APM因子模型简介与原始表现 [page::0][page::2]

• APM因子基于上午与下午股票价格行为差异，利用残差差值构造选股因子。

- 样本内（2013.5-2016.10）表现优异，年化收益15.9%，最大回撤2.52%，月度胜率78.6%；样本外表现低于样本内，2019年累积回撤明显。

2019年APM因子失效原因解析 [page::3][page::4]

• 上午收益与未来收益的相关性在2019年由正向转为负向，下午收益对未来收益保持负相关。

- 该性质的反转导致原始APM因子在2019年表现回撤。

• 结论基于ICIR统计及对上午、下午和隔夜收益的深入分解。

改进APM因子模型的构建与表现提升 [page::4][page::5][page::6]

• 将日收益细分为隔夜和日内四个时段，充分考虑集合竞价对隔夜信息消化的特殊影响。

- 以隔夜收益替代上午收益，构造APMnew因子，显著提升表现。

• 回测数据显示APMnew年化收益12.81%，ICIR达3.17，最大回撤降低至2.32%，月度胜率提升至81.25%。

| 回测指标 | APMnew | APMraw |
|--------------|---------|---------|
| 年化收益率 | 12.81% | 10.99% |
| ICIR | 3.17 | 2.07 |
| 最大回撤 | 2.32% | 5.72% |
| 月度胜率 | 81.25% | 70% |

改进因子在不同样本空间的表现及多因子比较 [page::6][page::7]

• APMnew因子在中证500成分股中表现最佳，优于沪深300和全市场。

- 构造了五个因子（APMraw、APMnew、APM1、APM2、APM3），含不同时间段组合。

• 使用隔夜数据的APMnew和APM12019年表现优异，日内中段因子表现较弱，反映成交活跃度对因子有效性的影响。

创新W式切割方法与OVP因子构建 [page::7][page::8]

• 以每日平均单笔成交金额切分交易日，提炼最大反转属性。

- OVP因子（隔夜收益与下午收益之差）与传统AVP因子（上午收益与下午收益之差）比较，整体表现优异。

• OVP因子年化收益达18.04%，ICIR高达4.17，最大回撤仅2.21%，月度胜率86.25%。

| 回测指标 | AVP因子 | OVP因子 |
|--------------|---------|---------|
| 年化收益率 | 3.00% | 18.04% |
| ICIR | 0.15 | 4.17 |
| 最大回撤 | 11.32% | 2.21% |
| 月度胜率 | 53.75% | 86.25% |

金融工程研究团队《APM因子模型的进阶版》报告详尽解读

---

一、元数据与概览

• 报告标题：APM因子模型的进阶版——市场微观结构研究系列（5）

- 发布机构：开源证券股份有限公司金融工程研究团队

• 发布时间：2020年3月7日

- 作者：魏建榕（分析师），苏俊豪（联系人）

• 报告主题：基于A股市场微观结构的APM因子模型（上午与下午价格行为差异因子）的改进与应用，重点研究因子在2019年表现回撤的原因及改良方案。

- 核心论点：
- 原始APM因子模型聚焦上午（am）与下午（pm）价格行为的差异，有较好的历史表现，但在2019年遭遇显著持续回撤。
- 2019年APM因子表现恶化，源于上午收益对未来收益预测性的反转，即上午收益的性质发生了转变。
- 通过引入隔夜收益和更细化的分时段收益数据，将原始模型调整为改进APM因子（APMnew），显著提升了因子的选股能力与风险控制能力。
- 进一步将APM方法论扩展到多因子组合，及与W式切割方法结合，创新构建的OVP因子在多项指标上表现优异。

• 整体信息：本报告意图传达APM因子在市场变化面前的适应性改进路径，强调持续观察市场结构与行为变化对量化策略的重要性，提出了多时段利用市场微观结构信息构建并优化选股因子的方法。

---

二、逐节深度解读

1. 引言：股票价格行为存在日内模式

• 关键论点：

- A股市场微观结构研究表明，知情交易概率呈现日内“倒J形”曲线：开盘后由于信息集中释放，上午的价格行为信息含量丰富。
- 由此启发，APM因子应聚焦上午和下午价格行为的差异，捕捉存在的模式差异信息，用于有效选股。

