1. 新因子MIF构建与回测绩效回顾 [page::3][page::4]

• MIF因子由隔夜涨跌幅绝对值与昨日换手率的相关系数构成，经市值中性化和剔除传统隔夜跳空因子影响后定义。

- 回测区间2012/01/01-2022/05/31，年化多空对冲收益率约为10.83%，年化波动率4.33%，信息比率2.50，最大回撤仅2.70%，月度胜率74.80%。

• MIF表现显著优于传统反转、隔夜因子及隔夜跳空因子。

2. MIF因子构造的三个步骤与中间过程演示 [page::5][page::6][page::7]

• 初始MIF：计算隔夜涨跌幅绝对值与昨日换手率相关系数，多空对冲年化收益11.20%，信息比率2.07。

- 进阶MIF：加入市值中性化处理，年化收益11.16%，信息比率提升至2.41。

• 最终MIF：剔除隔夜跳空因子残差，收益与稳定性轻微调整，信息比率2.50。

| 指标 | 初始MIF | 进阶MIF | 最终MIF |
|-------|---------|---------|---------|
|年化收益率|11.20%|11.16%|10.83%|
|年化波动率|5.41%|4.63%|4.33%|
|信息比率|2.07|2.41|2.50|
|月度胜率|69.92%|75.61%|74.80%|
|最大回撤率|3.03%|2.44%|2.70%|

3. 相关系数类型选择的影响分析 [page::7][page::8]

• 将Pearson相关系数改为Spearman秩相关系数后，MIF信息比率有所下降至2.14，但仍具备较强选股能力。

- 对比显示Pearson方法在极端值处理上更敏感。

| 指标 | MIF (相关系数) | MIF (秩相关系数) |
|-------|----------------|------------------|
|年化收益率|10.83%|8.27%|
|年化波动率|4.33%|3.86%|
|信息比率|2.50|2.14|
|月度胜率|74.80%|73.17%|
|最大回撤率|2.70%|2.56%|

4. 换手率时间窗口测试：越近越有效 [page::8][page::9]

• 使用T-2日及T-3日换手率计算相关系数，因子表现显著下降，信息比率分别为0.97和0.85。

- 实证支持MIF因子基于T-1日换手率的逻辑合理性。

| 指标 | T-1日换手率 | T-2日换手率 | T-3日换手率 |
|-------|-------------|-------------|-------------|
|年化收益率|10.83%|3.79%|2.88%|
|信息比率|2.50|0.97|0.85|
|月度胜率|74.80%|61.79%|56.91%|
|最大回撤率|2.70%|5.39%|5.05%|

5. 是否应对隔夜涨跌幅取绝对值？ [page::9][page::10][page::11]

• 不取绝对值时，IC方向发生改变，指标仍有效，但因子逻辑矛盾。

- 将不取绝对值的因子拆分为隔夜涨跌${>}0$与${<}0$部分后，两个子因子IC方向相反，且与取绝对值因子的逻辑一致。

• 因此建议MIF构造中应对隔夜涨跌幅取绝对值，以保证逻辑一致性与有效性。

6. 应用行业超额概念提升因子表现 [page::11][page::12]

• 计算相对于中信一级行业的超额涨跌与超额换手，构造三个新因子。

- MIF（超额涨跌行业 + 超额换手行业）表现最优，信息比率达2.76，月度胜率接近80%，年化收益10.64%，且最大回撤保持在较低水平。

| 指标 | MIF | MIF (超额涨跌) | MIF (超额换手) | MIF (超额涨跌+换手) |
|-------|-----|--------------|--------------|------------------|
|月度IC均值| -0.028 | -0.025 | -0.027 | -0.028|
|年化ICIR| -2.46 | -2.26 | -2.62 | -2.85|
|年化收益率| 10.83% | 8.93% | 10.32% | 10.64%|
|年化波动率| 4.33% | 4.03% | 4.06% | 3.86%|
|信息比率| 2.50 | 2.22 | 2.55 | 2.76|
|月度胜率| 74.80% | 79.67% | 75.61% | 79.67%|
|最大回撤率| 2.70% | 3.98% | 2.59% | 3.49%|

• 结论：行业超额因子有效提升MIF因子整体稳定性和选股效果。

7. 风险提示 [page::12]

