个股流动性指标研究与相关性分析 [page::0][page::3-10]

• 流动性通过成交额、成交量、换手率和非流动性等指标及其64种衍生指标度量。

- 成交额与成交量相关性高，换手率与非流动性相关性较弱。

• 平均值与标准差、偏度与峰度在各指标内相关性较高。

- 成交量、成交额及非流动性（反向）与规模因子正相关，换手率与规模负相关。

流动性指标收益率及组合表现 [page::11-12]

| 指标 | 因子小10%年化收益率 | 因子大10%年化收益率 | 收益率差 | 2017年小组收益率 | 2017年大组收益率 | 2017年收益率差 |
|-----------------|----------------------|---------------------|-------------|-------------------|------------------|----------------|
| 日均成交额 | 41.02% | -0.57% | 41.59% | -14.32% | -17.90% | 3.58% |
| 日均非流动性 | 4.77% | 36.91% | 32.14% | 1.33% | -19.87% | -21.20% |
| 日均换手率 | 22.42% | -4.69% | 27.11% | 4.58% | -36.01% | 40.58% |
| 日均成交量 | 29.75% | 3.42% | 26.33% | -16.06% | -10.24% | -5.82% |

• 长期看成交额、非流动性、换手率均展现超额收益，2017年流动性较强指标表现承压，下跌较大。

纯因子视角下流动性因子构建与回测表现 [page::13-14]

• 采用纯因子多空组合，在八大风格因子中对流动性因子进行规模、估值、成长等风格中性化处理。

- 三种流动性指标（成交额、换手率、非流动性）纯因子组合有稳定正向收益，彼此日收益率呈高度相关。

高流动性暴露纯多头组合构造与绩效 [page::15-17]

• 构造纯多头组合，保持对规模等风格因子约束，行业中性化，目标为高流动性暴露。

- 历史年化超额收益7.83%，跟踪误差4.81%，信息比率1.63，2017年收益超沪深300指数5.79%。

• 风格因子暴露平均水平较低，收益主要来自换手率因子贡献。

规模因子暴露对组合表现影响分析 [page::18-20]

• 允许规模因子负向暴露可带来更高收益，但伴随更长更深回撤期，历年暴露调整滞后存在收益损耗。

- 组合相对沪深300指数波动加剧，但整体表现有所提升。

不同市场状态下流动性因子表现及波动率敏感性分析 [page::21-23]

| 市场状态 | 年化收益率 | 年化波动率 | 风险收益比 |
|--------------|------------|-----------|-----------|
| 偏牛市 | 7.28%-9.8% | 3.37%-3.5% | 2.16-2.78 |
| 偏熊市 | 11.84%-27.69% | 4.49%-4.68% | 2.63-5.92 |
| 偏震荡 | 10.18%-13.8% | 3.07%-3.63% | 3.32-3.80 |

• 熊市流动性因子收益优于震荡市，牛市表现最弱。

- 流动性因子收益对市场波动率不敏感，区别于反转因子表现。

基础因子研究（一）：个股流动性因子测试与组合构建详尽分析报告

---

一、元数据与报告概览

• 报告标题：基础因子研究（一）——个股流动性因子测试与组合构建

- 发布日期：2017年12月5日

• 研究机构：长江证券研究所

- 作者及联系方式：邓越华（执业证书编号：S0490517070010）

• 研究领域：金融工程专题报告，聚焦于A股市场个股流动性因子的构建、相关性分析、收益表现及综合投资组合测试

- 主要内容与观点：
该报告深入探讨了个股流动性的多项指标及其衍生指标的相关性、收益表现及构建投资组合的有效性。研究指出，在历史长周期内，流动性指标能提供稳定的超额收益，特别是成交额、换手率、非流动性指标表现优异。报告通过不同维度包括截面相关性、收益率排序、纯因子投资组合，及不暴露特定风格的纯多头组合展开系统测算验证，强调了流动性因子在多因子投资体系中的重要性。并对影响因子表现的市场周期、规模因子暴露及风险收益做了详尽讨论，展现流动性因子成熟且实际可操作的投资价值。[page::0, 3, 11, 23]

