高位成交因子

由small_q创建，最终由small_q更新于2025-05-22 08:16 被浏览 5 用户

因子原理

高位成交因子是指个股在高位和低位成交的密集水平体现。高位成交较多的个股，交易行为中存在羊群效应，容易导致局部价格高估，而在未来呈现反转效应。反之，如果个股低位成交较多，存在低位加仓的现象，未来价格有较大上行空间。

高位成交因子计算公式如下：

\n分子是成交量加权的平均价格, 分母部分可认为是一般平均价格。当分子大于分母时, 我们通过分析可知成交量的变化趋势和价格变化趋势是一致的：

也就是说当两个序列按照相同顺序配对时, 他们的乘积和是最大的, 当价格和成交量同步变化时, 他们的乘积和达到最大, 所以这种情况为"羊群效应"。

因子构建

在bigquant上我们可以构建这个因子，选择22日为时间窗口，公式如下：

"alpha_sql":"""
        select date, instrument, 
        m_sum(volume, 22) as VOL, 
        m_sum(volume * close, 22) / VOL as up, 
        m_avg(close, 22) as down, 
        up / down as factor
        from cn_stock_prefactors
    """,

将因子进行从大到小排序，0为最小的一组，9为最大的一组
放入因子分析框架，对因子进行分析

从结果中可以发现，因子分层非常明显，其累计收益率与因子呈现负相关：因子值越小，累计收益率越大。我们可以利用这个特性，构建一个高位成交策略来验证因子的有效性。

策略回测

我们筛选出因子值最小的150只票，进行两日调仓, 回测结果如下:

从回测结果看：因子有效, 但效果不显著。在策略执行上也存在问题：持仓150只票才能得到因子的超额收益, 对小资金非常不友好。

但是，难不倒我们！

我们可以对因子进行改进, 由于单因子策略稳定性较差，我们可以融合其他因子

第一，挑选alpha不错的因子作相关性分析

第二，根据相关系数来决定因子是相加还是相减

我们可以发现高位成交因子与市值因子相关性最低, 所以我们构造一个新的因子: 高位成交因子排名百分比与市值因子的加总。

为什么叠加的是相关性较弱的的因子，而不是相关性较强的因子呢？可以把答案打在评论区。

新的因子，我们可以很方便的通过表达式进行构建，新的策略中，我们将股票持仓数量减少到5只。

与前面相比，策略效果大幅提升，且对小资金非常友好：

年化收益提升了170%
胜率提升了18%
夏普比率提升了116%

策略源码

因子分析

https://bigquant.com/codesharev3/2e0dff33-acaa-41f4-9b29-7a426a4fa854

策略回测

https://bigquant.com/codesharev3/3427291e-d8f7-458a-a4cd-544430825592