• 以上所有结论均基于历史数据与统计模型，未来市场环境的显著变化可能导致模型失效。

“薪火”量化分析系列研究（一）——《如何将隔夜涨跌变为有效的选股因子 Q&A》详尽分析报告

---

1. 元数据与概览

报告标题：“薪火”量化分析系列研究（一）——如何将隔夜涨跌变为有效的选股因子 Q&A
作者：沈芷琦、刘富兵
发布机构：国盛证券研究所
发布日期：2022年（具体原报告日期官方文中提及2022年4月26日）
研究主题：以量化模型为核心，针对隔夜涨跌幅（包括其绝对值）及换手率关系构造有效的选股因子，考察知情交易者的市场信息优势，并提出新因子MIF（Market Inefficiency Factor）。

核心论点：

• 介绍了基于知情交易者信息优势的隔夜涨跌（特别是涨跌幅绝对值）与昨日换手率的相关修正构造新选股因子MIF。

- 揭示改进传统隔夜因子（如Ret20、OvernightRet等）的方法，通过计算隔夜涨跌幅绝对值与昨日换手率的相关系数来反映市场信息不对称度。

• 新因子MIF具有较好的稳健性和选股能力，优于传统因子。且该因子在多种统计方法、时间窗口和行业调整下均表现良好。

- 针对投资者普遍关切的技术细节展开详细问答，如是否取涨跌绝对值、换手率时点选择、相关系数类型、行业超额调整等问题进行了细致分析。

• 风险提示模型基于历史统计特性，未来市场环境变化可能导致模型失效。

---

2. 逐节深度解读

2.1 前言

• 报告回溯了国盛金工于2022年4月26日发布的原专题报告，提炼了市场对隔夜涨跌幅因子改进方案的关注。指出新因子的基础逻辑是利用隔夜价格跳空的绝对波动信息，结合昨日换手率，捕捉知情交易者的提前信息优劣。

- 该因子被称为“Market Inefficiency Factor”（MIF），旨在测度市场的信息不对称程度，因子值越大表明市场越无效、知情交易者优势越显著。

• 报告特别强调了量化领域对“隔夜跳空”及“知情交易”概念的研究热度，旨在答疑解惑，提供实际操作层面的指引[page::0, 3]。

2.2 模型回顾

核心内容为新因子MIF的构建：

• 定义传统因子：

- Ret20：过去20个交易日累计涨跌幅；
- OvernightRet：过去20个交易日累计隔夜涨跌幅（今开/昨收 -1）；
- absOvernightRetdesize：平均每日隔夜涨跌幅绝对值，横截面市值中性化处理，是该因子的传统改进版。

• 新因子MIF的构建步骤：

1. 每月月底，计算每只股票过去20个交易日每日隔夜涨跌幅绝对值与昨日换手率的相关系数；
2. 对因子做市值中性化处理；
3. 为剔除已有因子影响，通过正交处理隔夜跳空因子取残差，定义残差项即为MIF。

• 绩效表现：回测期间2012/01/01-2022/05/31，MIF月度IC均值为-0.028，年化信息比率(ICIR)为-2.46，5分组多空对冲年化收益为10.83%，年化波动4.33%，信息比率2.50，月度胜率74.80%，最大回撤仅2.7%。整体稳定优于传统因子[page::3,4]。

2.3 新因子的中间过程

分析MIF因子构建的三个阶段：

• 初始MIF：计算20日隔夜涨跌绝对值与昨日换手率相关系数，无市值中性化处理。回测收益11.20%，波动5.41%，信息比率2.07，月度胜率69.92%，回撤3.03%（图表4）。

- 进阶MIF：初始MIF做市值中性化处理后，年化收益11.16%，波动4.63%，信息比率提升至2.41，月度胜率提至75.61%，最大回撤减至2.44%（图表5）。市值中性化显著提升稳定性。

• 最终MIF：对进阶MIF正交隔夜跳空因子（absOvernightRetdesize）后取残差。相关性极低（0.034），绩效变化微小，年化收益10.83%，波动4.33%，信息比率2.50，月度胜率74.80%，最大回撤2.7%（图表6,7）。该步骤主要为了保证因子增量贡献和科学逻辑，并非显著提升收益。

总体来看，MIF因子构建严谨，市值中性化和正交处理保证信息纯净性和稳健性[page::5,6,7]。

2.4 相关系数 vs 秩相关系数

• 原用Pearson相关系数计算因子，因其对极端值敏感，尝试用Spearman秩相关系数重新计算相关性。

- 结果：使用秩相关系数后的MIF信息比率略有下降（2.50降至2.14），年化收益8.27%，波动3.86%，月度胜率73.17%，最大回撤2.56%（图表8,9）。因子仍具显著有效性和实际操作价值。

• 结论是MIF对极端值的鲁棒性较好，秩相关系数可作为稳健验证[page::7,8]。

2.5 换手率再往前移

• 关注知情交易者可能提前更长时间布局的假设，考察将换手率向前平移至T-2日和T-3日，再计算相关系数的新因子表现。

- 结果表现显著下降：
- T-2日换手率的MIF信息比率仅0.97，月度胜率61.79%；
- T-3日换手率MIF信息比率更低至0.85，月度胜率56.91%；且最大回撤显著增大（5%以上），远高于T-1换手率关联的表现（2.7%最大回撤）。

• 结论强化了因子的逻辑前提，知情交易者的信息优势主要集中在T-1日，离事件越近信息越准确，过早布局效果较差[page::8,9].

