Amihud非流动性因子ILLIQ在A股的有效性验证 [page::4]

• ILLIQ因子在2012-2023年范围内IC均值6.95%，t值5.90，因子表现显著。

- 多头组年化收益18.14%，多空组合年化收益19.36%，但空头端贡献较弱。

• 因子稳定性有限，IC波动率较高，尤其2017-2018年回撤明显。

基于弹性网络预测非流动性ILLIQF因子构建及有效性提升 [page::6][page::7]

• 利用弹性网络模型结合历史非流动性、换手率、动量、PB等多因子预测下一期非流动性。

- 预测模型MSE显著优于基准模型，IC均值提高至9.15%，t值提升至7.14，胜率从69.85%升至72.06%。

• 多头年化收益增至25.54%，多空组合年化收益提升至27.96%。

半非流动性指标ILLIQ+与ILLIQ−构建及验证 [page::9][page::10]

• 提出上涨日（ILLIQ+）与下跌日（ILLIQ−）半流动性因子，反映价格变动对交易额敏感程度的非对称性。

- ILLIQ−因子IC均值7.83%（t=6.51）显著高于ILLIQ+因子和原始ILLIQ，选股效果突出。

• ILLIQ−多空组合年化收益27.30%，多头年化超额达14.91%。

弹性网络预测半非流动性指标ILLIQF−及效果 [page::11][page::12]

• 弹性网络模型预测半非流动性，构建ILLIQF−因子，IC均值提升至9.49%（t=7.67），胜率达75%。

- 多头组年化收益达到24.91%，多空组合29.18%，表现优于原始及其他改进因子。

基于日内收益改进非流动性因子，构建OCILLIQ系列 [page::13][page::14][page::15]

• 日内绝对收益替代含隔夜收益的分子，消除时序不匹配问题，提高因子定价能力。

- OCILLIQF−因子IC均值最高达10.54%（t=8.63），多空年化收益36.00%，成为本报告核心改进因子。

• 因子在沪深300至中证1000及除中证800外全样本均呈现显著正向选股能力。

因子中性化及行业应用测试 [page::16]

• 进行市值中性化处理后，OCILLIQF−因子有效性无明显下降，IC均值达10.63%，t值8.87。

- 该因子在30个中信一级行业均表现显著，除银行业稍弱外，纺织服装、传媒、建材等行业IC表现尤佳。

不同股票池中OCILLIQF−因子表现优异 [page::17][page::18][page::19]

• 因子在沪深300、中证500、中证1000、除中证800外全样本均有效，IC均值由5.25%至11.65%逐步提升，t值均超过3。

- 多头组合年化收益从8.95%至27.87%不等，多空组合最大达37.99%，因子对小市值股票池表现尤为突出。

“青出于蓝”系列研究之六 —— Amihud（2002）非流动性指标及其改进应用研究详解

---

1. 元数据与概览

报告标题：《青出于蓝”系列研究之六》
作者：任瞳、周靖明、杨航
发布机构：招商证券
发布日期：不详（内容回测区间截止2023年4月）
研究主题：针对 Amihud（2002）所提出的经典非流动性指标（ILLIQ）在中国A股市场的有效性验证与改进，研究内容涵盖指标的基础定义、基于弹性网络模型的预测改进、半非流动性指标构建以及基于日内收益的指标改良，最后还探讨了该因子在不同股票池中的表现。

核心论点与评级：

• Amihud 经典的ILLIQ非流动性指标在A股有效，IC均值为6.95%，t值5.90，但存在空头端表现弱、稳定性不足的缺陷。

- 通过弹性网络模型预测非流动性推出ILLIQF因子，显著优于ILLIQ因子，IC均值升至9.15%。

• 拆分股价上涨与下跌的半非流动性指标，发现下跌市场的非流动性影响更显著。

- 利用弹性网络预测的半非流动性ILLIQF−表现最好，回测期内IC均值9.49%，年化收益优异。

• 采用日内绝对收益替代日间绝对收益作为分子，构建了一系列改进型因子（OCILLIQ等），整体提升因子表现，OCILLIQF−因子达IC均值10.54%。

- 该改良因子在沪深300、中证500、中证1000及大盘调控股票池均显著有效，尤其在中小盘表现突出。

主要信息传递：本报告全面验证了经过系统改进的Amihud非流动性指标在中国A股市场的强有效性，提出了基于机器学习的非流动性预测改进方案和更加贴合市场特性的半非流动性指标，并通过创新使用日内收益进一步提升了指标的预测能力和选股表现。

