}$ 为从时间 $t$ 到近月合约到期的天数；
② $n_{1}$ 为近月合约到期至次月合约到期的天数；
③ $\hat{s}_{n}$ 和 $\hat{s}_{1}$ 分别为间隔 $n$ 天何间隔 1 天的价格变化的标准差；间隔天数 $n$ 是指自上 次交易日以来的天数，如周一的间隔天数通常为 3 天（中间有周末两天非交易 日）；对于每个间隔类别 $n$ 的标准差，通过计算整个样本期内对数价格变化的 标准差得到；
④ N 是五周区间内（前周及其前四周）有效交易日的天数。

说明

波动率衡量了商品价格的变动程度，波动率的变化会影响现货价格、期货价格和库存水平。

【参考文献】

Pindyck, R., 2004, Volatility and Commodity Price Dynamics, Journal of Futures Markets, 29, 1029-1047.

价格波动率

期货-波动率因子

利用近月合约 $F_{1t}$ 和次近月合约 $F_{2t}$ 的价格来估计现货 spot 价格 $P_t$:

$$
P _ {t} = F _ {1 t} \left(\frac {F _ {1 t}}{F _ {2 t}}\right) ^ {\frac {n _ {0 t}}{n _ {1}}}
$$

计算“有效的”每日对数价格变化（经过标准差的调整）:

$$
r _ {\tau} = \frac {\log P _ {\tau} - \log P _ {\tau - n}}{\hat {s} _ {n} / \hat {s} _ {1}}
$$

利用当前周及其前四周的每日对数价格变化数据序列计算波动率:

$$
\hat {\sigma} _ {t} = \sqrt {\frac {1}{N - 1} \sum_ {\tau = 1} ^ {N} (r _ {t \tau} - \overline {{r}} _ {t}) ^ {2}}
$$

其中

① $n_{0t}$ 为从时间 $\mathrm{t}$ 到近月合约到期的天数；
② $n_1$ 为近月合约到期至次月合约到期的天数；
③ $\hat{s}_n$ 和 $\hat{s}_1$ 分别为间隔 $n$ 天何间隔 1 天的价格变化的标准差；间隔天数 $n$ 是指自上次交易日以来的天数，如周一的间隔天数通常为 3 天（中间有周末两天非交易日）；对于每个间隔类别 $n$ 的标准差，通过计算整个样本期内对数价格变化的标准差得到；
④ N 是五周区间内（前周及其前四周）有效交易日的天数。

说明

波动率衡量了商品价格的变动程度，波动率的变化会影响现货价格、期货价格和库存水平。

【参考文献】

Pindyck, R., 2004, Volatility and Commodity Price Dynamics, Journal of Futures Markets, 29, 1029-1047.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：客户重要性

客户重要性

另类因子-网络结构

利用 PageRank 算法计算客户重要性：

$$
p (i) = \frac {q}{V} + (1 - q) \sum_ {j \in \mathcal {V}: j \rightarrow i} \frac {p (j)}{k _ {j} ^ {\text { out }}}
$$

其中

① $p(i)$ 为客户 i 的 PageRank 得分；
② $k_{j}^{out}$ 是供应商 j 的出度，即从节点 j 发出的链接数量；
③ q 为阻尼因子，通常取值为 0.85；
④ $j \in V: j \to i$ 为指向公司 i 的所有供应商节点的集合；
⑤ V 为图中节点的总数量。

说明

衡量客户重要性的 PageRank 得分相比客户节点度（入度），除了考虑指向客户的供应商数量外，还考虑了相连供应商本身的重要性，即使两个客户的入度相同，拥有更多“重要”供应商的客户也会有更高的 PageRank 得分。

【参考文献】

Jussa et al., 2015, The Logistics of Supply Chain Alpha, Deutsche Bank Markets Research.

客户重要性

另类因子-网络结构

利用 PageRank 算法计算客户重要性:

$$
p (i) = \frac {q}{V} + (1 - q) \sum_ {j \in \mathcal {V}: j \to i} \frac {p (j)}{k _ {j} ^ {o u t}}
$$

其中

① $p(i)$ 为客户i的PageRank得分；
② $k_{j}^{out}$ 是供应商j的出度，即从节点j发出的链接数量；
③ $q$ 为阻尼因子，通常取值为0.85；
④ $j \in \mathcal{V}: j \to i$ 为指向公司 $i$ 的所有供应商节点的集合；
⑤ V 为图中节点的总数量。

说明

衡量客户重要性的 PageRank 得分相比客户节点度（入度），除了考虑指向客户的供应商数量外，还考虑了相连供应商本身的重要性，即使两个客户的入度相同，拥有更多“重要”供应商的客户也会有更高的 PageRank 得分。

【参考文献】

Jussa et al., 2015, The Logistics of Supply Chain Alpha, Deutsche Bank Markets Research.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：错误定价因子 MISV_FY1

错误定价因子MISV\_FY1

基本面因子改进

基于一阶段剩余价值增长模型进行如下横截面回归预测得到股票的合理估值 $\frac{\widehat{V_{it}}}{B_{it}}$ :

$$
\frac {V _ {i t}}{B _ {i t}} = \gamma_ {0} + \gamma_ {1} \frac {N I _ {i t + 1}}{B _ {i t}} + u _ {i t}
$$

计算股票合理估值与当前估值 PB 的差异比即为错误定价因子：

$$
M I S V \_ F Y 1 _ {i t} = \frac {\widehat {V _ {t t}}}{B _ {t t}} / P B _ {i t} - 1
$$

其中

① $V_{it}$ 为股票 i 在 t 时刻的总市值；
② $B_{it}$ 为股票 i 在 t 时刻的净资产（内在价值）；
③ $NI_{it+1}$ 为股票 i 在 t 时刻的最近年度归母净利润分析师一致预期 FY1；
④ $PB_{it}$ 为股票 i 在 t 时刻的市净率估值因子。

说明

错误定价因子衡量了股票内在的合理估值与账面估值 PB 之间的差异，错误定义因子值越高，说明账面估值 PB 相对股票内在合理估值偏低，股票低估越严重。

[参考文献]

郭策, 2024, 价值掘金因子, 中银证券.

错误定价因子 MISV_FY1

基本面因子改进

基于一阶段剩余价值增长模型进行如下横截面回归预测得到股票的合理估值 $\frac{\widehat{V_{ut}}}{B_{ut}}$ :

$$
\frac {V _ {i t}}{B _ {i t}} = \gamma_ {0} + \gamma_ {1} \frac {N I _ {i t + 1}}{B _ {i t}} + u _ {i t}
$$

计算股票合理估值与当前估值PB的差异比即为错误定价因子:

$$
M I S V \_ F Y 1 _ {i t} = \frac {\widehat {V _ {t t}}}{B _ {t t}} / P B _ {i t} - 1
$$

其中

① $V_{it}$ 为股票i在t时刻的总市值；
② $B_{it}$ 为股票i在t时刻的净资产（内在价值）；
③ $NI_{it + 1}$ 为股票i在t时刻的最近年度归母净利润分析师一致预期FY1；
④ $PB_{it}$ 为股票i在t时刻的市净率估值因子。

说明

错误定价因子衡量了股票内在的合理估值与账面估值PB之间的差异，错误定义因子值越高，说明账面估值PB相对股票内在合理估值偏低，股票低估越严重。

【参考文献】

郭策，2024，价值掘金因子，中银证券.

本地与历史 OCR 对比：正文中文字符相似度 99.19%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：日内信噪比

日内信噪比

高频因子-收益分布类

从日内分钟价格序列 P 中，利用经验模态分解 EMD 算法分解出价格序列中的噪音序列 $IMF_{i}(t)$ 和信号序列 $r_{n}(t)$ ：

$$
P (t) = \sum_ {i = 1} ^ {n} I M F _ {i} (t) + r (t)
$$

计算信号序列的标准差与噪声序列标准差的比值的对数，即为日内信噪比：

$$
S N R = \log \left(\frac {\operatorname{std} (r _ {n} (t))}{\operatorname{std} (P (t) - r _ {n} (t))}\right)
$$

其中

① EMD 算法分解详细步骤见参考文献；

② 通常分解至二或三层时，信号序列的平滑特性较为明显，能够接近地描述原始序列，通常选二层更价。

说明

日内信噪比因子与股票未来收益正相关，信噪比越大，股票未来收益越高；从行为金融学角度解释，股票存在虚假信息或噪声交易者越多，价格偏离内在价值越频繁或偏离度越高，未来收益越差。

【参考文献】

严佳炜，朱定象，信息提纯，寻找高质螯反转因子。华安证券

日内信噪比

高频因子-收益分布类

从日内分钟价格序列 P 中，利用经验模态分解 EMD 算法分解出价格序列中的噪音序列  $IMF_{i}(t)$  和信号序列  $r_{n}(t)$ :

$$
P (t) = \sum_ {i = 1} ^ {n} I M F _ {i} (t) + r (t)
$$

计算信号序列的标准差与噪声序列标准差的比值的对数，即为日内信噪比:

$$
S N R = \log \left(\frac {\text {std} \left(r _ {n} (t)\right)}{\text {std} \left(P (t) - r _ {n} (t)\right)}\right)
$$

其中

① EMD 算法分解详细步骤见参考文献；
② 通常分解至二或三层时，信号序列的平滑特性较为明显，能够接近地描述原始序列，通常选二层更价。

说明

日内信噪比因子与股票未来收益正相关，信噪比越大，股票未来收益越高；从行为金融学角度解释，股票存在虚假信息或噪声交易者越多，价格偏离内在价值越频繁或偏离度越高，未来收益越差。

【参考文献】

严佳炜，朱定豢，信息提纯，寻找高质嚣反转因子.华安证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：平均异常日收益率

平均异常日收益率

行为金融因子-投资者注意力

$$
A B N R E T A V G = \frac {1}{m} \sum_ {t} ^ {t - m + 1} (r _ {i, t} - \bar {r} _ {t}) ^ {2}
$$

其中

① $r_{i,t}$ 为股票 i 在 t 交易日的收益率；
② $\bar{r}_{t}$ 为交易日 t 的全市场收益率；
③ m 为交易日窗口，一般取为月度。

说明

平均异常日收益率为日频收益与市场中位数差值的均方，属于极端日收益类因子；极端收益（过高收益或过低收益）的股票相较其他股票更能吸引投资者的注意，因子值越高，投资者对该股票的关注度越高；而有限注意力导致投资者更倾向于交易引起他们关注的股票，投资者关注度越高的股票通常意味着越多的投资购买；但A股市场的做多与做空不对称，使得投资者非理性买入高于非理性卖出，进而导致关注度高的股票由于投资者净买入而存在溢价，未来也更可能出现反转。

[参考文献]

① Cosemans, M., & Frehen, R, 2021, Salience theory and stock prices: Empirical evidence. Journal of Financial Economics, 140(2), 460-483.
② 陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

平均异常日收益率

行为金融因子-投资者注意力

$$
ABNRETAVG = \frac{1}{m}\sum_{t}^{t - m + 1}(r_{i,t} - \bar{r}_{t})^{2}
$$

其中

① $r_{i,t}$ 为股票i在t交易日的收益率；
② $\tilde{r}_t$ 为交易日 $t$ 的全市场收益率；
③ m 为交易日窗口，一般取为月度。

说明

平均异常日收益率为日频收益与市场中位数差值的均方，属于极端日收益类因子；极端收益（过高收益或过低收益）的股票相较其他股票更能吸引投资者的注意，因子值越高，投资者对该股票的关注度越高；而有限注意力导致投资者更倾向于交易引起他们关注的股票，投资者关注度越高的股票通常意味着越多的投资购买；但A股市场的做多与做空不对称，使得投资者非理性买入高于非理性卖出，进而导致关注度高的股票由于投资者净买入而存在溢价，未来也更可能出现反转。

[参考文献]

① Cosemans, M., & Frehen, R, 2021, Salience theory and stock prices: Empirical evidence. Journal of Financial Economics, 140(2), 460-483.

② 陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：隔夜跳空

隔夜跳空

高频因子-动量反转类

$$
a b s R e t _ {n i g h t} = \sum_ {t = 1} ^ {2 0} a b s \left(\ln \left(\frac {O p e n _ {t}}{C l o s e _ {t - 1}}\right)\right)
$$

其中

$Open_{t}$ 和 $Close_{t-1}$ 分别为 t 交易日的开盘价和上一日收盘价。

说明

隔夜跳空因子是隔夜收益率绝对值的累加（传统隔夜收益有弱动量效应，分组收益呈一定抛物线型），代表过去一段时间内隔夜累计跳空的幅度，与未来收益负相关。隔夜累计跳空幅度越大，未来收益越差，隔夜平开的鬼獒未来收益越好。

[参考文献]

朱定豪, 2020, 昼夜分离: 隔夜跳空与日内反转选股因子, 华安证券.

隔夜跳空

高频因子-动量反转类

$$
a b s R e t _ {n i g h t} = \sum_ {t = 1} ^ {2 0} a b s \left(\ln \left(\frac {O p e n _ {t}}{C l o s e _ {t - 1}}\right)\right)
$$

其中

$Open_{t}$ 和 $Close_{t-1}$ 分别为 t 交易日的开盘价和上一日收盘价。

说明

隔夜跳空因子是隔夜收益率绝对值的累加（传统隔夜收益有弱动量效应，分组收益呈一定抛物线型），代表过去一段时间内隔夜累计跳空的幅度，与未来收益负相关。隔夜累计跳空幅度越大，未来收益越差，隔夜平开的鬼獒未来收益越好。

【参考文献】

朱定豪, 2020, 昼夜分离: 隔夜跳空与日内反转选股因子, 华安证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：价值掘金因子

价值掘金因子

基本面因子改进

将错误定价因子和特异质换手波动率因子进行行业市值中性化后，求rank值等权求和，即得到价值掘金因子：

$$
F _ {v a l u e} = R a n k _ {\mathrm{错误定价因子} \_ M I S V} + R a n k _ {T u r n o v e r \_ I V O L}
$$

其中

错误定价因子MISV和特异质换手波动率因子Turnover\_IVOL计算逻辑见相关日历页。

说明

价值掘金因子是从基本面错误定价程度和市场定价效率两个维度构建的复合因子，用于寻找“基本面存在低估/存在成长预期+市场修正效率较低”的股票。

【参考文献】

郭策, 2024, 价值掘金因子, 中银证券.