---

二、逐节深度解读

2.1 个股流动性指标定义与计算方法

• 主旨：对流动性的定义为将股票转换为现金的时间和成本，流动性好的股票能更快且以公允价格卖出。报告从理论上阐述了流动性溢价(Liquidity Premium)的存在，即流动性较差的资产因承担额外风险，期望更高风险溢价。

- 指标体系：采用成交额、成交量、换手率及非流动性指标及其衍生指标（如标准差、变异系数、偏度、峰度、变化比例）构建综合流动性评价体系，总计64个指标。[page::0, 3]

• 非流动性指标计算公式：

\[
\text{illiquidity} = \frac{|\mathrm{R}{daily}| \times 100}{\mathrm{amount}{daily}/10^8}
\]
表示单位成交额下价格波动的幅度，数值越大，流动性越差。[page::3]

2.2 指标相关性分析

2.2.1 大类指标内部相关性

• 成交额指标相关性：

- 不同参数窗口（5、21、42、63天）的成交额均值相关性极高（0.88以上，图4），标准差与均值相关性也较高，说明这些重新设定时间窗口的衍生指标高度重叠。
- 成交额的峰度和偏度与均值相关性较低（均低于0.15，图5），提示峰度等高阶矩描述的是不同信息。

• 成交量、换手率、非流动性指标：

- 类似的高内在相关性结构，非流动性相关系数相对特殊，体现其较独立的信息量。[page::4, 5]

2.2.2 大类指标间相关性

• 成交额与成交量相关性非常高（约0.75-0.99，图6），反映逻辑相似性。

- 变异系数（图7）：成交量、成交额、换手率的变异系数高度正相关，非流动性相对独立。

• 变化比例相关性（图8）：成交量、成交额、换手率的变化比例相关系数极高（0.97以上）；非流动性变化比例和成交量变化比例呈负相关（约-0.46），符合流动性改善时成交增加而非流动性指标下降逻辑。

- 偏度与变异系数（图9）：成交量、成交额、换手率间存在中等相关性（约0.6），非流动性无此特征。[page::6, 7]

2.2.3 与规模、股价、反转因子相关性

• 规模因子（以流通市值计）：成交量、成交额、非流动性（反向指标）均正相关，换手率负相关（图10）。说明换手率指标偏向小市值股票。

- 股价相关性：总体弱相关，换手率和成交量偏低的股票对应股价偏低（图11）。

• 反转因子相关性：变化比例类指标与反转因子表现较强正相关（图12），体现价格下跌时流动性指标同步变化。

- 相关性总结（图13）：指标聚类网络图进一步明晰了成交额与成交量紧密联动，换手率与非流动性相对独立，且与规模和反转因子的复杂关系。[page::8-10]

2.3 收益率分析与排序构建

• 等权排序组合表现（表1）：

- 历史区间（2004.12-2017.11）成交额低端10%组合年化收益41.02%，非流动性高端组年化收益36.91%；换手率低端组合年化收益22.42%。均显著优于基准中证500的16.19%。
- 2017年收益表现显著逆转，成交额和非流动性指标相关组合大幅负收益，分别为-14.32%和-19.87%；换手率因负相关于规模仍有少许正收益4.58%。

• 组合净值曲线对比（图14-17）：

- 长期来看低流动性股票组合表现良好，但2017年以来仅低换手率组合勉强跑赢指数。
- 非流动性指标今年表现异常，历史表现优异组合今年收益下滑明显。

• 因子收益的风格漂移：2017年流动性因子的收益偏差反映其与规模、反转因子的风格因素影响。[page::11, 12]

2.4 纯因子视角组合构建

• 利用数学优化剔除规模、估值、成长、波动率、beta、ROE、动量、反转等其他风格因子影响，构建流动性因子纯多空组合。

- 成份因子定义详见表2（包括成长、估值、规模、beta等八大类风格因子构成）。

• 净值曲线与收益相关性（图18-20）：纯因子多空组合各指标（成交额、换手率、非流动性）均呈现稳定且高度相关的超额收益，日收益散点图显示两两因子相关度领先0.9左右。