• 逻辑与依据：

- 利用市场行为学理论和微观结构研究，知情交易者更集中在上午交易，导致上午的价格走势信息价值较高。

• 意义：

- 该部分为APM因子提出理论基础，强调因子的设计源于市场内在结构特征，而非单纯统计信号。[page::2]

2. 2019年原始APM因子表现不佳

• 核心内容：

- 原APM因子通过对过去20日股票上午与下午收益率残差差值构造因子（剔除行业/市值影响并控制动量），2013-2016年表现优异，回撤小，信息比率高。
- 样本外测试（2016.11-2019.12）收益下降且最大回撤升高，尤其2019年面临连续回撤，表现显著波动。

• 数据说明：

- 样本内年化收益15.9%，最大回撤2.52%，月度胜率78.6%
- 样本外年化收益6.41%，最大回撤5.72%（图1展示多空对冲净值走势，2019年出现显著回撤）[page::2][page::3]

• 论证推理：

- 因子失效提示模型假设的价格行为日内差异发生了变化，需重点探讨上午、下午收益性质变化。

3. 2019年APM因子失效源于上午收益的性质反转

• 内容摘要：

- 图2显示全样本区间上午收益累计和未来20日收益相关性（ICIR^am）为正，但2019年转为负相关，表明上午收益表现性质在当年发生剧变。
- 下午收益（ICIR^pm）对未来收益持续负相关，区别于上午收益反转。

• 因子构建细节：

- 通过拆分上午与下午收益并统计其未来表现，对比全样本与2019年数据发现上午收益预测能力的反转。

• 意义解析：

- 失效根源在于上午市场行为被新信息消化机制、交易者策略调整所改变，导致原始APM因子基于上午-下午收益差的假设失效。[page::3][page::4]

4. 改进后的APM因子——APMnew的设计与表现

• 设计思路：

- 更细粒度拆分日内收益时段，区分隔夜、集合竞价、连续竞价四个小时段，结合市场成交量特征（图3）。
- 用隔夜收益替代上午收益，理由是隔夜部分反映投资者对隔夜信息的累计反应，预测能力更稳定。

• 数据与实证：

- 图4（全样本）显示ICIR指标从隔夜到下午逐渐降低，从正向转为负向，且隔夜收益预测性稳定正向，上午收益波动较大。
- 2019年（图5）趋势不明显，但隔夜收益仍较为稳定。

• 改进因子计算：

- 公式与步骤沿用原始APM因子，但上午数据换成隔夜收益。

• 实证结果：

- 图6及表1显示APMnew因子相比APMraw，年化收益提高至12.81%，最大回撤缩小至2.32%，月度胜率提升至81.25%，ICIR显著改善（3.17 vs 2.07）。
- 说明改进方案提升了因子稳定性和盈利能力，修复了2019年原因素行为变动带来的冲击。[page::4][page::5][page::6]

5. 进一步讨论

• 样本区间效能比较（图7）：

- APMnew因子在中证500成分股中的表现显著优于沪深300及全市场表现，表明中小市值区域更适合使用该因子。

• 多时段因子构造对比（表2，图8）：

- 以不同时间段数据构造的五个因子中，以使用隔夜数据的APMnew与APM1表现最佳，2019年也优于采用纯日内数据的因子（APMraw、APM2、APM3）。
- 盘中成交量稀疏的10:30-14:00段信息潜力不足，解释APM3表现最差。

• W式切割方法结合创新（图9，表3）：

- W式切割基于单笔平均成交金额划分交易日，识别反转最强交易日。
- 结合APM因子方法，利用隔夜-下午收益差（OVP）与上午-下午收益差（AVP）构建因子。
- 实证显示OVP因子年化收益18.04%，最大回撤低至2.21%，ICIR高达4.17，显著优于AVP因子，体现更强的预测力和风险控制能力。

• 总结：

- 通过分时段精细化处理数据和创新切割方法，APM因子框架得到了优化，展现出较强的抗风险能力和适应性。[page::6][page::7][page::8]

6. 风险提示

• 模型均基于历史数据，未来市场环境和微观结构可能发生变化，涉及因子表现的不可预测性。

- 投资者需注意该局限性，防范历史表现不代表未来收益的风险。[page::8]