价值掘金因子

基本面因子改进

将错误定价因子和特异质换手波动率因子进行行业市值中性化后，求rank值等权求和，即得到价值掘金因子:

$$
F _ {v a l u e} = R a n k _ {\text {错误定价因子\_MISV}} + R a n k _ {T u r n o v e r \_ I V O L}
$$

其中

错误定价因子 MISV 和特异质换手波动率因子 Turnover_IVOL 计算逻辑见相关日历页。

说明

价值掘金因子是从基本面错误定价程度和市场定价效率两个维度构建的复合因子，用于寻找“基本面存在低估/存在成长预期 + 市场修正效率较低”的股票。

【参考文献】

郭策, 2024, 价值掘金因子, 中银证券.

本地与历史 OCR 对比：正文中文字符相似度 99.58%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：成交量分桶熵

成交量分桶熵

高频因子-成交分布类

$$
\operatorname{vol} _ {-} \text { entropy } (V) = - \sum_ {k = 0} ^ {\min (\max \text { bin }, \text { len } (V))} p _ {k} \ln (p _ {k}) \cdot 1 _ {(p _ {k} > 0)}
$$

其中

① 对日内分钟成交量 V 序列基于 $[min(V_{t}), max(V_{t})]$ 区间进行等距分桶，并计算成交量 V 序列取值落在第 k 个桶的概率 $p_{k}$ ；
② maxbin 为桶的个数，len(V)=T 为日内分钟成交量 V 序列的长度；
③ 计算个股分桶熵数值近 20 日标准差以衡量个股分桶熵在时序上的离散程度。

说明

成交量分桶熵（标准差）衡量了成交量不稳定性的分散程度，该因子值越大，说明该股在近一段时间内成交量不稳定性的分散程度较大，股价曾经或正在受到知情交易者的带动，此时个股不稳定性极高，整体下行风险较大；日度成交量分桶熵取值越大，日内成交量分布越均匀。

【参考文献】

郑兆磊, 2022, 成交量分布中的 Alpha, 兴业证券.

成交量分桶熵

高频因子-成交分布类

$$
\text {vol\_entropy}(V) = -\sum_{k = 0}^{\min (\text {maxbin}, \text {len}(V))}p_k\ln (p_k)\cdot 1_{(p_k > 0)}
$$

其中

① 对日内分钟成交量 V 序列基于  $[min(V_{t}), max(V_{t})]$  区间进行等距分桶，并计算成交量 V 序列取值落在第 k 个桶的概率  $p_{k}$ ;
② maxbin 为桶的个数，len(V)=T 为日内分钟成交量 V 序列的长度；
③ 计算个股分桶熵数值近 20 日标准差以衡量个股分桶熵在时序上的离散程度。

说明

成交量分桶熵（标准差）衡量了成交量不稳定性的分散程度，该因子值越大，说明该股在近一段时间内成交量不稳定性的分散程度较大，股价曾经或正在受到知情交易者的带动，此时个股不稳定性极高，整体下行风险较大；日度成交量分桶熵取值越大，日内成交量分布越均匀。

【参考文献】

郑兆磊, 2022, 成交员分布中的 Alpha, 兴业证券.

本地与历史 OCR 对比：正文中文字符相似度 99.13%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：EPS 增速跳跃因子

EPS 增速跳跃因子

基本面因子改进

计算单季度 EPS 同比增速相对于时间的系数，估计得到下一时段增速水平：

$$
\widetilde {G \_ E P S _ {t + 1}} \left[ \begin{array}{l} G \_ E P S _ {t - 3} \\ G \_ E P S _ {t - 2} \\ G \_ E P S _ {t - 1} \\ G \_ E P S _ {t} \end{array} \right] = \beta \left[ \begin{array}{l} 1 \\ 2 \\ 3 \\ 4 \end{array} \right] + \left[ \begin{array}{l} \varepsilon_ {1} \\ \varepsilon_ {2} \\ \varepsilon_ {3} \\ \varepsilon_ {4} \end{array} \right]
$$

$$
\widetilde {G _ {-} E P S _ {t + 1}} = \tilde {\beta} * 5, \sigma = s t d (\vec {\varepsilon})
$$

根据 EPS 增速真实值 $G_{-}EPS_{t+1}$ ，计算与估计值的差距即为 EPS 增速跳跃因子：

$$
J _ {-} f a c t o r = \frac {G _ {-} E P S _ {t + 1} - G _ {-} \widetilde {E P S _ {t + 1}}}{\sigma}
$$

说明

用于衡量 EPS 增速相对于近期均衡水平发生跳跃的程度，因子方向为正。

[参考文献]

王琦, 2023, JASON's alpha: 基本面+溢价复合策略, 东北证券.

EPS 增速跳跃因子

基本面因子改进

计算单季度EPS同比增速相对于时间的系数，估计得到下一时段增速水平:

$$
\widetilde {G _ {-} E P S _ {t + 1}} \left[ \begin{array}{c} G _ {-} E P S _ {t - 3} \\ G _ {-} E P S _ {t - 2} \\ G _ {-} E P S _ {t - 1} \\ G _ {-} E P S _ {t} \end{array} \right] = \beta \left[ \begin{array}{c} 1 \\ 2 \\ 3 \\ 4 \end{array} \right] + \left[ \begin{array}{c} \varepsilon_ {1} \\ \varepsilon_ {2} \\ \varepsilon_ {3} \\ \varepsilon_ {4} \end{array} \right]
$$

$$
G _ {-} \widetilde {E P S _ {t + 1}} = \tilde {\beta} * 5, \sigma = s t d (\vec {\varepsilon})
$$

根据 EPS 增速真实值 $G\_EPS_{t+1}$，计算与估计值的差距即为 EPS 增速跳跃因子:

$$
J _ {-} f a c t o r = \frac {G _ {-} E P S _ {t + 1} - G _ {-} \widetilde {E P S _ {t + 1}}}{\sigma}
$$

说明

用于衡量 EPS 增速相对于近期均衡水平发生跳跃的程度，因子方向为正。

[参考文献]

王琦, 2023, JASON's alpha: 基本面+盈价复合策略, 东北证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：“国家队”股数占比变动

“国家队”股数占比变动

分析师、机构持仓

$$
\mathrm{国家队股数占比变动} _ {i, t} = \frac {\mathrm{国家队持股股数} _ {i , t}}{\mathrm{自由流通股本} _ {i , t}} - \frac {\mathrm{国家队持股股数} _ {i , t - 1}}{\mathrm{自由流通股本} _ {i , t - 1}}
$$

其中

“国家队”持仓数据从上市公司的年报、半年报及季报披露的“十大股东”及“十大非限售股东”信息中提取得到，属于“国家队”的机构类型包括：中央汇金、社保基金及养老、国家集成电路、外管局、国新控股及国新资管、证金等。

说明

“国家队”股数占比变动衡量了“国家队”的买入强度；可以结合“国家队”资金流向对该因子进行择时：在资金入场时以动量思想做多“持仓市值变动”因子，令因子方向为正；在资金出场时，不配置该因子，进而与择时因子一起构建复合因子。

【参考文献】

郭策, 2024, 如何追踪 “国家队” 构建股票优选组合? (改进版 2.0), 中银证券.

“国家队”股数占比变动

分析师、机构持仓

$$
\text {国家队股数占比变动} _ {i, t} = \frac {\text {国家队持股股数} _ {i , t}}{\text {自由流通股本} _ {i , t}} - \frac {\text {国家队持股股数} _ {i , t - 1}}{\text {自由流通股本} _ {i , t - 1}}
$$

其中

“国家队”持仓数据从上市公司的年报、半年报及季报披露的“十大股东”及“十大非限售股东”信息中提取得到，属于“国家队”的机构类型包括:中央汇金、社保基金及养老、国家集成电路、外管局、国新控股及国新资管、证金等。

说明

“国家队”股数占比变动衡量了“国家队”的买入强度；可以结合“国家队”资金流向对该因子进行择时:在资金入场时以动量思想做多“持仓市值变动”因子，令因子方向为正；在资金出场时，不配置该因子，进而与择时因子一起构建复合因子。

【参考文献】

郭策, 2024, 如何追踪“国家队”构建股票优选组合?(改进版 2.0), 中银证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：稳健动量因子

稳健动量因子

期货-动量趋势因子

$$
\operatorname{rank} _ {t} = \left(y \left(r _ {t}\right) - \frac {N _ {t} + 1}{2}\right) / \sqrt {\frac {(N _ {t} + 1) (N _ {t} - 1)}{1 2}}
$$

$$
\frac {1}{K} \sum_ {t = T - K + 1} ^ {T} r a n k _ {t}
$$

其中

① $r_{t}$ 为期货合约 t 日收益率， $y(r_{t})$ 为期货合约收益率在横截面上的升序排名；
② $N_{t}$ 为横截面上期货商品的种类；
③ 一般回看期 K 在 10-40 日内表现较好。

说明

稳健动量因子为过去 K 个交易日收益率排名的标准化得分均值，采用 rank 排名来替代收益率绝对大小，可以降低异常股价波动的影响，是一种更加稳健的构建方式。

【参考文献】

王冬黎, 常海晴, 2022, 商品多因子模型框架再探究, 东证期货.

稳健动量因子

期货-动量趋势因子

$$
r a n k _ {t} = \left(y \left(r _ {t}\right) - \frac {N _ {t} + 1}{2}\right) / \sqrt {\frac {\left(N _ {t} + 1\right) \left(N _ {t} - 1\right)}{1 2}}
$$

$$
\frac {1}{K} \sum_ {t = T - K + 1} ^ {T} \text {rank}_ {t}
$$

其中

① $r_t$ 为期货合约 t 日收益率，$y(r_t)$ 为期货合约收益率在横截面上的升序排名；
② $N_{t}$ 为横截面上期货商品的种类；
③ 一般回看期 K 在 10-40 日内表现较好。

说明

稳健动量因子为过去K个交易日收益率排名的标准化得分均值，采用rank排名来替代收益率绝对大小，可以降低异常股价波动的影响，是一种更加稳健的构建方式。

【参考文献】

王冬黎，常海晴，2022，商品多因子模型框架再探究，东证期货.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：对新闻的反应敏感度

对新闻的反应敏感度

另类因子-文本分析

对过去 7 个交易日内与股票 i 相关的每条新闻（共计 N 篇新闻），计算新闻发布后 15 分钟内股票分钟收益率序列的均值，并对所有新闻对应的均值等权聚合到股票维度：

$ret\_me_{i,n}=mean$ (股票 i 在新闻 n 发布后 15 分钟内 1 分钟收益率序列)

$$
n e w s \_ r e a c t i o n \_ m e a n _ {i, t} = \frac {1}{N} \sum_ {n = 1} ^ {N} r e t \_ m e _ {i, n}
$$

其中

① 若新闻发布时间为非交易时段，则取新闻发布后第一个交易日开盘后首个 15 分钟的收益率序列计算因子；
② 可以对因子进行截面均值距离化处理来提高因子的单调性。

说明

该因子统计了新闻发布后 15 分钟内的股价涨跌幅度，用于衡量股价在新闻发布后短期内的反应敏感度；在新闻发布后出现较大涨幅或跌幅的股票，其后续表现往往会进一步下跌；反而初期涨跌幅适中的股票，在后续表现更佳。

[参考文献]

曹春晓, 陈泽鹏, 2024, 新闻中的有限注意力和“凸显效应”因子构建, 方正证券.

对新闻的反应敏感度

另类因子-文本分析

对过去 7 个交易日内与股票 i 相关的每条新闻（共计 N 篇新闻），计算新闻发布后 15 分钟内股票分钟收益率序列的均值，并对所有新闻对应的均值等权聚合到股票维度:

$ret\_me_{i,n}=mean$  (股票 i 在新闻 n 发布后 15 分钟内 1 分钟收益率序列)

$$
n e w s \_ r e a c t i o n \_ m e a n _ {i, t} = \frac {1}{N} \sum_ {n = 1} ^ {N} r e t \_ m e _ {i, n}
$$

其中

① 若新闻发布时间为非交易时段，则取新闻发布后第一个交易日开盘后首个15分钟的收益率序列计算因子；
② 可以对因子进行截面均值距离化处理来提高因子的单调性。

说明

该因子统计了新闻发布后 15 分钟内的股价涨跌幅度，用于衡量股价在新闻发布后短期内的反应敏感度；在新闻发布后出现较大涨幅或跌幅的股票，其后续表现往往会进一步下跌；反而初期涨跌幅适中的股票，在后续表现更佳。

【参考文献】

曹春晓, 陈泽鹏, 2024, 新闻中的有限注意力和“凸显效应”因子构建, 方正证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：产业链地位优势因子

产业链地位优势因子

另类因子-网络结构

方法1: 按单一维度方式计算公司 B 与公司 A 间每一对上下游产品之间的关联度, 并取最大值作为两个公司最终的关联度:

$$
w g t _ {(B, j), (A, i), t} = \frac {\left(p r d I n c o m e _ {B , j , t} + p r d I n c o m e _ {A , i , t}\right) \times 1 \{j \rightarrow i \}}{\sum_ {i} p r d I n c o m e _ {A , i , t} + \sum_ {j} p r d I n c o m e _ {B , j , t}}
$$

方法2：按整体维度方式计算公司 B 与公司 A 间每一对上下游产品之间的关联度：

$$
w g t _ {A, B, t} = \frac {\sum_ {i} p r d I n c o m e _ {A , i , t} \times 1 \{i \rightarrow j , i \in A \} + \sum_ {j} p r d I n c o m e _ {B , j , t} \times 1 \{i \rightarrow j , j \in B \}}{\sum_ {i} p r d I n c o m e _ {A , i , t} + \sum_ {j} p r d I n c o m e _ {B , j , t}}
$$

其中

① prdIncome $_{A,i,t}$ 为公司 A 在产品 i 上的营业收入；
② $\sum prdIncome_{A,i,t}$ 为公司 A 的当期总营收；
③ $1\{j \rightarrow i\}$ 表示产品 j 为产品 i 的上游；
④ 若公司 A 为上游公司，统计其与下游公司的关联度，得到的为下游关联优势地位因子；反之，为上游关联优势地位因子；若同时考虑公司 A 的上游和下游关联度，则为上下游关联度地位优势因子；
⑤ 可以将产业链地位优势因子进行市值行业中心化处理。

说明

产业链地位优势因子刻画了上市公司在产业链中的相对优势；产业链地位优势因子值越高，越处于产业链的中心地位，而位于中心行业的股票越容易受到其他行业冲击的影响，市场风险更大，进而能获得更高的股票收益。

【参考文献】

郑兆磊, 2023, 产业链视角下的 Alpha 传导研究, 兴业证券.