- 数学约束（表3）：放宽部分风格限制，仅规模因子限制不承担负暴露，流动性因子需要高暴露，行业权重与沪深300保持中性。

• 纯多头组合表现（图21-23；表4）：年度超额收益显著，信息比率达到1.63，2017年前11月超额收益5.79%，且历史仅2008年和2012年表现略差于沪深300指数组合。

- 风格因子暴露分析（图24-25）：多头组合中各风格因子暴露均受限，多数在±0.25范围波动，收益主要来自换手率因子，部分来自反转因子，残差持有一定负收益。

• 规模因子暴露的影响（图26-30）：

- 允许规模因子负暴露（带入小市值）组合收益提升，但同时波动和回撤幅度扩大。
- 规模因子滞后效应导致时滞收益及风险。（图28-29）[page::12-20]

2.5 不同市场状态下流动性因子表现

• 分市场周期统计（表6-7）：

- 在低流动性因子显著为正的区间，沪深300年化收益偏低（甚至-17.95%），而低流动性因子迎来11.01%的高年化收益，反映其防御属性。
- 熊市时期流动性因子表现优于震荡和牛市，牛市时期表现最弱。

• 与波动率关系（图31-32）：

- 反转因子收益对市场波动率呈强敏感性，波动率升高对应反转收益增加。
- 流动性因子收益对波动率敏感度显著低，且在不同振幅市场均有表现，显示其稳定性。[page::21-22]

---

三、图表深度解读

3.1 流动性指标相关性图表详解

• 图2-5（成交额内部及衍生指标相关性）：显示不同窗口计算的成交额均值及标准差高度相关，峰度和偏度呈高度相关，揭示指标间存在自然统计内联系。

- 图6-9（各流动性大类指标截面相关性）：图6成交量与成交额各衍生指标相关紧密，说明其信息存在高度重合；图7变异系数间相关呈现成交量、额、换手率高度相关，非流动性变异系数表现较弱，独立性高；图8流动性变化比例间相关关系说明成交量、额、换手率变化几乎同步，非流动性反向变化显著；图9偏度与变异系数中等相关重申成交量等指标统计特征密切关联。

• 图10-13（与规模、股价、反转因子相关性及聚类网络）：揭示成交额和成交量均与规模呈正相关，换手率表现负相关，且与反转指标相关性较强。图13网络图清晰分群了高度关联的成交额与成交量群、换手率偏度峰度群和较为独立的非流动性群体，体现多维度流动性指标的复杂结构。

3.2 组合收益及净值曲线

• 表1与图14-17：表1表明成交额及非流动性指标排序大组长期收益显著优于中证500。图表对比显示长期持有低流动性股票盈利丰厚，但单年尤其是2017年表现逆转，其中换手率低的股票收益相对稳定。

- 图18-20纯因子组合净值与收益散点：不同流动性纯因子多空组合净值走势接近且日收益高度相关，说明流动性指标的较好替代关系和共同信息。

• 图21-23高流动性纯多头组合净值走势：整体走势优于沪深300，回撤和波动处于合理范围，展现良好稳定性。

- 图24-25风格暴露及收益贡献：换手率暴露是主要收益来源，反转因子暴露贡献部分收益，残差带负收益表明组合优化过程中有代价。

• 图26-30规模暴露的组合表现与回撤：规模暴露带来更高收益但更大波动，回撤周期明显加长，凸显规模因子风险需要精细管理。

- 图31-32因子收益与市场振幅：反转因子表现与波动率高度相关，而流动性因子较弱，证明其收益更稳定不依赖市场剧烈波动。

---

四、估值分析

报告侧重因子效用及组合收益测试，未包含传统估值模型如DCF/PE等分析。因此，未涉及估值方法、参数设定及估值目标价的详细讨论。

---

五、风险因素评估

• 历史表现不代表未来：强调流动性因子虽有长期稳定超额收益，但部分年份尤其近期（如2017）有显著回撤风险。

- 风格轮动风险：流动性因子与规模、反转等风格紧密相关，风格偏差可能导致因子表现波动。

• 市场周期相关风险：流动性因子收益在不同市场环境表现差异明显，牛市表现相对较弱，熊市及震荡市较好。

- 交易成本与市场冲击：非流动性指标反映股价对资金冲击的敏感度，流动性不足股票存在变现难及成本上升风险。

• 规模因子暴露风险：允许规模负暴露带来一定收益提升，但加剧回撤深度和时间长度，投资需权衡风险收益。

- 基于历史数据，模拟组合结果未必能完美映射实际投资效果，存在数据突变、模型误差风险。[page::0, 11, 21, 23]