---

2. 逐节深度解读

2.1 引言

报告首先说明流动性在市场中的基础属性及其对收益和风险的深刻影响，介绍了现有的换手率和非流动性指标分类，重点介绍Amihud（2002）ILLIQ指标的构建逻辑和优势：以个股每日绝对收益除以交易额测量每单位交易额对应的价格波动敏感度，简单有效。调查并确认了该因子在国际学术界广泛认可，作为本研究的基石[page::3]。

2.2 非流动性因子及改进

2.2.1 传统ILLIQ指标及验证

• 因子构造：ILLIQ取每日绝对收益与交易额之比均值后加1对数，缓解偏态，降低小市值影响。

- 回测框架规范严密，样本剔除停牌、涨跌停、ST及最小市值200只股票，月调仓，等权分组。

• 结果表明ILLlQ IC均值6.95%，显著，分组年化收益多头18.14%，多空组合19.36%。但收益主要来自多头，空头表现有限；IC波动率约14%，有稳定性问题，2017-2018年间多空组合净值显著回撤，表现不稳定。

- 结合宏观经济视角，以信用利差为代理变量观察因子表现，发现经济不景气流动性枯竭期因子表现较好，反之则差，反映非流动性风险溢价随市场环境动态变化[page::3-5]。

2.2.2 弹性网络模型预测非流动性

• 理论基础：弹性网络结合岭回归（L2正则）和Lasso回归（L1正则），兼具稀疏性和稳定性，适合预测高维相关变量的非流动性。

- 预测因子涵盖当期与历史12个月内平均非流动性与标准差、交易额、换手率、PB、市值、短期与长期动量，借鉴文献赋予多维解释力。

• 使用滚动5年训练数据调优模型参数，结果表明弹性网络模型预测误差(MSE)约为基准模型16.67%的三分之一，极大提升预测精度和稳定性。

- 以预测值构建全新ILLIQF因子，回测显示其IC均值9.15%，t值7.14均高于ILLIQ，分组测试多头年化收益25.54%，多空27.96%，显著优于ILLIQ因子[page::6-7]。

2.2.3 预期与非预期非流动性分解 (ILLIQUE)

• 依据Amihud理论，已实现的非流动性可视为未来非流动性的预期，模型预测值是预期的更有效代理，差值即非预期部分。

- 对差值因子ILLIQUE取相反数后测试，IC均值5.58%，t值5.55，有效但表现弱于ILLIQ与ILLIQF，反映非预期成分对选股存在一定解释力。

• 结合Schmidt 和 Schuster对长期和短期投资者流动性敏感度差异的说明，解释非预期流动性变动如何影响短期投资者调仓并产生价格溢价[page::8]。

2.2.4 半非流动性指标的构建与测试

• 鉴于市场中价格上涨和下跌对交易额敏感度不对称，构建半非流动性指标ILLIQ+（上涨日）和ILLIQ−（下跌日），区分正负收益对应非流动性。

- 理论支持：投资者对下跌期流动性不足更敏感，且杠杆约束引发的价格螺旋和保证金效应使下跌市场流动性风险加剧。

• IC测试显示ILLIQ−因子均值7.83%，显著高于ILLIQ+的6.32%和整体ILLIQ，分组年化多头23.41%，多空27.30%，整体优于ILLIQ因子[page::9-10]。

2.2.5 基于弹性网络半非流动性预测 (ILLIQF−)