产业链地位优势因子

另类因子-网络结构

方法1:按单一维度方式计算公司 B 与公司 A 间每一对上下游产品之间的关联度，并取最大值作为两个公司最终的关联度:

$$
w g t _ {(B, j), (A, i), t} = \frac {\left(p r d I n c o m e _ {B , j , t} + p r d I n c o m e _ {A , i , t}\right) \times 1 \{j \rightarrow i \}}{\sum_ {i} p r d I n c o m e _ {A , i , t} + \sum_ {j} p r d I n c o m e _ {B , j , t}}
$$

方法2:按整体维度方式计算公司 B 与公司 A 间每一对上下游产品之间的关联度:

$$
w g t _ {A, B, t} = \frac {\sum_ {i} p r d I n c o m e _ {A , i , t} \times 1 \{i \rightarrow j , i \in A \} + \sum_ {j} p r d I n c o m e _ {B , j , t} \times 1 \{i \rightarrow j , j \in B \}}{\sum_ {i} p r d I n c o m e _ {A , i , t} + \sum_ {j} p r d I n c o m e _ {B , j , t}}
$$

其中

① $prdIncome_{A,i,t}$ 为公司 A 在产品 i 上的营业收入；
② $\sum_{i} prdIncome_{A,i,t}$ 为公司 A 的当期总营收；
③ $1\{j\to i\}$ 表示产品j为产品i的上游；
④ 若公司 A 为上游公司，统计其与下游公司的关联度，得到的为下游关联优势地位因子；反之，为上游关联优势地位因子；若同时考虑公司 A 的上游和下游关联度，则为上下游关联度地位优势因子；
⑤ 可以将产业链地位优势因子进行市值行业中心化处理。

说明

产业链地位优势因子刻画了上市公司在产业链中的相对优势；产业链地位优势因子值越高，越处于产业链的中心地位，而位于中心行业的股票越容易受到其他行业冲击的影响，市场风险更大，进而能获得更高的股票收益。

【参考文献】

郑兆磊, 2023, 产业链视角下的 Alpha 传导研究, 兴业证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：“凸显效应”因子

“凸显效应”因子

另类因子-文本分析

对股票 i，将交易日 t 内 15 分钟频率的新闻热度等权合成如下的“凸显效应”因子：

$$
n e w s \_ s a l i e n c e \_ e f f e c t _ {i, t} = \frac {1}{1 6} \sum_ {n = 1} ^ {1 6} p o p _ {i, n}
$$

说明

市场的注意力是有限的，投资者往往被热门话题吸引，而忽略那些可能具有潜在价值但当前并不受到广泛关注的股票，可以借助“凸显效应”因子筛选出热度较低的股票进而寻找未被充分发掘的投资机会。

【参考文献】

曹春晓，陈泽鹏，2024，新闻中的有限注意力和“凸显效应”因子构建，方正证券.

“凸显效应”因子

另类因子-文本分析

对股票 i，将交易日 t 内 15 分钟频率的新闻热度等权合成如下的“凸显效应”因子:

$$
n e w s \_ s a l i e n c e \_ e f f e c t _ {i, t} = \frac {1}{1 6} \sum_ {n = 1} ^ {1 6} p o p _ {i, n}
$$

说明

市场的注意力是有限的，投资者往往被热门话题吸引，而忽略那些可能具有潜在价值但当前并不受到广泛关注的股票，可以借助“凸显效应”因子筛选出热度较低的股票进而寻找未被充分发掘的投资机会。

[参考文献]

曹春晓, 陈泽鹏, 2024, 新闻中的有限注意力和“凸显效应”因子构建, 方正证券.

本地与历史 OCR 对比：正文中文字符相似度 99.54%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：空间网络相对中心度

空间网络相对中心度

另类因子-网络结构

计算股票 i 和样本股票池中其他股票 j 的近 20 个交易日收益率序列之间的 Pearson 相关系数并求均值：

$$
\bar {p} _ {i, t} = \frac {1}{N - 1} \sum_ {j = 1, j \neq i} ^ {N - 1} c o v (r _ {i, t}, r _ {j, t})
$$

基于相关系数计算股票 i 和其他股票间的平均距离：

$$
\bar {d} _ {i, t} = \sqrt {2 * (1 - \bar {p} _ {i , t})}
$$

计算空间维度的网络相对中心度：

$$
S C C _ {i, t} = \frac {1}{\bar {d} _ {i , t} ^ {2}}
$$

说明

SCC 因子衡量了股票在网络中与其余股票的相对距离（关联程度），因子值越高，说明股票在网络中与其余股票的距离越近，越处于网络相对中心的位置，对其他股票的相对影响程度也越高。

【参考文献】

① 张自力，闫红蕾，张楠，2020，股票网络、系统性风险与股票定价，经济学，1,329-350.
②曹春晓，杨国平，2021，股票网络与网络中心度因子研究，华西证券.

空间网络相对中心度

另类因子-网络结构

计算股票i和样本股票池中其他股票j的近20个交易日收益率序列之间的Pearson相关系数并求均值:

$$
\bar {p} _ {i, t} = \frac {1}{N - 1} \sum_ {j = 1, j \neq i} ^ {N - 1} c o v (r _ {i, t}, r _ {j, t})
$$

基于相关系数计算股票 i 和其他股票间的平均距离:

$$
\bar {d} _ {i, t} = \sqrt {2 * (1 - \bar {p} _ {i , t})}
$$

计算空间维度的网络相对中心度:

$$
| S C C _ {i, t} = \frac {1}{\bar {d} _ {i , t} ^ {2}} |
$$

说明

SCC 因子衡量了股票在网络中与其余股票的相对距离（关联程度），因子值越高，说明股票在网络中与其余股票的距离越近，越处于网络相对中心的位置，对其他股票的相对影响程度也越高。

【参考文献】

① 张自力, 闫红蔷, 张楠, 2020, 股票网络、系统性风险与股票定价, 经济学, 1, 329-350.
② 曹春晓, 杨国平, 2021, 股票网络与网络中心度因子研究, 华西证券.

本地与历史 OCR 对比：正文中文字符相似度 99.46%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：Sentiment Beta

Sentiment Beta

另类因子-文本分析

$$
r _ {t} ^ {i} = \alpha^ {i} + \beta^ {i} * \left(\frac {C S M S _ {t}}{C S M S _ {t - 1}} - 1\right) + \varepsilon_ {t} ^ {i}
$$

$$
\text { NewSentiBeta } = - 1 * \text { abs } (\text { SentiBeta })
$$

将市场情绪指数变动与股票收益率进行时间序列回归，得到的 $\beta^{i}$ 即为 SentiBeta，再进一步计算得到 NewSentiBeta。

其中

① $r_{t}^{i}$ 为股票 i 的日度收益率；

② $CSMS_{t}$ 为市场情绪指数值。

说明

市场情绪指数对于大盘行情有一定的预测作用，通过时序回归得到的 SentiBeta 刻画了市场情绪对个股收益的影响。股票收益与市场情绪影响 SentiBeta 的绝对大小有关，越容易受市场情绪影响（即 NewSentiBeta 越小）的股票收益越小；越不容易受市场情绪影响（即 NewSentiBeta 越大）的股票收益越大。

[参考文献]

Sentiment Beta: Risk or Alpha? 2021.05.10 发布于【塑化投资与机器学习】

Sentiment Beta

另类因子-文本分析

$$
r _ {t} ^ {i} = \alpha^ {i} + \beta^ {i} * \left(\frac {C S M S _ {t}}{C S M S _ {t - 1}} - 1\right) + \varepsilon_ {t} ^ {i}
$$

$$
N e w S e n t i B e t a = - 1 * a b s (S e n t i B e t a)
$$

将市场情绪指数变动与股票收益率进行时间序列回归，得到的 $\beta^i$ 即为SentiBeta，再进一步计算得到NewSentiBeta。

其中

① $r_t^i$ 为股票i的日度收益率；
② $CSMS_{t}$ 为市场情绪指数值。

说明

市场情绪指数对于大盘行情有一定的预测作用，通过时序回归得到的 SentiBeta 刻画了市场情绪对个股收益的影响。股票收益与市场情绪影响 SentiBeta 的绝对大小有关，越容易受市场情绪影响（即 NewSentiBeta 越小）的股票收益越小；越不容易受市场情绪影响（即 NewSentiBeta 越大）的股票收益越大。

【参考文献】

Sentiment Beta: Risk or Alpha? 2021.05.10 发布于【量化投资与机器学习】

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：仓单因子

仓单因子

期货-基本面因子

$$
S _ {W a r e h o u s e} (L, K) = \frac {\sum_ {t = T - L + 1} ^ {T} W a r e h o u s e _ {t}}{\sum_ {t = T - L - K + 1} ^ {T - L} W a r e h o u s e _ {t}} - 1
$$

其中

① $Warehouse_{t}$ 为注册仓单数量，通常滚动 L=20 天做移动平均值；

②剔除注册仓单数量为0或数据缺失的品种。

说明

仓单因子即为注册仓单数量的环比变化率，仓单变化反映了库存变化（对应期货库存），进而反映了商品实物供给情况；仓单数量下降（做多），库存减少，供给减少，商品价格通常会上涨。

【参考文献】

王冬黎, 常海晴, 2022, 商品多因子模型框架再探究, 东证期货.

仓单因子

期货-基本面因子

$$
S _ {W a r e h o u s e} (L, K) = \frac {\sum_ {t = T - L + 1} ^ {T} W a r e h o u s e _ {t}}{\sum_ {t = T - L - K + 1} ^ {T - L} W a r e h o u s e _ {t}} - 1
$$

其中

① Warehouse $_{t}$ 为注册仓单数量，通常滚动L=20天做移动平均值；
② 剔除注册仓单数量为 0 或数据缺失的品种。

说明

仓单因子即为注册仓单数量的环比变化率，仓单变化反映了库存变化（对应期货库存），进而反映了商品实物供给情况；仓单数量下降（做多），库存减少，供给减少，商品价格通常会上涨。

【参考文献】

王冬黎, 常海晴, 2022, 商品多因子模型框架再探究, 东证期货.

本地与历史 OCR 对比：正文中文字符相似度 98.22%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：展期收益

展期收益

期货-期限结构因子

除法形式: $\frac{P_{N,t} - P_{F,t}}{P_{F,t}} \times \frac{365}{T_{F,t} - T_{N,t}}$

对数形式： $[ln(P_{N,t}) - ln(P_{F,t})]\times \frac{365}{T_{F,t} - T_{N,t}}$

其中

① $P_{N,t}$ 、 $P_{F,t}$ 分别为近月合约和次近月合约的 t 日结算价；
② $T_{N,t}$ 、 $T_{F,t}$ 分别为近月合约和次近月合约的到期期限；
③也可用远月主力合约来代替展期后欲持有的远月合约。

说明

期货的超额收益可以由现货收益和展期收益组成，展期收益反映了现货溢价程度；根据现货溢价理论或对冲压力假说，做多现货溢价程度更高（展期大于0、期货贴水高）的期货合约可以获得更高的预期收益；现货溢价市场的期货价格相对预期现货价格有上行趋势，期货多头承担了现货多头套期保值者面临的价格下行风险，可获得正的风险补偿。

[参考文献]

Erb, C., and Harvey, C., 2006, The strategic and tactical value of commodity futures, Financial Analysts Journal, 62, 69-97.

展期收益

期货-期限结构因子

$$
\text {除法形式:} \frac {P _ {N , t} - P _ {F , t}}{P _ {F , t}} \times \frac {3 6 5}{T _ {F , t} - T _ {N , t}}
$$

$$
\text {对数形式:} \left[ l n (P _ {N, t}) - l n (P _ {F, t}) \right] \times \frac {3 6 5}{T _ {F , t} - T _ {N , t}}
$$

其中

① $P_{N,t}, P_{F;t}$ 分别为近月合约和次近月合约的t日结算价；
② $T_{N,t}, T_{F,t}$ 分别为近月合约和次近月合约的到期期限；
③ 也可用远月主力合约来代替展期后欲持有的远月合约。

说明

期货的超额收益可以由现货收益和展期收益组成，展期收益反映了现货溢价程度；根据现货溢价理论或对冲压力假说，做多现货溢价程度更高（展期大于0、期货贴水高）的期货合约可以获得更高的预期收益；现货溢价市场的期货价格相对预期现货价格有上行趋势，期货多头承担了现货多头套期保值者面临的价格下行风险，可获得正的风险补偿。

【参考文献】

Erb, C., and Harvey, C., 2006, The strategic and tactical value of commodity futures, Financial Analysts Journal, 62, 69-97.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：隔夜新闻情绪

隔夜新闻情绪

另类因子-文本分析

$$
s e n t i _ {i} ^ {t} = \frac {1}{N} \sum_ {j = 1} ^ {N} (p o s _ {i, j} ^ {t} - n e g _ {i, j} ^ {t}) * (1 - n e u _ {i, j} ^ {t}) * r e l e v a n c e x _ {i, j} ^ {t}
$$

其中

① 为计算 t 交易日的隔夜情绪因子，选用的是 [t-1 日 15:00, t 日 9:25] 隔夜区间内的所有新闻情绪数据，新闻数量计为 N 条；
② $pos_{i,j}^{t}$ 、 $neg_{i,j}^{t}$ 、 $neu_{i,j}^{t}$ 分别股票 i 在隔夜区间内第 j 条新闻中属于正面、负面、中性情绪的概率；
③ $relevancex_{i,j}^{t}$ 为股票与新闻的相关度。

说明

隔夜情绪情绪因子衡量了股票收盘后到第二天收盘前这段时间内的情绪倾向，这段区间的新闻情绪还未被市场所反应，与未来的收益表现正相关，相关性也更强。

【参考文献】

隔夜新闻情绪因子测试：如何有效结合动量因子？2022.10发布于【数库Tech】微信公众号.