---

六、批判性视角与细微差别

• 风格重叠与偏差：虽然数学优化尝试剔除其他风格影响，但流动性因子与规模及反转因子仍存在一定互相关联系，不能完全保证纯粹性。

- 时间窗口选择及指标冗余：报告提及不同时间窗口指标高度相关，实际操作中指标筛选及参数优化需谨慎处理以避免信息多重计量带来的噪声。

• 当年逆转现象风险：2017年大部分指标表现逆转，凸显因子收益的周期性和阶段性差异，提醒投资者需灵活调整策略。

- 缺少非交易成本分析：未见对流动性成本（点差、冲击成本）等交易成本的量化分析，可能影响实际收益的实现。

• 规模因子滞后调整带来的风险：模型采样有一定滞后，规模暴露调整时滞效应可能导致收益不达预期，需特别关注。

- 该报告虽详尽，但并未深入剖析因子的具体交易策略及套利执行难度，对实际交易滑点风险需补充。[page::11, 18, 19]

---

七、结论性综合

本报告系统分析了个股流动性的多维度指标体系，涵盖成交额、成交量、换手率及非流动性，及其64种衍生统计指标。通过截面相关性分析，明确了指标之间的相关结构及与规模、股价、反转因子的复杂关系，发现成交额和成交量指标高度一致，换手率与规模负相关，而非流动性指标较为独立。

从投资收益角度，等权排序组合显示流动性低（成交额小、换手率低、非流动性高）股票在长期范围内具有明显超额年化收益，历史最高达超过40%。但在2017年，流动性因子表现大幅逆转，显现因子风格轮动和市场环境敏感性。通过多因子数学优化构造纯因子多空组合后，使流动性指标与其他主要风格因子中性化，依然验证了成交额、换手率及非流动性指标的显著超额收益能力。这些纯因子组合的收益率高度相关且表现稳定，体现流动性投资信息的高度一致性。

进一步构造的高流动性暴露纯多头组合在剔除小市值暴露限制的情形下，实盘化效果良好，年化超额收益约7.83%，信息比率达1.63，2017年至11月实现超沪深300指数5.79%的优异表现。规模因子的暴露虽增加了收益，但带来波动和回撤风险。流动性因子在不同市场周期表现不一，熊市和震荡市表现较好，牛市表现相对疲弱，且其收益对市场波动率较不敏感，显示流动性因子有独特且较为稳定的投资逻辑。

整体而言，报告充分论证了流动性因子作为有效风险因子在A股市场应用的潜力，提供了结合多指标、多衍生统计量筛选的详实量化依据及多种投资组合构建路径。然而对交易成本及流动性冲击的实际影响需进一步评估，规模因子暴露的调整滞后风险亦提示操作细节需精细化管理。

本报告为投资者构建多因子组合提供了重要的理论和实证基础，建议结合市场环境变化灵活调整流动性因子配置，密切关注风格及规模位移风险，以实现长期稳健的超额收益目标。[page::0-23]

---

重要图表展示（部分关键图）

• 图1：流动性指标衍生关系示意图

- 图13：流动性指标相关性聚类网络图

• 图14-17：不同流动性指标组合单位净值曲线

• 图18：三种流动性指标纯因子多空组合净值曲线

• 图21、22：高流动性暴露组合净值及相对沪深300比价回撤

• 图31、32：反转因子与流动性因子收益率与市场指数振幅关系

---

声明

报告明确指出所有结论基于公开数据及历史表现，且历史不代表未来，模拟表现不代表实盘效果，投资者应理性参考报告内容，注意风险因素以实现合理投资决策。[page::0, 24]

---

此分析为报告内容的详尽解构，力求覆盖其核心的所有技术点、数据与图表、逻辑推理及实证结果，为流动性因子的研究及实践提供系统认知渠道。

报告