---

三、图表深度解读

图1：APMraw在2019年表现不佳的趋势图

• 展示了从2013年5月31日至2019年12月的APMraw五分组多空对冲净值走势。

- 2013-2016年净值稳健上升，随后增速放缓，2019年出现明显波动和多次回撤。

• 这图充分说明2019年因子表现下降的趋势及风险增大事实，为提出改进因子铺垫。

- 数据剔除市值和行业效应更凸显因子固有问题。[page::3]

图2：上午收益预测性全样本与2019年对比柱状图

• 返回ICIR（信息比率）指标，表示上午和下午收益与未来20日收益的相关强弱。

- 上午收益全样本表现为正相关（蓝色），2019年转负（橙色）。

• 下午收益两期均负相关，且几乎无变化。

- 图示关键反映了上午收益预测信号性质2019年劣化根源，为因子失效提供量化证据。[page::4]

图3：日内不同时间段成交量占比直方图

• 表现9:30开盘集合竞价阶段占成交总量比重最高（约6%+），之后逐时段递减，直至14:50略有反弹。

- 说明集合竞价阶段吸收隔夜信息最活跃，支持用隔夜收益替代上午收益的设计逻辑。

• 体现市场内在微观结构特征。[page::4]

图4与图5：多时段ICIR变化图（全样本与2019年）

• 图4（全样本）：ICIR由隔夜最高正相关逐小时降低，到下午转负。

- 图5（2019年）：ICIR整体趋势变得较为平缓且指标低于全样本，上午和下午均为负。

• 两图对比说明2019年市场微观行为变化，正是导致原因子失效的关键。[page::5]

图6：APMnew与APMraw净值比较曲线

• APMnew净值（红线）明显高于APMraw（蓝线），走势平滑且末期优势显著。

- 该图直观反映改进后模型的更优表现，尤其2019年后的表现差距凸显。

• 支持报告中改进因子的实证结论。[page::5]

表1：APMnew与APMraw的回测指标对比

| 指标 | APMnew | APMraw |
|-------------|--------|--------|
| 年化收益率 | 12.81% | 10.99% |
| ICIR | 3.17 | 2.07 |
| 最大回撤 | 2.32% | 5.72% |
| 月度胜率 | 81.25% | 70% |

• APMnew在收益率、风险调整后收益（ICIR）、最大回撤控制及稳定性（月度胜率）上均显著优于APMraw。

- 表明改良后的模型更能抵御市场波动，提供更稳定的超额收益。

• 具体数据佐证改进方法的有效性。 [page::6]

图7：APMnew在不同样本区间的表现（净值曲线）

• 五条曲线展示不同股票池中APMnew因子的多空对冲净值走势。

- 中证500成分股表现最佳，沪深300最弱。

• 反映APMnew适合于中小盘股环境，可能因为中证500股价波动和交易行为更能反映细粒度信息。

- 强调了因子应用的分层筛选价值。[page::6]

表2：APM因子所用数据时段汇总

| 因子名 | 时间段1 | 时间段2 |
|---------|---------------|----------------|
| APMraw | 上午9:30-11:30 | 下午13:00-15:00 |
| APMnew | 隔夜 | 下午13:00-15:00 |
| APM1 | 隔夜 | 14:00-15:00 |
| APM2 | 9:30-10:30 | 14:00-15:00 |
| APM3 | 10:30-11:30 | 13:00-14:00 |

• 清晰展示不同因子对应的时间点分割设计，用于因子性能比较。[page::6]

图8：五个因子2019年净值表现对比

• 红色（APMnew）表现最佳， AP1（黄色）、APM2（浅蓝）次之，APMraw（蓝色）略逊，APM_3（灰色）最差。

- 体现隔夜数据纳入对因子选股能力的提升。

• 说明纯日内某些时段因流动性和信息效率问题反而影响因子效果。[page::7]