隔夜新闻情绪

另类因子-文本分析

$$
s e n t i _ {i} ^ {t} = \frac {1}{N} \sum_ {j = 1} ^ {N} (p o s _ {i, j} ^ {t} - n e g _ {i, j} ^ {t}) * (1 - n e u _ {i, j} ^ {t}) * r e l e v a n c e x _ {i, j} ^ {t}
$$

其中

① 为计算 t 交易日的隔夜情绪因子，选用的是 [t-1 日15:00, t 日9:25] 隔夜区间内的所有新闻情绪数据，新闻数量计为N条；
② $pos_{i,j}^{t}$ 、 $neg_{i,j}^{t}$ 、 $neu_{i,j}^{t}$ 分别股票 i 在隔夜区间内第 j 条新闻中属于正面、负面、中性情绪的概率；
③ $relevancex_{i,j}^{t}$ 为股票与新闻的相关度。

说明

隔夜情绪情绪因子衡量了股票收盘后到第二天收盘前这段时间内的情绪倾向，这段区间的新闻情绪还未被市场所反应，与未来的收益表现正相关，相关性也更强。

【参考文献】

隔夜新闻情绪因子测试:如何有效结合动量因子？2022.10发布于【数库Tech】微信公众号.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

回归版单季净利润同比增速

基本面因子改进

下述横截面回归的残差即为回归版的单季度净利润同比增速：

$$
l n (Q u a r t \_ E _ {t}) = \beta * l n (a b s (Q u a r t \_ E _ {t - 4}) + \alpha + \varepsilon
$$

其中

Quart\_E 为单季度净利润。

说明

通过截面回归计算的基本面因子不再受除法分母接近 0 导致的除数效应的影响，抗噪能力更强；能够剥离截面市场行情对因子的影响，时序可比性会更纯粹；更强调截面的相对可比性，因此更适合于截面选股问题；财务指标 A 和 B 的数量级不统一甚至不可比时也可以计算相对的财务取值，以此能够挖掘更多的相对基本面因子。

【参考文献】

杨怡玲，2024，基本面因子的重构，东方证券.

回归版单季净利润同比增速

基本面因子改进

下述横截面回归的残差即为回归版的单季度净利润同比增速:

$$
\ln (Q u a r t _ {-} E _ {t}) = \beta * \ln (a b s (Q u a r t _ {-} E _ {t - 4}) + \alpha + \varepsilon
$$

其中

Quart_E为单季度净利润。

说明

通过截面回归计算的基本面因子不再受除法分母接近 0 导致的除数效应的影响，抗噪能力更强；能够剥离截面市场行情对因子的影响，时序可比性会更纯粹；更强调截面的相对可比性，因此更适合于截面选股问题；财务指标 A 和 B 的数量级不统一甚至不可比时也可以计算相对的财务取值，以此能够挖掘更多的相对基本面因子。

[参考文献]

杨怡玲, 2024, 基本面因子的重构, 东方证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：乖离率

乖离率

期货-动量趋势因子

$$
B I A S _ {t} = \frac {p _ {t} - \bar {p} _ {t}}{\sigma (R _ {t}) p _ {t - J}}
$$

$$
\overline {{{{p _ {t}}}}} = \frac {1}{J} \sum_ {j = 0} ^ {J - 1} p _ {t - J}
$$

$$
R _ {t} = \{r _ {t - j}, j = 0, 1, 2, \dots , J \}
$$

其中

① $R_{t}$ 为回看期内商品的日度收益率序列，通常回看期J较长时动量效应更强；
② $p_{t}$ 为商品期货收盘价。

说明

乖离率衡量了商品价格与其价格移动均线的偏离程度，若当前价格上涨，偏离均线较多，则产生买入信号，反之产生卖出信号；乖离率与动量因子逻辑类似，常用于构建趋势跟踪策略。

[参考文献]

张革, 2022, 商品期货截面风格因子初探, 中信期货.

乖离率

期货-动量趋势因子

$$
B I A S _ {t} = \frac {p _ {t} - \bar {p} _ {t}}{\sigma (R _ {t}) p _ {t - J}}
$$

$$
\overline {{p _ {t}}} = \frac {1}{J} \sum_ {j = 0} ^ {J - 1} p _ {t - J}
$$

$$
R _ {t} = \{r _ {t - j}, j = 0, 1, 2,..., J \}
$$

其中

① $R_{t}$ 为回看期内商品的日度收益率序列，通常回看期J较长时动量效应更强；
② $p_t$ 为商品期货收盘价。

说明

乖离率衡量了商品价格与其价格移动均线的偏离程度，若当前价格上涨，偏离均线较多，则产生买入信号，反之产生卖出信号；乖离率与动量因子逻辑类似，常用于构建趋势跟踪策略。

[参考文献]

张革, 2022, 商品期货截面风格因子初探, 中信期货.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

境外货币占货币资金比

另类因子-因子改进

$$
\mathrm{境外货币占货币资金比} = \frac {\mathrm{境外款项现}}{\mathrm{货币资金}}
$$

其中

附注中将货币资金细分为银行存款、库存现金、其他货币资金、货币资金合计\_存放在境外的款项总额、货币资金合计\_使用有限制的款项总额等，也可计算其余细分项的占比情况；公司银行存款占比越多，库存现金占比越少，其他货币资金占比越少，个股未来表现越好，这可能因为库存现金多一定程度代表了公司的现金管理能力较低，同时其他货币可能包含了某种原因而被限制使用的资金，这两者越多为企业带来了负向影响。

说明

境外货币的占比一定程度代表了公司的海外业务覆盖程度，境外货币款项占比越多，个股未来上涨可能性越大。

【参考文献】

郑兆磊, 占康萍, 2024, 财务附注中的 Alpha 研究, 兴业证券.

境外货币占货币资金比

另类因子-因子改进

$$
\text {境外货币占货币资金比} = \frac {\text {境外款项现}}{\text {货币资金}}
$$

其中

附注中将货币资金细分为银行存款、库存现金、其他货币资金、货币资金合计_存放在境外的款项总额、货币资金合计_使用有限制的款项总额等，也可计算其余细分项的占比情况；公司银行存款占比越多，库存现金占比越少，其他货币资金占比越少，个股未来表现越好，这可能因为库存现金多一定程度代表了公司的现金管理能力较低，同时其他货币可能包含了某种原因而被限制使用的资金，这两者越多为企业带来了负向影响。

说明

境外货币的占比一定程度代表了公司的海外业务覆盖程度，境外货币款项占比越多，个股未来上涨可能性越大。

【参考文献】

郑兆磊, 占康萍, 2024, 财务附注中的 Alpha 研究, 兴业证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：透视指标

透视指标

高频技术因子

$$
\mathrm{多头力道} = H i g h _ {i, t} - E M A (C l o s e _ {i, t}, 2 4 0)
$$

$$
\text { 空头力道 } = L o w _ {i, t} - E M A (C l o s e _ {i, t}, 2 4 0)
$$

$$
E l d e r _ {i, t} = \frac {\mathrm{多头力道} - \mathrm{空头力道}}{C l o s e _ {i , t}}
$$

其中

将过去20个交易日的日度高频因子进行时间衰减加权即可降频为月度因子：

$$
\widehat {\mathrm{Factor} _ {j}} = \frac {1}{\sum_ {j = 1} ^ {2 0} \frac {j}{2 0}} \times \sum_ {i = 1} ^ {2 0} \widehat {\mathrm{Factor} _ {j , k}} \times \frac {j}{2 0}
$$

说明

Elder 指标利用多头力道反映多头将价格推开到半均价值共识之上的能力，利用空头力道反映空头将价格压低到平均价值共识之下的能力，通过比较多头力道和空头力道来衡量市场的力量对比。

【参考文献】

姚紫薇, 陈升锐, 2024, 技术指标因子高频化, 中信建投.

透视指标

高频技术因子

$$
\text {多头力道} = H i g h _ {i, t} - E M A (C l o s e _ {i, t}, 2 4 0)
$$

$$
\text {空头力道} = L o w _ {i, t} - E M A (C l o s e _ {i, t}, 2 4 0)
$$

$$
E l d e r _ {i, t} = \frac {\text {多头力道} - \text {空头力道}}{C l o s e _ {i , t}}
$$

其中

将过去 20 个交易日的日度高频因子进行时间衰减加权即可降频为月度因子:

$$
\widehat {\mathrm{Factor} _ {j}} = \frac {1}{\sum_ {j = 1} ^ {2 0} \frac {j}{2 0}} \times \sum_ {i = 1} ^ {2 0} \widehat {\mathrm{Factor} _ {j , k}} \times \frac {j}{2 0}
$$

说明

Elder 指标利用多头力道反映多头将价格推开到半均价值共识之上的能力，利用空头力道反映空头将价格压低到平均价值共识之下的能力，通过比较多头力道和空头力道来衡量市场的力量对比。

【参考文献】

姚紫薇，陈升锐，2024，技术指标因子高频化，中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：每日平均异常成交

每日平均异常成交

行为金融因子-投资者注意力

$$
A B N V O L A V G = \frac {1}{m} \sum_ {t = 1} ^ {m} \left(\frac {V O L _ {i , t}}{\overline {{V O L}} _ {i , t}}\right)
$$

其中

① $VOL_{i,t}$ 为股票 i 在 t 交易日的成交量；
② $\overline{VOL}_{i,t}$ 为股票 i 在 t 交易日滚动 1 年的平均成交量；
③ m 为交易日窗口，一般取为月度。

说明

每日平均异常成交为日频成交量除以过去一年平均成交量的均值，属于极端交易量类因子；异常成交量也是投资者注意力的常用代理指标，因子值越高，投资者对该股票的关注度越高；而有限注意力导致投资者更倾向于交易引起他们关注的股票，投资者关注度越高的股票通常意味着越多的投资购买；但A股市场的做多与做空不对称，使得投资者非理性买入高于非理性卖出，进而导致关注度高的股票由于投资者净买入而存在溢价，未来也更可能出现反转。

[参考文献]

① Cosemans, M., & Frehen, R, 2021, Salience theory and stock prices: Empirical evidence. Journal of Financial Economics, 140(2), 460-483.
② 陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

每日平均异常成交

行为金融因子-投资者注意力

$$
A B N V O L A V G = \frac {1}{m} \sum_ {t = 1} ^ {m} \left(\frac {V O L _ {i , t}}{\overline {{V O L}} _ {i , t}}\right)
$$

其中

① $VOL_{i,t}$ 为股票i在t交易日的成交量；
② $\overline{VOL}_{i,t}$ 为股票i在t交易日滚动1年的平均成交量；
③ m 为交易日窗口，一般取为月度。

说明

每日平均异常成交为日频成交量除以过去一年平均成交量的均值，属于极端交易量类因子；异常成交量也是投资者注意力的常用代理指标，因子值越高，投资者对该股票的关注度越高；而有限注意力导致投资者更倾向于交易引起他们关注的股票，投资者关注度越高的股票通常意味着越多的投资购买；但A股市场的做多与做空不对称，使得投资者非理性买入高于非理性卖出，进而导致关注度高的股票由于投资者净买入而存在溢价，未来也更可能出现反转。

【参考文献】

① Cosemans, M., & Frehen, R, 2021, Salience theory and stock prices: Empirical evidence. Journal of Financial Economics, 140(2), 460-483.
② 陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：日内动量反转

日内动量反转

期货-高频因子

$$
i n t r a d a y \_ m o m e n t u m = \frac {e x t r e m a _ {f i r s t} - e x t r e m a _ {b e h i n d}}{e x t r e m a _ {f i r s t}}
$$

其中

① $extrema_{first}$ 为交易日内期货价格第一个出现的极值点；
② $extrema_{behind}$ 为交易日内期货价格第二个出现的极值点。

说明

日内动量反转因子捕捉了日内交易中价格走势的反转效应；当行情上扬时第一个出现的极值点往往是低点，当行情波动下挫时第一个出现的极值点往往是高点。

[参考文献]

赵妍, 高智威, 郭子峰, 2024, 基于日内高频博弈信息的商品 cta 策略, 国金证券.

日内动量反转

期货-高频因子

$$
i n t r a d a y \_ m o m e n t u m = \frac {e x t r e m a _ {f i r s t} - e x t r e m a _ {b e h i n d}}{e x t r e m a _ {f i r s t}}
$$

其中

① extrema $_{first}$ 为交易日内期货价格第一个出现的极值点；
② $extrema_{behind}$ 为交易日内期货价格第二个出现的极值点。

说明

日内动量反转因子捕捉了日内交易中价格走势的反转效应；当行情上扬时第一个出现的极值点往往是低点，当行情波动下挫时第一个出现的极值点往往是高点。

[参考文献]

赵妍, 高智威, 郭子峰, 2024, 基于日内高频博弈信息的商品 cta 策略, 国金证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：“国家队”持仓市值因子

“国家队”持仓市值因子

分析师、机构持仓

持仓市值 $i,t =$ 国家队持有的非限售股数 $_{i,t}$ \* 当日收盘价 $_{i,t}$

其中

“国家队”持仓数据从上市公司的年报、半年报及季报披露的“十大股东”及“十大非限售股东”信息中提取得到，属于“国家队”的机构类型包括：中央汇金、社保基金及养老、国家集成电路、外管局、国新控股及国新资管、证金等。

说明

持仓市值因子衡量了“国家队”当前的持仓市值；可以将该因子与“国家队”持仓空间因子（见相关因子页）进行 rank 复合，在“国家队”没有入场的存量配置时期，优选当前持仓市值少、未来股价空间大的股票。

【参考文献】

郭策, 2024, 如何追踪 “国家队” 构建股票优选组合? (改进版 2.0), 中银证券.