2.6 隔夜涨跌是否应该取绝对值

• 重要疑问：因子计算中隔夜涨跌幅是否应取绝对值？若不取，会如何影响逻辑和选股性能？

- 结果：
- 不取绝对值，因子仍具有效性，IC为正0.025，年化收益10%，信息比率1.96，月度胜率73.98%，最大回撤4.39%，表现略逊于MIF。
- 但是不取绝对值时因子的方向（正负IC）与原MIF（IC为负）发生冲突，逻辑不一致。

• 进一步对隔夜涨跌幅不加绝对值的因子，拆分为涨幅正值和负值两个子因子，分别计算与昨日换手率相关系数，发现：

- 涨幅正部分IC为负，说明高换手对应小涨幅、低换手对应大涨幅股票未来更优；
- 涨幅负部分IC为正，说明高换手对应小跌幅、低换手对应大跌幅股票未来更优；

• 这与整体不加绝对值因子IC正的表现相矛盾，逻辑不自洽。反而拆分的两个子因子逻辑与原MIF因子的逻辑完全一致，支持取绝对值进行计算的必要性。

- 因此绝对值处理是保证因子逻辑一致性和实证有效性的关键步骤[page::9,10,11]。

2.7 相对于各自行业的超额涨跌与超额换手

• 探讨了市场活跃度和行业特征对因子的影响。

- 提出“超额”概念：
- 计算个股隔夜涨跌幅绝对值减去所属中信一级行业指数对应隔夜涨跌幅，得到“超额隔夜涨跌幅”；
- 同理同计算超额换手率；

• 构造新因子分别对应超额涨跌、超额换手及两者结合。

- 结果：
- 各新因子选股效果稳定，净值走势相近；
- 综合超额涨跌+超额换手的新因子效果最佳，信息比率提高到2.76，月度胜率接近80%（图表15,16）。

• 说明行业环境调整可以进一步剥离整体市场波动的影响，提纯因子信号，提升其选股效果和稳定性[page::11,12]。

2.8 风险提示

• 明确指出报告基于历史统计特性和模型构建，未来若市场结构或环境发生显著变化，模型及因子可能失效。投资者需谨慎评估风险[page::12]。

---

3. 图表深度解读

图表1：新因子MIF的5分组回测净值走势

• 展示从2012年初到2022年，按照MIF因子大小分成五组回测的累计净值。

- 分组1策略表现最好，曲线在长期内稳步上升，远超分组5。

• 净值曲线差异体现因子的强分辨力，能够较好划分优劣股票群体。

- 曲线波动相对平滑，回撤点明显有限。

图表2：新因子及传统因子5分组多空对冲净值走势

• 同期比较MIF与传统反转因子Ret20、隔夜因子OvernightRet、隔夜跳空因子absOvernightRetdesize的净值表现。

- MIF因子以对冲策略净值增长略优于传统因子，尤其波动率明显较低，曲线平滑度和稳定性优越，表明信息含量更丰富且风险控制更好。

图表3：新因子及传统因子5分组多空对冲绩效指标

• 通过年化收益、波动率、信息比率、月度胜率与最大回撤量化对比因子优劣。

- MIF信息比率最高（2.50），月度胜率74.8%，最大回撤仅2.7%；反映在较低风险的同时，实现了不错收益，具备稳健选股能力。

图表4-7：MIF三个步骤的分组收益曲线及绩效指标

• 显示“初始MIF”、“进阶MIF”的净值走势和数字表现。

- 市值中性化显著降低波动率（5.41%降至4.63%），提升信息比率（2.07升至2.41），更有利稳定收益。

• 正交隔夜跳空因子步骤微幅影响收益和波动，信息比率微幅提升至2.50。

- 各增量步骤透明显示因子逐步优化过程。

图表8-9：秩相关系数版本的MIF因子（净值曲线与绩效指标）

• 采用Spearman秩相关系数，验证因子鲁棒性，显示其选股效果虽略逊Pearson但依然有效。

- 各项指标维持较高水平，表明极端值的冲击可控。

图表10-12：换手率时点平移MIF因子回测表现

• 换手率由T-1日平移到T-2、T-3天，净值曲线回撤明显增大，收益下降，信息比率大幅下降，胜率明显降低。