• 基于前述变量集和弹性网络模型预测下一期下跌日非流动性ILLIQF−，性能优于单期滞后指标。

- MSE测试显示预测模型误差为基准模型的一半以下，IC均值9.49%，t值7.67，胜率75%。

• 分组测试多头年化收益24.91%，多空29.18%，均优于ILLlQ、ILLIQF、ILLIQ−因子，证明该预测更具实用价值[page::11-12]。

2.3 基于日内收益的非流动性指标

• 传统ILLIQ的分子采用日间绝对收益（包括隔夜收益），但隔夜收益主要由信息驱动，与实际交易额无关，造成指标构造的时间不匹配。

- 采用日内绝对收益替代分子，构建OCILLIQ系列，解决分子分母时间跨度不一致问题。

• IC测试结果显示，所有采用日内收益的新因子均优于对应原因子，OCILLIQF−因子表现最佳，IC均值提升至10.54%，t值8.63。

- 分组测试亦显示所有改进型因子多空组合收益显著提高，OCILLIQF−多空年化36%，多头超额16.52%。证明基于日内收益的改良指标更具预测能力[page::13-15]。

2.4 因子中性化与不同样本池表现

2.4.1 市值中性化测试

• 对因子进行市值中性化后，IC均值和t值未见明显削弱，维持显著性，说明因子非纯粹小市值效应。

- 代表性因子OCILLIQF−市值中性后IC均值10.63%，t值8.87，月度胜率77%。

2.4.2 不同行业表现

• OCILLIQF−在30个申万一级行业IC均值均超过6%，大部分行业t值超过3，除银行外均表现优异。

- 综合、综合金融、纺织服装、建材、农林牧渔、传媒行业表现尤佳，IC均值超12%。

2.4.3 不同股票池表现

• 因子在沪深300、中证500、中证1000及除中证800外全样本均表现显著，t值均大于3。

- IC均值与样本平均规模成反相关，规模越小因子有效性越强。沪深300（大盘）IC均值5.25%，中证1000（小盘）高达10.95%。

• 多头组合年化收益从沪深300的8.95%逐步增至除中证800外样本的27.87%，多空组合更显著地从3.05%增至37.99%，显示优异的跨市场适用性[page::16-19]。