“国家队”持仓市值因子

分析师、机构持仓

持仓市值 $i,t =$ 国家队持有的非限售股数 $_{i,t}$ *当日收盘价 $_{i,t}$

其中

“国家队”持仓数据从上市公司的年报、半年报及季报披露的“十大股东”及“十大非限售股东”信息中提取得到，属于“国家队”的机构类型包括:中央汇金、社保基金及养老、国家集成电路、外管局、国新控股及国新资管、证金等。

说明

持仓市值因子衡量了“国家队”当前的持仓市值；可以将该因子与“国家队”持仓空间因子（见相关因子页）进行 rank 复合，在“国家队”没有入场的存量配置时期，优选当前持仓市值少、未来股价空间大的股票。

【参考文献】

郭策, 2024, 如何追踪“国家队”构建股票优选组合?(改进版 2.0), 中银证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：折旧及摊销管理费用比

折旧及摊销管理费用比

另类因子-因子改进

折旧及摊销管理费用比 = $\frac{折旧及摊销}{管理费用合计期末余额}$

其中

附注中会将管理费用细分为工资薪酬、办公费、差旅费、折旧费、维护修理费、租赁水电物业费、中介费、业务招待费等，也可计算其余细分项的占比情况。

说明

在管理费用中折旧与摊销、工资薪酬、维护修理费占比越高，对股价呈现正向作用。

[参考文献]

郑兆磊，占康萍，2024，财务附注中的 Alpha 研究，兴业证券.

折旧及摊销管理费用比

另类因子-因子改进

折旧及摊销管理费用比 =  $\frac{折旧及摊销}{管理费用合计期末余额}$

其中

附注中会将管理费用细分为工资薪酬、办公费、差旅费、折旧费、维护修理费、租赁水电物业费、中介费、业务招待费等，也可计算其余细分项的占比情况。

说明

在管理费用中折旧与摊销、工资薪酬、维护修理费占比越高，对股价呈现正向作用。

【参考文献】

郑兆磊, 占康萍, 2024, 财务附注中的 Alpha 研究, 兴业证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：运输工具占固定资产比

运输工具占固定资产比

另类因子-因子改进

运输工具占固定资产比 = $\frac{运输工具}{固定资产合计累计折旧期末余额比}$

运输工具占固定资产比变动 = $\frac{当期运输工具占固定资产比－去年同期运输工具占固定资产比}{运输工具占固定资产比的期初期末平均值}$

其中

附注中会将固定资产按用途细分为房屋建筑物、运输工具、机器设备、办公及电子设备等，也可计算其余细分项的占比情况；在固定资产中与生产更直接相关细分项（机器设备）占比越多越好。

说明

在固定资产中与生产相关性越低的细分项占比（或是占比变动）越少越好，如运输工具、房屋建筑物、办公及电子设备的相关占比都为负向因子。

[参考文献]

郑兆磊，占康萍，2024，财务附注中的Alpha研究，兴业证券.

运输工具占固定资产比

另类因子-因子改进

运输工具占固定资产比 =  $\frac{运输工具}{固定资产合计累计折旧期末余额比}$

运输工具占固定资产比变动 =  $\frac{当期运输工具占固定资产比 - 去年同期运输工具占固定资产比}{运输工具占固定资产比的期初期末平均值}$

其中

附注中会将固定资产按用途细分为房屋建筑物、运输工具、机器设备、办公及电子设备等，也可计算其余细分项的占比情况；在固定资产中与生产更直接相关细分项（机器设备）占比越多越好。

说明

在固定资产中与生产相关性越低的细分项占比（或是占比变动）越少越好，如运输工具、房屋建筑物、办公及电子设备的相关占比都为负向因子。

【参考文献】

郑兆磊，占康萍，2024，财务附注中的Alpha研究，兴业证券.

本地与历史 OCR 对比：正文中文字符相似度 99.45%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：多层次订单失衡

多层次订单失衡

高频因子-流动性类

$$
M O F I _ {w e i g h t} = \frac {\sum w _ {i} \times O F I _ {t} ^ {(i)}}{\sum w _ {i}}, w _ {i} = \frac {i}{5}, i = 1, 2, 3, 4, 5
$$

$$
O F I _ {t} = \Delta V _ {t} ^ {B} - \Delta V _ {t} ^ {A}
$$

$$
\Delta V _ {t} ^ {B} = \left\{ \begin{array}{l l} - V _ {t - 1} ^ {B} & P _ {t} ^ {B} <   P _ {t - 1} ^ {B} \\ V _ {t} ^ {B} - V _ {t - 1} ^ {B} & P _ {t} ^ {B} = P _ {t - 1} ^ {B} \\ V _ {t} ^ {B} & P _ {t} ^ {B} > P _ {t - 1} ^ {B} \end{array} \right. \quad \Delta V _ {t} ^ {A} = \left\{ \begin{array}{l l} V _ {t} ^ {A} & P _ {t} ^ {A} <   P _ {t - 1} ^ {A} \\ V _ {t} ^ {A} - V _ {t - 1} ^ {A} & P _ {t} ^ {A} = P _ {t - 1} ^ {A} \\ - V _ {t - 1} ^ {A} & P _ {t} ^ {A} > P _ {t - 1} ^ {A} \end{array} \right.
$$

其中

① $OFI_{t}^{(i)}$ 为第 i 档下的订单失衡因子；
② $P_{t}^{B}$ 和 $P_{t}^{A}$ 分别为 t 时刻的买一价和卖一价；
③ $V_{t}^{B}$ 和 $V_{t}^{A}$ 分别为 t 时刻的买一量和卖一量。

说明

MOFI衡量了不同档位订单失衡的加权累积影响，能更准确量化订单失衡对股价的短期和长期影响。短期内，订单失衡通常与未来收益正相关；中长期内，随着买卖压力失衡的消失，股票的超额收益出现均值回复，与收益相关性会减弱。

[参考文献]

丁鲁明，陈升锐，2021，多层次订单失衡及订单斜率因子，中信建投证券

多层次订单失衡

高频因子-流动性类

$$
M O F I _ {w e i g h t} = \frac {\sum w _ {i} \times O F I _ {t} ^ {(i)}}{\sum w _ {i}}, w _ {i} = \frac {i}{5}, i = 1, 2, 3, 4, 5
$$

$$
O F I _ {t} = \Delta V _ {t} ^ {B} - \Delta V _ {t} ^ {A}
$$

$$
\Delta V _ {t} ^ {B} = \left\{ \begin{array}{l l} - V _ {t - 1} ^ {B} & P _ {t} ^ {B} <   P _ {t - 1} ^ {B} \\ V _ {t} ^ {B} - V _ {t - 1} ^ {B} & P _ {t} ^ {B} = P _ {t - 1} ^ {B} \\ V _ {t} ^ {B} & P _ {t} ^ {B} > P _ {t - 1} ^ {B} \end{array} \right. \quad \Delta V _ {t} ^ {A} = \left\{ \begin{array}{l l} V _ {t} ^ {A} & P _ {t} ^ {A} <   P _ {t - 1} ^ {A} \\ V _ {t} ^ {A} - V _ {t - 1} ^ {A} & P _ {t} ^ {A} = P _ {t - 1} ^ {A} \\ - V _ {t - 1} ^ {A} & P _ {t} ^ {A} > P _ {t - 1} ^ {A} \end{array} \right.
$$

其中

① $OFI_{t}^{(i)}$ 为第i档下的订单失衡因子；
② $P_{t}^{B}$ 和 $P_{t}^{A}$ 分别为 $\mathrm{t}$ 时刻的买一价和卖一价；
③ $V_{t}^{B}$ 和 $V_{t}^{A}$ 分别为 $\mathrm{t}$ 时刻的买一量和卖一量。

说明

MOFI衡量了不同档位订单失衡的加权累积影响，能更准确量化订单失衡对股价的短期和长期影响。短期内，订单失衡通常与未来收益正相关；中长期内，随着买卖压力失衡的消失，股票的超额收益出现均值回复，与收益相关性会减弱。

【参考文献】

丁魯明，陈升锐，2021，多层次订单失衡及订单斜率因子，中信建投证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：单季综合收益比市值

单季综合收益比市值

基本面因子改进

下述横截面回归的残差即为单季综合收益比市值：

$$
\ln (Q u a r t \_ T O T \_ C O M P R E H \_ I N C) = \beta * \ln (M V) + \alpha + \varepsilon
$$

其中

① Quart\_TOT\_COMPREH\_INC 为单季度综合收益总额（利润表科目），反映企业净利润和其他综合收益的合计金额；
② MV 为总市值。

说明

基本面指标本质都是以相对定价为核心，大多以比值的形式来构建，不可避免会遇到除数效应导致取值异常以及分子分母可比性的问题，通过截面整体回归的方式来重构这些基本面因子，重构后的因子普遍表现优于传统的版本；可将截面回归结构作为一个挖掘基本面因子的有效算子，遍历三大报表涉及的所有字段，挖掘新的基本面因子。

[参考文献]

杨怡玲, 2024, 相对定价类基本面因子挖掘, 东方证券.

单季综合收益比市值

基本面因子改进

下述横截面回归的残差即为单季综合收益比市值:

$$
l n (Q u a r t \_ T O T \_ C O M P R E H \_ I N C) = \beta * l n (M V) + \alpha + \varepsilon
$$

其中

① Quart_TOT_COMPREH_INC 为单季度综合收益总额（利润表科目），反映企业净利润和其他综合收益的合计金额；
② $MV$ 为总市值。

说明

基本面指标本质都是以相对定价为核心，大多以比值的形式来构建，不可避免会遇到除数效应导致取值异常以及分子分母可比性的问题，通过截面整体回归的方式来重构这些基本面因子，重构后的因子普遍表现优于传统的版本；可将截面回归结构作为一个挖掘基本面因子的有效算子，遍历三大报表涉及的所有字段，挖掘新的基本面因子。

【参考文献】

杨怡玲, 2024, 相对定价类基本面因子挖掘, 东方证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：钱德动量摆动

钱德动量摆动

高频技术因子

$$
C Z 1 _ {i, t} = I F \left(\text { Close } _ {i, t} > \text { Close } _ {i, t - 1}, \text { Close } _ {i, t} - \text { Close } _ {i, t - 1}, 0\right)
$$

$$
C Z 2 _ {i, t} = I F \left(C l o s e _ {i, t} <   C l o s e _ {i, t - 1}, C l o s e _ {i, t - 1} - C l o s e _ {i, t}, 0\right)
$$

$$
S U _ {i, t} = \sum_ {t - 2 3 9} ^ {t} C Z 1 _ {i, t}
$$

$$
S D _ {i, t} = \sum_ {t - 2 3 9} ^ {t} C Z 2 _ {i, t}
$$

$$
C h a n d e _ {i, t} = \frac {S U _ {i , t} - S D _ {i , t}}{S U _ {i , t} + S D _ {i , t}} * 1 0 0
$$

其中

将过去20个交易日的日度高频因子进行时间衰减加权即可降频为月度因子。

说明

高频 Chande 计算了日内上涨分钟和下跌分钟的收盘价绝对差值，用于衡量价格的相对强弱；当 Chande 值为正且较大时，表明市场处于强势；当 Chande 值为负且较小时，市场可能处于弱势。

[参考文献]

姚紫薇, 陈升锐, 2024, 技术指标因子高频化, 中信建投.

钱德动量摆动

高频技术因子

$$
C Z 1 _ {i, t} = I F (C l o s e _ {i, t} > C l o s e _ {i, t - 1}, C l o s e _ {i, t} - C l o s e _ {i, t - 1}, 0)
$$

$$
C Z 2 _ {i, t} = I F (C l o s e _ {i, t} <   C l o s e _ {i, t - 1}, C l o s e _ {i, t - 1} - C l o s e _ {i, t}, 0)
$$

$$
S U _ {i, t} = \sum_ {t - 2 3 9} ^ {t} C Z 1 _ {i, t}
$$

$$
S D _ {i, t} = \sum_ {t - 2 3 9} ^ {t} C Z 2 _ {i, t}
$$

$$
C h a n d e _ {i, t} = \frac {S U _ {i , t} - S D _ {i , t}}{S U _ {i , t} + S D _ {i , t}} * 1 0 0
$$

其中

将过去 20 个交易日的日度高频因子进行时间衰减加权即可降频为月度因子。

说明

高频 Chande 计算了日内上涨分钟和下跌分钟的收盘价绝对差值，用于衡量价格的相对强弱；当 Chande 值为正且较大时，表明市场处于强势；当 Chande 值为负且较小时，市场可能处于弱势。

[参考文献]

姚紫薇, 陈升锐, 2024, 技术指标因子高频化, 中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

搜索量指数的变动

另类因子-文本分析

$$
S V I \_ C h a n g e _ {t} = \log (S V I _ {t}) - \log [ M e d (S V I _ {t - 1}, \dots , S V I _ {t - 8}) ]
$$

其中

① $SVI_{t}$ 为来自 Google Trends (http://www.google.com/trends) 的第 t 周的谷歌搜索量指数；
② $Med(SVI_{t-1},...,SVI_{t-8})$ 为过去 8 周的搜索量中位数。

说明

谷歌搜索量指数为（散户）投资者关注（积极关注）的直接代理指标，搜索量指数的变动衡量了投资者关注度的变化，高投资者关注会短暂的抬高股票价格（未来短期收益更高），但长期存在收益反转。

【参考文献】

Da, Z., Engelberg, J., & Gao, P, 2011, In search of attention, The Journal of Finance, 66(5), 1461-1499.

搜索量指数的变动

另类因子-文本分析

$$
S V I \_ C h a n g e _ {t} = \log \left(S V I _ {t}\right) - \log \left[ M e d \left(S V I _ {t - 1}, \dots , S V I _ {t - 8}\right) \right]
$$

其中

① $SVI_{t}$ 为来自 Google Trends (http://www.google.com/trends) 的第 t 周的谷歌搜索量指数；
② $Med(SVI_{t - 1},\dots ,SVI_{t - 8})$ 为过去8周的搜索量中位数。

说明

谷歌搜索量指数为（散户）投资者关注（积极关注）的直接代理指标，搜索量指数的变动衡量了投资者关注度的变化，高投资者关注会短暂的抬高股票价格（未来短期收益更高），但长期存在收益反转。

[参考文献]

Da, Z., Engelberg, J., & Gao, P, 2011, In search of attention, The Journal of Finance, 66(5), 1461-1499.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

信用借款占短期借款比

另类因子-因子改进

$$
\mathrm{信用借款占短期借款比} = \frac {\mathrm{信用借款}}{\mathrm{短期借款}}
$$

其中

① 附注会将短期借款按借款类型细分为信用借款、保证借款、抵押借款、质押借款等，也可计算其余细分项的占比情况；除信用借款占比为正向因子，其余占比因子都为负向因子，即占比越少越好；
② 长期借款与短期借款类似，也可对长期借款计算相关指标。

说明

信用借款的特征就是债务人无需提供抵押品或第三方担保仅凭自己的信誉就能取得贷款，也是短期借款中相对质量较高的部分，短期借款中信用借款的占比越多，公司信誉越好，未来个股表现越好。

[参考文献]

郑兆磊，占康萍，2024，财务附注中的Alpha研究，兴业证券.