图9与表3：OVP因子与AVP因子的多空表现对比

• 图9净值走势图显示OVP因子持续强势，上升平稳，远高于AVP因子。

- 表3回测数据：

| 指标 | AVP因子 | OVP因子 |
|--------------|---------|---------|
| 年化收益率 | 3.00% | 18.04% |
| ICIR | 0.15 | 4.17 |
| 最大回撤 | 11.32% | 2.21% |
| 月度胜率 | 53.75% | 86.25% |

• OVP因子收益能力、风险控制优势明显，展现高投资价值。

- 表明W式切割结合隔夜收益的创新方法进一步优化了因子框架。[page::8]

---

四、估值与因子性能总结

• 报告主要侧重于因子构建、选股能力及风险调整表现，估值作为股票投资类别工作不多体现。

- 运用多空对冲、ICIR（信息比率）等量化指标评估因子品质。

• 详细逻辑在于识别日内收益不同阶段对未来收益的预测性，以此搭建因子。

- 通过历史样本内外表现与多维回测指标佐证改进方案有效性。

---

五、风险因素评估

• 主要风险提示为模型基于历史数据回测，无法确保市场未来状况保持不变。

- 特别关注日内交易行为的结构性变化对模型适用性造成影响。

• 因子稳定性依赖于市场微观结构，其变化可能导致预测能力削弱。

- 风险提示简洁明确，未详述缓解策略，强调投资者需警惕未来环境变化风险。[page::8]

---

六、批判性视角与细微差别

• 报告虽然提出改进但对因子失效根源定性较多，定量分析深度有限，尤其对2019年市场结构变化的外生因素未做深入探讨。

- 不同样本但相关性弱、新构因子间内在关联和潜在共线性问题未明确披露。

• 采用隔夜收益替代上午收益尽管数据上效果更好，但交易机制调节、涨跌停制度等对隔夜收益形成的影响机制未充分剖析。

- W式切割创新有启发性，但对其统计显著性和实用性细节描述不足，可能存在过度拟合风险。

• 整体分析方向合理，策略比较环节完善，但因基础假设面临市场行为复杂性，因子稳定性仍需前瞻持续验证。

---

七、结论性综合

本报告系统梳理并评估了APM因子模型基于市场微观结构日内交易行为差异的理论与实证证据，重点关注2019年因子在实际应用中表现下降的现象及其根源。研究通过细化时间维度，将交易日拆分为隔夜与多段日内时段，以反映不同时间段信息传递与交易冲击机制，创新性地提出了基于隔夜收益替代上午收益的改进APM因子（APMnew），并且此改进显著提高了模型的选股能力和风险控制力。

通过丰富样本区间和细化样本空间（如中证500板块），报告进一步验证了改进因子的优越性及其适用范围。同时，将APM因子框架与“W式切割”方法融合，发展出综合反转能力更强的OVP因子，其在年化收益、信息比率以及最大回撤等多项回测指标上均领先于原型因子，凸显了基于市场微观结构和分交易时段数据的因子设计潜力。

图表详实地展示了因子性能的历史轨迹变化、信息比率的时间结构、以及各因子在不同样本空间的表现差异。特别是图1说明原始因子失效，图2、图4-5揭示交易行为模式的变异对因子有效性的冲击，而图6至图9及表1-3用数据佐证了新因子框架的性能提升与创新成果。

整体而言，报告坚持严谨的实证方法，合理利用市场微观结构异质性，提出了对量化因子模型持续优化的有效思路与实证验证。适度警示了模型测试基于历史数据的限制，体现了研究的专业性与审慎性。该报告对量化投资因子研究者和策略开发者具有重要参考价值，特别是在动态微观结构环境下设计适应性因子的实践指导上。

---

参考文献页码溯源

• 引言及APM原始模型结构说明及理论基础 [page::2]

- 原始APM因子表现及2019失效问题说明 [page::2][page::3]

• 上午收益性质反转的量化分析与图示 [page::3][page::4]

- 细化时间段及改进APM模型设计、成交量与时段信息解析 [page::4][page::5]

• 新旧APM因子绩效对比及回测指标解读 [page::5][page::6]

- 样本空间差异及多因子构造方法论探讨 [page::6][page::7]

• W式切割结合APM方法创新及OVP因子优异表现 [page::7][page::8]

- 风险提示及法律声明 [page::8][page::9][page::10]

---

图表展示（示例）

---

报告