- 该验证图表强调了因子构建中换手率选取日前一天的合理性，有效映射知情交易者的行为时间窗。

图表13-14：不取绝对值隔夜涨跌幅的因子净值走势与拆分子因子绩效对比

• 撤绝对值使整体因子净值仍有效但逻辑混乱。

- 拆分涨跌正负子因子的不同IC方向及绩效差异说明整体非绝对值处理会导致矛盾逻辑。

• 图表14整理了不同处理方式的横向对比，印证因子设计理念。

图表15-16：行业超额调整因子的回测效果

• 多条净值曲线展示了根据各自行业超额涨跌与换手率计算的新MIF因子走势，曲线密集且趋同，说明调整后因子信号更为纯粹稳定。

- 表格定量对比显示行业超额组合因子表现更优，在收益、信息比率和胜率均有提升，最大回撤较低。

• 这种行业基准调整清晰剥离市场和行业共振影响，提高了因子信号的解释力度。

---

4. 估值分析

本报告为量化策略因子研究报告，重点在因子构建、性能表现及逻辑验证，没有针对单一标的进行估值分析，故无DCF、市盈率倍数法等传统估值模型论述。

---

5. 风险因素评估

• 历史数据依赖风险：模型与因子基于2012-2022年历史样本回测，未来市场环境、监管政策、市场结构等若发生重大改变，可能导致因子失效。

- 极端行情风险：因子表现可能在极端市场下出现波动，09年股市异常或黑天鹅事件难以完全覆盖。

• 数据质量及模型假设风险：换手率、涨跌幅计算是否准确，市值中性化及正交处理的假设稳定有效性均影响因子表现。

- 报告只给出基于历史统计特征的风险提示，未细化具体概率和缓释策略，投资决策需关注整体量化策略配置。

---

6. 批判性视角与细微差别

• 报告逻辑清晰严谨，步骤透明，数据充分，具备良好的科学物流架构。

- 在绝对值处理上进行的拆分验证环节显示团队对因子内在逻辑矛盾有精细把握，避免模型陷阱。

• 对换手率时间点的反复验证显示出对行为时间窗口假设的慎重态度。

- 采用秩相关系数探测极端值影响反映方法论严谨，但未展现多重稳健性验证（例如：交易成本、样本选择偏差)。

• 三阶正交步骤对绩效提升有限，但从科学角度强调增量信息来源，这样做防止因子重复覆盖已有信息。可能存在过拟合风险，需未来验证。

- 对于行业超额调整，虽然收益率与信息比率提升明显，但最大回撤略增，投资者在实际应用中应注意风险收益权衡。

• 免责声明部分表述标准、详尽，但未提供针对极端风险的专门规避建议。

---

7. 结论性综合

本报告详细展现了国盛证券研究所针对隔夜涨跌幅及换手率构造有效选股因子MIF的研究成果，涵盖因子设计初衷、构建步骤、性能表现、统计验证及实务应用问题。报告系统性地分析了该因子的多种构造假设及市场行为假设，验证其在十年多区间中国A股的稳定性和有效性。

特别通过：

• 三阶段构建及正交残差处理净化因子信号，优化稳定性；

- Pearson与Spearman相关系数替换，检验鲁棒性；

• 换手率时间点移动，明确信息捕捉的时间窗口正当性；

- 是否使用涨跌绝对值深度逻辑剖析，防止因子逻辑自相矛盾；

• 行业超额调整，进一步增强因子纯粹性和选股效率。

图表中显示，MIF因子均能以显著的统计指标（年化收益约10%，信息比率2.5左右，月度胜率近75%，最大回撤低于3%）优于传统反转和隔夜跳空因子，具有较强市场应用价值。

总体，报告在方法论、数据支撑和逻辑推理上较为充分，厘清了隔夜涨跌因子改进的路径和边界，强化了因子在量化投资中的应用科学性。但仍需关注模型历史依赖和市场结构变化的潜在风险，且实操时结合更综合的因子和风险管控体系。

此量化报告为专业投资者提供了有效、稳定的沪深A股择时工具，有助于加强市场预测能力和选股执行力。

---

（全文全文依照国盛证券报告页码标记：均已明确标注对应页码，确保信息可逆溯源）

报告