信用借款占短期借款比

另类因子-因子改进

$$
\text {信用借款占短期借款比} = \frac {\text {信用借款}}{\text {短期借款}}
$$

其中

① 附注会将短期借款按借款类型细分为信用借款、保证借款、抵押借款、质押借款等，也可计算其余细分项的占比情况；除信用借款占比为正向因子，其余占比因子都为负向因子，即占比越少越好；
② 长期借款与短期借款类似，也可对长期借款计算相关指标。

说明

信用借款的特征就是债务人无需提供抵押品或第三方担保仅凭自己的信誉就能取得贷款，也是短期借款中相对质量较高的部分，短期借款中信用借款的占比越多，公司信誉越好，未来个股表现越好。

【参考文献】

郑兆磊, 占康萍, 2024, 财务附注中的 Alpha 研究, 兴业证券.

本地与历史 OCR 对比：正文中文字符相似度 99.20%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：个股点击量占比

个股点击量占比

另类因子-因子改进

个股当天点击量

全市场所有个股当天点击量之

说明

个股点击量占比是投资者对个股关注度的综合映射；当前受关注程度更高的个股通常具有更高的点击次数，比与股票未来收益负相关。

[参考文献]

魏建榕, 胡亮勇, 2022, 自选股与点击量: 投资者关注度的选股能力, 开源证券.

个股点击量占比

另类因子-因子改进

个股当天点击量

全市场所有个股当天点击量之

说明

个股点击量占比是投资者对个股关注度的综合映射；当前受关注程度更高的个股通常具有更高的点击次数，比与股票未来收益负相关。

[参考文献]

魏建榕, 胡亮勇, 2022, 自选股与点击器:投资者关注度的选股能力, 开源证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：平均换手率

平均换手率

行为金融因子-投资者注意力

$$
T U R N A V G = \frac {1}{m} \sum_ {t = 1} ^ {t - m + 1} T U R N _ {i, t}
$$

其中

① $TURN_{i,t}$ 为股票 i 在交易日 t 的换手率；
② m 为交易日窗口，一般取为月度。

说明

平均换手率属于股票交易活跃度类因子，通过衡量股票交易活跃度来反映投资者关注度，股票交易越活跃，投资者对该股票的关注度越高；而投资者有限注意力会推动关注度高的股票更易出现非理性净买入溢价，进而导致股价后续反转。

[参考文献]

陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

平均换手率

行为金融因子-投资者注意力

$$
T U R N A V G = \frac {1}{m} \sum_ {t = 1} ^ {t - m + 1} T U R N _ {i, t}
$$

其中

① $TURN_{i,t}$ 为股票i在交易日t的换手率；
② $m$ 为交易日窗口，一般取为月度。

说明

平均换手率属于股票交易活跃度类因子，通过衡量股票交易活跃度来反映投资者关注度，股票交易越活跃，投资者对该股票的关注度越高；而投资者有限注意力会推动关注度高的股票更易出现非理性净买入溢价，进而导致股价后续反转。

[参考文献]

陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：基于异常收益的注意力溢出

基于异常收益的注意力溢出

行为金融因子-投资者注意力

计算每月平均异常日收益率作为注意力代理指标：

$$
A T T N _ {i, t} = \frac {1}{m} \sum_ {t} ^ {t - m + 1} (r _ {i, t} - \bar {r} _ {t}) ^ {2}
$$

计算当期相近股票的注意力均值与个股注意力之差即为注意力溢出程度：

$$
S P I L L = \overline {{A T T N _ {i}}} - A T T N _ {i}
$$

其中

① 相近股票的确定标准：先以中信一级行业作为分类标准，再在每个行业内按3:4:3的比例将股票分为大、中、小市值；
② $r_{i,t}$ 为股票 i 在 t 交易日的收益率；
③ $\bar{r}_{t}$ 为交易日 t 的全市场收益率；
④ m 为交易日窗口，一般取为月度。

说明

投资者注意力存在溢出效应，当一只股票关注度较高时，投资者也会注意到与其相似的邻居股票，导致这些邻居股票的未来收益也会有不错的收益，享有注意力溢价；上述因子以异常收益为注意力代理指标，计算注意力差值，注意力差值越大，表明未来注意力溢出效应越显著，股票预期会取得正向超额。

【参考文献】

① Chen X, An L, Wang Z, et al, 2023, Attention spillover in asset pricing. The Journal of Finance, 78(6), 3515-3559.
②陈升锐，2024，投资者有限关注及注意力捕捉与溢出，中信建投

基于异常收益的注意力溢出

行为金融因子-投资者注意力

计算每月平均异常日收益率作为注意力代理指标:

$$
ATTN_{i,t} = \frac{1}{m}\sum_{t}^{t - m + 1}(r_{i,t} - \bar{r}_{t})^{2}
$$

计算当期相近股票的注意力均值与个股注意力之差即为注意力溢出程度:

$$
S P I L L = \overline {{A T T N _ {i}}} - A T T N _ {i}
$$

其中

① 相近股票的确定标准:先以中信一级行业作为分类标准，再在每个行业内按3:4:3的比例将股票分为大、中、小市值；
② $r_{i,t}$ 为股票i在t交易日的收益率；
③ $\bar{r}_t$ 为交易日 $t$ 的全市场收益率；
④ $m$ 为交易日窗口，一般取为月度。

说明

投资者注意力存在溢出效应，当一只股票关注度较高时，投资者也会注意到与其相似的邻居股票，导致这些邻居股票的未来收益也会有不错的收益，享有注意力溢价；上述因子以异常收益为注意力代理指标，计算注意力差值，注意力差值越大，表明未来注意力溢出效应越显著，股票预期会取得正向超额。

【参考文献】

① Chen X, An L, Wang Z, et al, 2023, Attention spillover in asset pricing, The Journal of Finance, 78(6), 3515-3559.
② 陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：平均真实波幅

平均真实波幅

高频技术因子

使用日内频率为 1 分钟的高开低收序列计算日度 ATR:

$$
A t r _ {i, t} = \max \left\{\max \left\{H i g h _ {i, t} - L o w _ {i, t}, C l o s e _ {i, t - 1} - H i g h _ {i, t} \right\} \right\}, A B S (C l o s e _ {i, t - 1} - L o w _ {i, t}) \}
$$

$$
A T R _ {i, t} = \frac {\sum_ {t - 2 3 8} ^ {t} A t r _ {i , t}}{2 3 9}
$$

其中

将过去 20 个交易日的日度高频因子进行时间衰减加权即可降频为月度因子：

$$
\widehat {\mathrm{Factor} _ {j}} = \frac {1}{\sum_ {j = 1} ^ {2 0} \frac {j}{2 0}} \times \sum_ {i = 1} ^ {2 0} \widehat {\mathrm{Factor} _ {j , k}} \times \frac {j}{2 0}
$$

说明

高频 ATR 为日内分钟级的股价波动幅度的均值，用于预判价格在未来可能的波动幅度，进而决定买入或卖出时机。

[参考文献]

姚紫薇, 陈升锐, 2024, 技术指标因子高频化, 中信建投.

平均真实波幅

高频技术因子

使用日内频率为1分钟的高开低收序列计算日度ATR:

$$
A t r _ {i, t} = \max \{m a x \{H i g h _ {i, t} - L o w _ {i, t}, C l o s e _ {i, t - 1} - H i g h _ {i, t} \} \}, A B S (C l o s e _ {i, t - 1} - L o w _ {i, t}) \}
$$

$$
ATR_{i,t} = \frac{\sum_{t - 238}^{t}Atr_{i,t}}{239}
$$

其中

将过去 20 个交易日的日度高频因子进行时间衰减加权即可降频为月度因子:

$$
\widehat {\mathrm{Factor} _ {j}} = \frac {1}{\sum_ {j = 1} ^ {2 0} \frac {j}{2 0}} \times \sum_ {i = 1} ^ {2 0} \widehat {\mathrm{Factor} _ {j , k}} \times \frac {j}{2 0}
$$

说明

高频ATR为日内分钟级的股价波动幅度的均值，用于预判价格在未来可能的波动幅度，进而决定买入或卖出时机。

[参考文献]

姚紫薇, 陈升锐, 2024, 技术指标因子高频化, 中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

单季未分配利润同比变化比市值

基本面因子改进

下述横截面回归的残差即为单季未分配利润同比变化比市值：

$$
\begin{array}{l} \ln (D e l t a \_ {Q} u a r t \_ {U} N D I S \_ {P} R O F I T) = \beta * \ln (M V) + \alpha + \varepsilon \\ D e l t a \_ Q u a r t \_ U N D I S \_ P R O F I T \\ = \text { Quart\_UNDIS\_PROFIT } _ {t} - \text { Quart\_UNDIS\_PROFIT } _ {t - 4} \\ \end{array}
$$

其中

① Delta\_Quart\_UNDIS\_PROFIT 为单季度未分配利润同比增量，反映企业留待以后年度分配或待分配的利润；
② MV 为总市值。

说明

基本面指标本质都是以相对定价为核心，大多以比值的形式来构建，不可避免会遇到除数效应导致取值异常以及分子分母可比性的问题，通过截面整体回归的方式来重构这些基本面因子，重构后的因子普遍表现优于传统的版本；可将截面回归结构作为一个挖掘基本面因子的有效算子，遍历三大报表涉及的所有字段，挖掘新的基本面因子。

[参考文献]

杨怡玲, 2024, 相对定价类基本面因子挖掘, 东方证券.

单季未分配利润同比变化比市值

基本面因子改进

下述横截面回归的残差即为单季未分配利润同比变化比市值:

$$
\begin{array}{l} \ln (D e l t a \_ Q u a r t \_ U N D I S \_ P R O F I T) = \beta * \ln (M V) + \alpha + \varepsilon \\ \underline{\text{Delta\_Quart\_UNDIS\_PROFIT}} \\ = \text {Quart\_UNDIS\_PROFIT}_t - \text {Quart\_UNDIS\_PROFIT}_{t - 4} \\ \end{array}
$$

其中

① Delta_Quart_UNDIS_PROFIT 为单季度未分配利润同比增量，反映企业留待以后年度分配或待分配的利润；
② MV 为总市值。

说明

基本面指标本质都是以相对定价为核心，大多以比值的形式来构建，不可避免会遇到除数效应导致取值异常以及分子分母可比性的问题，通过截面整体回归的方式来重构这些基本面因子，重构后的因子普遍表现优于传统的版本；可将截面回归结构作为一个挖掘基本面因子的有效算子，遍历三大报表涉及的所有字段，挖掘新的基本面因子。

[参考文献]

杨怡玲, 2024, 相对定价类基本面因子挖掘, 东方证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：最大供应商动量

最大供应商动量

另类因子-动量溢出

$$
s m o m _ {i} ^ {1 M} = m o m _ {j \_ m a x \_ s a l e s} ^ {1 M}
$$

其中

① j\_max\_sales 为股票 i 的最大供应商 j，最大供应商 j 的动量即为最大供应商动量因子；
② 动量的计算周期可以是 1 月动量、6 月动量、12 月动量等。

说明

最大供应商动量的表现与通过完整供应商加权得到的供应商动量表现相近，供应商动量溢出主要来源于最大供应商。

[参考文献]

Jussa et al., 2015, The Logistics of Supply Chain Alpha, Deutsche Bank Markets Research.

最大供应商动量

另类因子-动量溢出

$$
s m o m _ {i} ^ {1 M} = m o m _ {j \_ m a x \_ s a l e s} ^ {1 M}
$$

其中

① j_max_sales 为股票 i 的最大供应商 j，最大供应商 j 的动量即为最大供应商动量因子；
② 动量的计算周期可以是1月动量、6月动量、12月动量等。

说明

最大供应商动量的表现与通过完整供应商加权得到的供应商动量表现相近，供应商动量溢出主要来源于最大供应商。

【参考文献】

Jussa et al., 2015, The Logistics of Supply Chain Alpha, Deutsche Bank Markets Research.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：前景价值 TK

前景价值 TK

行为金融因子-前景理论

① 以个股过去 N 日收益率序列作为未来收益分布的预测，其中负收益率从小到大为 $r_{-m} \ldots r_{-1}$ ，正收益率从小到大为 $r_{1} \ldots r_{n}$ ，每个收益出现的概率均为 $\frac{1}{N} N = m + n + 1$ ：

$$
\left(r _ {- m}, \frac {1}{N}; r _ {- 1}, \frac {1}{N}; r _ {0}, \frac {1}{N}; r _ {1}, \frac {1}{N}; \dots , r _ {m}, \frac {1}{N}\right)
$$

② 利用价值函数、权重函数计算前景价值 TK:

$$
T K = \sum_ {i = - m} ^ {- 1} v (r _ {i}) [ w ^ {-} (\frac {i + m + 1}{N}) - w ^ {-} (\frac {i + m}{N}) ] + \sum_ {i = 1} ^ {n} v (r _ {i}) [ w ^ {+} (\frac {n - i + 1}{N}) - w ^ {+} (\frac {n - i}{N}) ]
$$

③ 价值函数、权重函数如下所示，函数参数取值为 $\alpha = 0.88, \lambda = 2.25;$

$$
\gamma = 0. 6 1, \delta = 0. 6 9:
$$

$$
v (x) = \left\{ \begin{array}{l l} x ^ {\alpha} & x \geq 0 \\ - \lambda (- x) ^ {\alpha} & x <   0 \end{array} \right.
$$

$$
\pi_ {l} = \left\{ \begin{array}{l l} w ^ {+} (p _ {i} + \dots p _ {n}) - w ^ {+} (p _ {i + 1} + \dots p _ {n}) & 0 \leq l \leq n \\ w ^ {-} (p _ {m} + \dots p _ {n}) - w ^ {+} (p _ {i + 1} + \dots p _ {n}) & 0 \leq i \leq n \\ w ^ {-} (p _ {m} + \dots p _ {i}) - w ^ {-} (p _ {m} + \dots p _ {i - 1}) & - m \leq i <   0 \end{array} \right.
$$

$$
w ^ {+} (P) = \frac {P ^ {\gamma}}{(P ^ {\gamma} + (1 - P) ^ {\gamma}) ^ {\frac {1}{\gamma}}} \quad w ^ {-} (P) = \frac {P ^ {\delta}}{(P ^ {\delta} + (1 - P) ^ {\delta}) ^ {\frac {1}{\delta}}}
$$

说明

前景价值代表了投资者给每支个股的“打分”，基于前景理论，由于价值量TK高的股票更具吸引力，投资者总会去买入那些价值量TK高的股票（选项），导致价值高的股票被超买，而价值低的股票由于没人关注而被低估，股票未来的预期收益率和当前的前景价值TK呈负相关。

[参考文献]

Barberis, N., A. Mukherjee, and B. Wang, 2016, Prospect theory and stock returns: An empirical test, Review of Financial Studies, 29(11), 3068-3107.

前景价值 TK

行为金融因子-前景理论

① 以个股过去 N 日收益率序列作为未来收益分布的预测，其中负收益率从小到大为 $r_{-m} \dots r_{-1}$，正收益率从小到大为 $r_1 \dots r_n$，每个收益出现的概率均为 $\frac{1}{N} N = m + n + 1$:

$$
(r _ {- m}, \frac {1}{N}; r _ {- 1}, \frac {1}{N}; r _ {0}, \frac {1}{N}; r _ {1}, \frac {1}{N}; \dots , r _ {m}, \frac {1}{N})
$$

② 利用价值函数、权重函数计算前景价值 TK:

$$
T K = \sum_ {i = - m} ^ {- 1} v (r _ {i}) [ w ^ {-} (\frac {i + m + 1}{N}) - w ^ {-} (\frac {i + m}{N}) ] + \sum_ {i = 1} ^ {n} v (r _ {i}) [ w ^ {+} (\frac {n - i + 1}{N}) - w ^ {+} (\frac {n - i}{N}) ]
$$

③ 价值函数、权重函数如下所示，函数参数取值为 $\alpha = 0.88, \lambda = 2.25$;

$$
\gamma = 0. 6 1, \delta = 0. 6 9:
$$

$$
v (x) = \left\{ \begin{array}{l l} x ^ {\alpha} & x \geq 0 \\ - \lambda (- x) ^ {\alpha} & x <   0 \end{array} \right.
$$

$$
\pi_ {l} = \left\{ \begin{array}{l l} w ^ {+} (p _ {i} + \dots p _ {n}) - w ^ {+} (p _ {i + 1} + \dots p _ {n}) & 0 \leq l \leq n \\ w ^ {-} (p _ {m} + \dots p _ {n}) - w ^ {+} (p _ {i + 1} + \dots p _ {n}) & 0 \leq i \leq n \\ w ^ {-} (p _ {m} + \dots p _ {i}) - w ^ {-} (p _ {m} + \dots p _ {i - 1}) & - m \leq i <   0 \end{array} \right.
$$

$$
w ^ {+} (P) = \frac {P ^ {\gamma}}{(P ^ {\gamma} + (1 - P) ^ {\gamma}) ^ {\frac {1}{\gamma}}} \qquad w ^ {-} (P) = \frac {P ^ {\delta}}{(P ^ {\delta} + (1 - P) ^ {\delta}) ^ {\frac {1}{\delta}}}
$$

说明

前景价值代表了投资者给每支个股的“打分”，基于前景理论，由于价值量TK高的股票更具吸引力，投资者总会去买入那些价值量TK高的股票（选项），导致价值高的股票被超买，而价值低的股票由于没人关注而被低估，股票未来的预期收益率和当前的前景价值TK呈负相关。

[参考文献]

Barberis, N., A. Mukherjee, and B. Wang, 2016, Prospect theory and stock returns: An empirical test, Review of Financial Studies, 29(11), 3068-3107.

本地与历史 OCR 对比：正文中文字符相似度 99.31%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：

基于成交量的资金流入占比

期货-高频因子

$$
f l o w I n R a t i o = \frac {\sum_ {i} \sum_ {j} V o l u m e _ {i j} * C l o s e _ {i j} * \frac {C l o s e _ {i j} - C l o s e _ {i (j - 1)}}{| C l o s e _ {i j} - C l o s e _ {i (j - 1)} |}}{\sum_ {i} A m o u n t _ {i , t o t a l}}
$$

其中

① $Close_{ij}$ 和 $Volume_{ij}$ 分别为期货品种在交易日 i 内第 j 分钟收盘价和成交量；
② $Amount_{i,total}$ 为期货品种在交易日 i 的成交额。

说明

期货资金流入因子具有短期反转（回看期和持有期较短时因子方向为负）、长期动量特征（回看期和持有期（大于5个交易日）较长时因子方向为正）。

[参考文献]

冯佳睿, 姚石, 2018, 高频弱价因子在股票与期货中的表现, 海通证券.

基于成交量的资金流入占比

期货-高频因子

$$
f l o w I n R a t i o = \frac {\sum_ {i} \sum_ {j} V o l u m e _ {i j} * C l o s e _ {i j} * \frac {C l o s e _ {i j} - C l o s e _ {i (j - 1)}}{| C l o s e _ {i j} - C l o s e _ {i (j - 1)} |}}{\sum_ {i} A m o u n t _ {i , t o t a l}}
$$

其中

① $Close_{ij}$ 和 $Volume_{ij}$ 分别为期货品种在交易日 i 内第 j 分钟收盘价和成交量；
② Amount $_{i,total}$ 为期货品种在交易日i的成交额。

说明

期货资金流入因子具有短期反转（回看期和持有期较短时因子方向为负）、长期动量特征（回看期和持有期（大于5个交易日）较长时因子方向为正）。

【参考文献】

冯佳睿, 姚石, 2018, 高频盈价因子在股票与期货中的表现, 海通证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：下游传导动量

下游传导动量

另类因子-动量溢出

计算上游公司 A 与下游公司 B 间每一对上下游产品 $i \rightarrow j$ 之间的关联度：

$$
w g t _ {A, B, t} = \frac {\sum_ {i} p r d I n c o m e _ {A , i , t} \times 1 \{i \rightarrow j , i \in A \} + \sum_ {j} p r d I n c o m e _ {B , j , t} \times 1 \{i \rightarrow j , j \in B \}}{\sum_ {i} p r d I n c o m e _ {A , i , t} + \sum_ {j} p r d I n c o m e _ {B , j , t}}
$$

对上游公司 A，以产业链关联度为权重加权其所有下游公司的月度收益率，即为下游传导动量因子：

$$
u p s t r e a m \_ M o m e n _ {A, t} = \frac {\sum_ {A \neq B} w g t _ {A , B , t} \times r t n _ {B , t}}{\sum_ {A \neq B} w g t _ {A , B , t}}
$$

其中

① prdIncome $_{A,i,t}$ 为公司 A 在产品 i 上的营业收入；
② $\sum_{i} prdIncome_{A,i,t}$ 为公司 A 的当期总营收；
③ $1\{i \rightarrow j\}$ 表示产品 i 为产品 j 的上游；
④ $rtn_{B,t}$ 为公司 B 在 t 时刻的月度收益率；
⑤ 可以将下游传导动量因子对月度收益率做正交化，剥离月度反转效应。

说明

下游传导动量因子值越大，表示公司 A 作为上游企业时，位于其产业链下游的高关联度高集群公司在考察月份涨幅相对较高，公司 A 接下来也会有上涨的可能。

【参考文献】

郑兆磊, 2023, 产业链视角下的 Alpha 传导研究, 兴业证券.

下游传导动量

另类因子-动量溢出

计算上游公司 A 与下游公司 B 间每一对上下游产品 $i \rightarrow j$ 之间的关联度:

$$
w g t _ {A, B, t} = \frac {\sum_ {i} p r d I n c o m e _ {A , i , t} \times 1 \{i \rightarrow j , i \in A \} + \sum_ {j} p r d I n c o m e _ {B , j , t} \times 1 \{i \rightarrow j , j \in B \}}{\sum_ {i} p r d I n c o m e _ {A , i , t} + \sum_ {j} p r d I n c o m e _ {B , j , t}}
$$

对上游公司 A，以产业链关联度为权重加权其所有下游公司的月度收益率，即为下游传导动量因子:

$$
u p s t r e a m \_ M o m e n _ {A, t} = \frac {\sum_ {A \neq B} w g t _ {A , B , t} \times r t n _ {B , t}}{\sum_ {A \neq B} w g t _ {A , B , t}}
$$

其中

① prdIncome $_{A,i,t}$  为公司 A 在产品 i 上的营业收入；
② $\sum_{i} prdIncome_{A,i,t}$ 为公司 A 的当期总营收；
③ $1\{i \rightarrow j\}$ 表示产品 i 为产品 j 的上游；
④ $rtn_{B,t}$ 为公司B在t时刻的月度收益率；
⑤ 可以将下游传导动量因子对月度收益率做正交化，剥离月度反转效应。

说明

下游传导动量因子值越大，表示公司A作为上游企业时，位于其产业链下游的高关联度高集群公司在考察月份涨幅相对较高，公司A接下来也会有上涨的可能。

【参考文献】

郑兆磊, 2023, 产业链视角下的 Alpha 传导研究, 兴业证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：每笔成交量差分标准差

每笔成交量差分标准差

高频因子-成交分布类

$$
d i f f _ {i} = v o l b _ {i} - v o l b _ {i - 1}
$$

$$
\text { diff\_mean } _ {\text { day }} = \text { mean } (\text { abs } \left(\frac {\text { diff } _ {i}}{\text { mean } (\{\text { volb } _ {i} \})}\right)
$$

$$
d i f f \_ s t d _ {v o l b} = m e a n (\{d i f f \_ s t d _ {d a y} \})
$$

其中

$volb_{i}$ 为个股日内 240 根 1 分钟 K 线的每笔成交量（成交量/成交笔数）， $diff\_std_{day}$ 取过去 20 个交易日数据。

说明

上述因子通过计算差分从成交量数据中提取出时间序列信息，是对数据局部峰值的度量，而局部峰值可能是对趋势交易者或知情交易者交易行为的刻画，其参与交易越多的个股在未来一段时间内的收益越高，因子表现出正向收益能力。

【参考文献】

覃川桃，郑起，2020，高频因子(九)：高频波动中的时间序列信息，长江证券.

每笔成交量差分标准差

高频因子-成交分布类

$$
d i f f _ {i} = v o l b _ {i} - v o l b _ {i - 1}
$$

$$
d i f f \_ m e a n _ {d a y} = m e a n (a b s \left(\frac {d i f f _ {i}}{m e a n (\{v o l b _ {i} \})}\right)
$$

$$
d i f f \_ s t d _ {v o l b} = m e a n (\{d i f f \_ s t d _ {d a y} \})
$$

其中

volb$_{i}$ 为个股日内 240 根 1 分钟 K 线的每笔成交量（成交量/成交笔数），diff_std$_{day}$ 取过去 20 个交易日数据。

说明

上述因子通过计算差分从成交量数据中提取出时间序列信息，是对数据局部峰值的度量，而局部峰值可能是对趋势交易者或知情交易者交易行为的刻画，其参与交易越多的个股在未来一段时间内的收益越高，因子表现出正向收益能力。

[参考文献]

覃川桃, 郑起, 2020, 高频因子(九): 高频波动中的时间序列信息, 长江证券.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：价值因子

价值因子

期货-价值因子

$$
V a l u e _ {t} ^ {j} = \ln \left(\frac {F _ {j , t - 6 0} ^ {T _ {1}}}{F _ {j , t} ^ {T _ {1}}}\right)
$$

其中

① $F_{j,t-60}^{T_1}$ 为从4.5年-5.5年之间的商品j第一个最近期货合约价格的均值作为账面价值；
② $F_{j,t}^{\mathrm{T}}$ 为商品 $\mathbf{j}$ 在 $\mathbf{t}$ 时刻的第一个最近期货合约的价格作为现货价格。

说明

价值因子为期货账面价值与当前现货价格的比值，可以看做是资产过去5年累计收益率的相反数。

[参考文献]

Sakkas, A., Tessaromatis, N., 2020, Factor Based Commodity Investing, Journal of Banking & Finance, 106, 105851.

价值因子

期货-价值因子

$$
V a l u e _ {t} ^ {j} = \ln \left(\frac {F _ {j , t - 6 0} ^ {T _ {1}}}{F _ {j , t} ^ {T _ {1}}}\right)
$$

其中

① $F_{j,t-60}^{T_1}$ 为从4.5年-5.5年之间的商品j第一个最近期货合约价格的均值作为账面价值；
② $F_{j,t}^{T_1}$ 为商品j在t时刻的第一个最近期货合约的价格作为现货价格。

说明

价值因子为期货账面价值与当前现货价格的比值，可以看做是资产过去5年累计收益率的相反数。

【参考文献】

Sakkas, A., Tessaromatis, N., 2020, Factor Based Commodity Investing, Journal of Banking & Finance, 106, 105851.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；未检出明显分歧。相似度不是准确率；模型一致也不等于原文正确。

本地标题：基于沪深总成交额的注意力捕捉

基于沪深总成交额的注意力捕捉

行为金融因子-投资者注意力

统计每日沪深两市的总成交额作为市场关注代理指标：

$$
m k t _ {-} v o l _ {d} = \text {   沪市总成交额   } _ {d} + \text {   深市总成交额   } _ {d}
$$

将市场关注代理指标与股票日收益进行月度时序回归，代理指标前的系数绝对值 $|\beta_{i,t}|$ 即为股票对市场关注的敏感程度：

$$
\begin{array}{l} r _ {i, d} = u _ {i, t} + \beta_ {i, t} m k t _ {-} v o l _ {d} + \rho_ {1, i, t} M k t _ {d} + \rho_ {2, i, t} S M B _ {d} \\ + \rho_ {3, i, t} H M L _ {d} + \rho_ {4, i, t} U M D _ {d} + \varepsilon_ {i, t} \\ \end{array}
$$

其中

① $n_{upper,d}$ 、 $n_{lower,d}$ 、 $N_{d}$ 分别为 d 日涨停股票数量、跌停股票数量、当日交易股票总数；
② $r_{i,d}$ 为个股日度收益；
③ $Mkt_{d}$ 、 $SMB_{d}$ 、 $HML_{d}$ 为经典的 Fama-French 三因子；
④ $UMD_{d}$ 为动量因子收益，即全市场过去 11 个月累积收益前后 30% 的组合在 d 日的收益差。

说明

不同股票对同一市场关注度事件的反映程度往往是不同的，可借助个股收益对市场关注度事件的敏感程度来衡量股票对该事件的注意力捕捉效应；捕捉能力越强（敏感程度越高），表明个股更能吸引市场注意，从而导致买盘压力增大，股价高估；上述因子以两市成交额作为市场关注度事件，成交额越高表明关注度越高。

【参考文献】

① Fengjiao LIN, Zhigang QIU, Zheng W, 2023, Cranes among chickens: The general-attention - grabbing effect of daily price limits in China's stock market, Journal of Banking & Finance, 150, 106818.
② 陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

基于沪深总成交额的注意力捕捉

行为金融因子-投资者注意力

统计每日沪深两市的总成交额作为市场关注代理指标:

$$
m k t _ {-} v o l _ {d} = \text {沪市总成交额} _ {d} + \text {深市总成交额} _ {d}
$$

将市场关注代理指标与股票日收益进行月度时序回归，代理指标前的系数绝对值 $|\beta_{i,t}|$ 即为股票对市场关注的敏感程度:

$$
\begin{array}{l} r _ {i, d} = u _ {i, t} + \beta_ {i, t} m k t _ {-} v o l _ {d} + \rho_ {1, i, t} M k t _ {d} + \rho_ {2, i, t} S M B _ {d} \\ + \rho_ {3, i, t} H M L _ {d} + \rho_ {4, i, t} U M D _ {d} + \varepsilon_ {i, t} \\ \end{array}
$$

其中

① $n_{upper,d}$ 、 $n_{lower,d}$ 、 $N_{d}$ 分别为 d 日涨停股票数量、跌停股票数量、当日交易股票总数；
② $r_{i,d}$ 为个股日度收益；
③ $Mkt_{d}$ 、 $SMB_{d}$ 、 $HML_{d}$ 为经典的Fama-French三因子；
④ $UMD_{d}$ 为动量因子收益，即全市场过去11个月累积收益前后30%的组合在d日的收益差。

说明

不同股票对同一市场关注度事件的反映程度往往是不同的，可借助个股收益对市场关注度事件的敏感程度来衡量股票对该事件的注意力捕捉效应；捕捉能力越强（敏感程度越高），表明个股更能吸引市场注意，从而导致买盘压力增大，股价高估；上述因子以两市成交额作为市场关注度事件，成交额越高表明关注度越高。

【参考文献】

① Fengjiao LIN, Zhigang QIU, Zheng W, 2023, Cranes among chickens: The general-attention - grabbing effect of daily price limits in China's stock market, Journal of Banking & Finance, 150, 106818.

② 陈升锐, 2024, 投资者有限关注及注意力捕捉与溢出, 中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：SLSV 模型

SLSV 模型

行为金融因子-羊群效应

$$
S L S V _ {i, t} = \left\{ \begin{array}{l} L S V _ {i, t}, p _ {i, t} > p _ {t} \\ - L S V _ {i, t}, p _ {i, t} <   p _ {t} \end{array} \right.
$$

$$
L S V _ {i, t} = \left| p _ {i, t} - p _ {t} \right| - E \left| p _ {i, t} - p _ {t} \right|
$$

$$
E \left| p _ {i, t} - p _ {t} \right| = A F (i, t) = \sum_ {k = 1} ^ {N _ {i, t}} C _ {k} ^ {N _ {i, t}} p _ {t} ^ {k} \left(1 - p _ {t}\right) ^ {N _ {i, t} - k} \left| \frac {k}{N _ {i , t}} - p _ {t} \right|
$$

$$
p _ {i, t} = \frac {B (i , t)}{B (i , t) + S (i , t)}, p _ {t} = \frac {\sum_ {i = 1} ^ {N} p _ {i , t}}{N}, N _ {i, t} = B (i, t) + S (i, t)
$$

其中

① $B(i,t)$ 、 $S(i,t)$ 分别为区间 t 内买入股票和卖出股票的基金数量；
② $N_{i,t}$ 为持仓发生变动的基金数量；
③ $p_{i,t}$ 为股票i在区间t内买入股票基金占持仓变动基金的比例；
④ 此处使用的是基金年报和半年报持仓数据，假设有 300 只基金加仓股票 i，则 $B(i,t)=300$ ；
⑤ N 为全市场股票总数。

说明

LSV 模型从基金持股变动数据出发判断一只股票是否被集中买入或集中卖出，进而捕捉基金“抱团”现象；而 SLSV 在 LSV 基础上，考虑了投资者的买卖方向，当 SLSV 显著为正时，对应买入从众效应，当 SLSV 显著为负时，对应卖出从众效应，SLSV 越趋于 0 时，从众效应越弱。

[参考文献]

Russ Wermers, 1999, Mutual Fund Herding and the Impact on Stock Prices, The Journal of Finance, 54, 581-622.

SLSV 模型

行为金融因子-羊群效应

$$
\left| S L S V _ {i, t} = \left\{ \begin{array}{c} L S V _ {i, t}, p _ {i, t} > p _ {t} \\ - L S V _ {i, t}, p _ {i, t} <   p _ {t} \end{array} \right. \right|
$$

$$
L S V _ {i, t} = | p _ {i, t} - p _ {t} | - E | p _ {i, t} - p _ {t} |
$$

$$
E | p _ {i, t} - p _ {t} | = A F (i, t) = \sum_ {k = 1} ^ {N _ {i, t}} C _ {k} ^ {N _ {i, t}} p _ {t} ^ {k} (1 - p _ {t}) ^ {N _ {i, t} - k} \left| \frac {k}{N _ {i , t}} - p _ {t} \right|
$$

$$
p _ {i, t} = \frac {B (i , t)}{B (i , t) + S (i , t)}, p _ {t} = \frac {\sum_ {i = 1} ^ {N} p _ {i , t}}{N}, N _ {i, t} = B (i, t) + S (i, t)
$$

其中

① $B(i,t)$ 、 $S(i,t)$ 分别为区间 $\mathrm{t}$ 内买入股票和卖出股票的基金数量；
② $N_{i,t}$ 为持仓发生变动的基金数量；
③ $p_{i,t}$ 为股票i在区间t内买入股票基金占持仓变动基金的比例；
④ 此处使用的是基金年报和半年报持仓数据，假设有300只基金加仓股票i，则 $B(i,t) = 300$；
⑤ N 为全市场股票总数。

说明

LSV模型从基金持股变动数据出发判断一只股票是否被集中买入或集中卖出，进而捕捉基金“抱团”现象；而SLSV在LSV基础上，考虑了投资者的买卖方向，当SLSV显著为正时，对应买入从众效应，当SLSV显著为负时，对应卖出从众效应，SLSV越趋于0时，从众效应越弱。

【参考文献】

Russ Wermers, 1999, Mutual Fund Herding and the Impact on Stock Prices, The Journal of Finance, 54, 581-622.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：方向标准离差指标

方向标准离差指标

高频技术因子

$$
\begin{array}{l} D M Z _ {i, t} \\ = I F \left(H _ {i, t} + L _ {i, t} <   = H _ {i, t - 1} + L _ {i, t - 1}, 0, \max \left\{a b s \left(H _ {i, t} - H _ {i, t - 1}\right), a b s \left(L _ {i, t} - L _ {i, t - 1}\right) \right\}\right) \\ D M F _ {i, t} \\ = I F \left(H _ {i, t} + L _ {i, t} > H _ {i, t - 1} + L _ {i, t - 1}, 0, \max \left\{a b s \left(H _ {i, t} - H _ {i, t - 1}\right), a b s \left(L _ {i, t} - L _ {i, t - 1}\right) \right\}\right) \\ \end{array}
$$

$$
D I Z _ {i, t} = 1 0 0 * \frac {\sum_ {t - 2 3 8} ^ {t} D M Z _ {i , t}}{\sum_ {t - 2 3 8} ^ {t} D M Z _ {i , t} + \sum_ {t - 2 3 8} ^ {t} D M F _ {i , t}}
$$

$$
D I F _ {i, t} = 1 0 0 * \frac {\sum_ {t - 2 3 8} ^ {t} D M F _ {i , t}}{\sum_ {t - 2 3 8} ^ {t} D M Z _ {i , t} + \sum_ {t - 2 3 8} ^ {t} D M F _ {i , t}}
$$

$$
D D I _ {i, t} = D Z I _ {i, t} - D I F _ {i, t}
$$

其中

将过去20个交易日的日度高频因子进行时间衰减加权即可降频为月度因子。

说明

高频DDI使用日内1分钟最高价和最低价序列计算得到；该指标观察了日内分钟股价相对于上一时刻向上波动和向下波动的比例，并对其进行移动平均分析。通过分析DDI柱状线，可以判断是买入信号还是卖出信号。

【参考文献】

姚紫薇, 陈升锐, 2024, 技术指标因子高频化, 中信建投.

方向标准离差指标

高频技术因子

$$
\begin{array}{l} D M Z _ {i, t} \\ = I F (H _ {i, t} + L _ {i, t} <   = H _ {i, t - 1} + L _ {i, t - 1}, 0, \max \left\{a b s (H _ {i, t} - H _ {i, t - 1}), a b s (L _ {i, t} - L _ {i, t - 1}) \right\}) \\ D M F _ {i, t} \\ = I F (H _ {i, t} + L _ {i, t} > H _ {i, t - 1} + L _ {i, t - 1}, 0, \max \left\{a b s (H _ {i, t} - H _ {i, t - 1}), a b s (L _ {i, t} - L _ {i, t - 1}) \right\}) \\ \end{array}
$$

$$
\begin{array}{l} D M F _ {i, t} \\ = I F (H _ {i, t} + L _ {i, t} > H _ {i, t - 1} + L _ {i, t - 1}, 0, \max \left\{a b s (H _ {i, t} - H _ {i, t - 1}), a b s (L _ {i, t} - L _ {i, t - 1}) \right\}) \\ \end{array}
$$

$$
D I Z _ {i, t} = 1 0 0 * \frac {\sum_ {t - 2 3 8} ^ {t} D M Z _ {i , t}}{\sum_ {t - 2 3 8} ^ {t} D M Z _ {i , t} + \sum_ {t - 2 3 8} ^ {t} D M F _ {i , t}}
$$

$$
D I F _ {i, t} = 1 0 0 * \frac {\sum_ {t - 2 3 8} ^ {t} D M F _ {i , t}}{\sum_ {t - 2 3 8} ^ {t} D M Z _ {i , t} + \sum_ {t - 2 3 8} ^ {t} D M F _ {i , t}}
$$

$$
D D I _ {i, t} = D Z I _ {i, t} - D I F _ {i, t}
$$

其中

将过去 20 个交易日的日度高频因子进行时间衰减加权即可降频为月度因子。

说明

高频DDI使用日内1分钟最高价和最低价序列计算得到；该指标观察了日内分钟股价相对于上一时刻向上波动和向下波动的比例，并对其进行移动平均分析。通过分析DDI柱状线，可以判断是买入信号还是卖出信号。

【参考文献】

姚紫薇, 陈升锐, 2024, 技术指标因子高频化, 中信建投.

本地与历史 OCR 对比：正文中文字符相似度 100.00%；公式文本有差异（也可能只是排版）。相似度不是准确率；模型一致也不等于原文正确。

本地标题：基于PB的分析师锚效益偏差

基于 PB 的分析师锚效益偏差

行为金融因子-锚定效应

$$
C A F _ {-} B P _ {i, t} = \frac {F B P _ {i , t} - I F B P _ {t}}{I F B P _ {t}}
$$

$$
F B P _ {i, t} = \frac {1}{F P B _ {i , t}}
$$

其中

① $FPB_{i,t}$ 为分析师在时间 t 对股票 i 的 PB 指标的预测值；
② $IFBP_{t}$ 为股票 i 所属行业中所有成分股的 $FPB_{i,t}$ 中位数。

说明

锚定效应指人们在作出判断时会将看到或听到的第一印象的影响作为锚点，并根据锚点对判断做调整，使得调整不充分偏向于该锚点而造成判断偏差的现象；假设分析师预测也会有锚定效应，即分析师以公司所在行业作为定价的“锚”，当预测的财务指标超出（低于）行业中位数时，分析师会做出悲观（乐观）预测的指标，以接近行业中位数，财报公布后，被预测的公司的财务指标将高于（低于）预测值，股价表现将更优（更差）。

【参考文献】

① Ashoura, S., & Hao, Q., 2019, Do analysts really anchor? Evidence from credit risk and suppressed negative information, Journal of Banking & Finance, 98, 183-197.
② 陈升锐, 2023, 行为金融学在量化选股中的应用, 中信建投.

基于PB的分析师锚效益偏差

行为金融因子- 锚定效应

$$
\text{CAF\_BP}_{i,t} = \frac{FBP_{i,t} - IFBP_t}{IFBP_t}
$$

$$
\left| F B P _ {i, t} = \frac {1}{F P B _ {i , t}} \right|
$$

其中

① $FPB_{i,t}$ 为分析师在时间 $t$ 对股票 $i$ 的PB指标的预测值；
② $IFBP_{t}$ 为股票i所属行业中所有成分股的 $FPB_{i,t}$ 中位数。

说明

锚定效应指人们在作出判断时会将看到或听到的第一印象的影响作为锚点，并根据锚点对判断做调整，使得调整不充分偏向于该锚点而造成判断偏差的现象；假设分析师预测也会有锚定效应，即分析师以公司所在行业作为定价的“锚”，当预测的财务指标超出（低于）行业中位数时，分析师会做出悲观（乐观）预测的指标，以接近行业中位数，财报公布后，被预测的公司的财务指标将高于（低于）预测值，股价表现将更优（更差）。

【参考文献】

① Ashoura, S., & Hao, Q, 2019, Do analysts really anchor? Evidence from credit risk and suppressed negative information, Journal of Banking & Finance, 98, 183-197.
② 陈升锐, 2023, 行为金融学在量化选股中的应用, 中信建投.