---

3. 图表深度解读

图1 & 图2（第4页）

• 显示ILLIQ因子10组的年化收益率及多空组合净值走势

- 条形图（图1）展现不同分组的年化收益依次递增，表明因子具备较强的选股效力，最高组年化收益达近20%。

• 多空组合净值曲线（图2）表现出多头和多空随时间增长明显优于空头，验证多头策略显著贡献收益。

- 支持ILLIQ因子有效性，强化文本论述[page::4]。

图3（第5页）

• 多空净值与信用利差对比

- 信用利差（蓝线）为宏观经济及流动性代理，净值（黄线）与信用利差表现出同向关系，利差高时净值表现更好，反映因子有效性受市场环境影响。

• 验证Amihud（2021）关于宏观流动性影响非流动性因子定价的论断[page::5]。

图4（第7页）

• 弹性网络模型预测误差（MSE）与基准模型对比

- 预测模型（黄线）整体水平显著低于基准（红线），尤其在异常高波动期表现更为平滑和低误差，表现更为稳健。

• 说明弹性网络模型对非流动性预测的提升，支持ILLIQF因子构建[page::7]。

图5 & 图6（第7页）

• ILLIQF因子分组年化收益及多空组合净值

- 与ILLIQ相比，年化收益与净值曲线均更为优异，分组收益单调增，显示增强的选股能力。

• 凸显弹性网络预测非流动性更好地捕捉未来收益信息[page::7]。

图7 & 图8（第8页）

• ILLIQUE因子（非预期非流动性）年化收益和多空净值

- 虽相较ILLIQ和ILLIQF较弱，但依然表现正向，支持非预期成分对股票收益具有一定解释能力。

• 进一步拓展了非流动性风险维度[page::8]。

图9至图12（第10页）

• 半非流动性指标ILLIQ+与ILLIQ−的分组收益及净值

- 主要发现ILLIQ−因子（下跌日）明显优于ILLIQ+，年化多空收益27.30%，多头23.41%，明确凸显下跌流动性风险的显著影响。

• 图形表明非对称的价格变动对流动性风险暴露效应[page::10]。

图13（第11页）

• 弹性网络预测半非流动性因子MSE比较

- 预测模型MSE显著低于基准，验证模型预测半非流动性能力提升，支撑ILLIQF−构造。

• 进一步印证预测模型价值[page::11]。

图14 & 图15（第12页）

• ILLIQF−因子分组年化收益与多空组合净值

- 分组收益呈严格单调递增，多空组合年化高达29.18%，多头24.91%，整体现象卓越，体现因子价值[page::12]。

图16（第13页）

• 隔夜收益与日内收益结构示意

- 强调隔夜价格变动无对应交易额，导致ILLIQ分子和分母时间不匹配问题，提出使用日内收益替代隔夜收益的逻辑。

• 关键理论支撑分子调整。

表9 & 表10、图17-24（第14-15页）

• 各因子其中OCILLIQ系列使用日内收益作为分子后的性能对比

- OCILLIQF−因子IC均值10.54%，t统计8.63，为所有指标中最高

• 多空组合年化收益呈现明显提升，OCILLIQF−年化36%，对应图17-24均呈现收益单调增长及多空净值持续上涨特征。

- 数据强力支撑分子调整策略的有效性[page::14-15]。

表11 & 图25（第16页）

• 市值中性化后因子均表现仍显著，OCILLIQF−IC均值10.63%

- 30行业IC测试绝大多数显著，银行少数不显著，体现因子行业广泛代表性，综合行业表现尤为突出。

• 图25显示行业差异，为实际应用提供行业选股参考[page::16]。

表12（第17页）

• 因子与常见风格因子相关性

- OCILLIQF−与动量因子相关最高为26%，其他风格如成长、价值、技术相关较低，说明其捕捉了独立于传统风格的流动性风险因子。

• 多因子投资中具备良好搭配性[page::17]。

表13 & 14、图26-28（第17-19页）

• OCILLIQF−因子在不同股票池的表现验证

- IC随股票平均市值下降而提升，表明该因子更适合中小盘股票选股。

• 多空组合整体收益极佳，尤其在除中证800以外全样本表现惹人注目（年化37.99%）。

- 图26-28为各股票池多空组合净值曲线，均保持较好上升趋势，反映广泛应用前景[page::17-19]。

---

4. 估值分析

本报告并未涉及传统企业价值或股价的具体估值目标价设定，而是围绕股票市场因子有效性和选股策略展开。重要“估值”分析指因子有效性评价指标：

• 使用IC（因子值与下期收益秩相关系数）及其均值、胜率、t统计量、ICIR等衡量因子解释力强弱和稳定性。

- 通过分组回测展示年化收益、回撤和换手率指标，展示因子选股价值及交易成本考量。

• 基于弹性网络模型的特征选择和回归系数调整，优化预测精度，体现机器学习方法在因子预测中的应用。

综上，估价角度主要在因子风险溢价的识别及预期后的收益预测上，而非股票绝对价格估值。

---

5. 风险因素评估

报告明确风险提示：

• 采用历史数据统计和建模验证的结果，存在政策和市场环境变化导致模型失效的可能性。

- 因子表现可能因市场结构调整、流动性环境变化及宏观经济波动而出现差异。

• 因子依赖月度调仓，未考虑实际交易成本对策略净值的侵蚀（报告基准暂未计交易费率）可能导致实际收益与回测存在偏差。

报告未具体细分缓解策略，但从研究角度，后续动态调整模型参数、行业市值中性化处理、不同市场环境分段建模等方法均能减缓风险。风险发生概率明确但影响较大，需投资者注意市场环境适应性。

---

6. 批判性视角与细微差别

• 偏见与限制：

- 研究依赖历史统计及模型预测，极端市场事件可能导致预测失效。
- 因子收益主要来源于多头端，空头端相对弱，表明流动性过剩时风险溢价消失机制影响模型稳定。
- 未考虑日常交易费用及滑点，实际可实现收益会有所降低。
- 分子日内收益的替代虽然提高了IC，但短期信息冲击与长期趋势的权重调节及潜在信息滞后效果未深入探讨。

• 内部一致性：

- 不同因子的改进逻辑清晰，弥补传统ILLIQ缺陷，且多重测试指标协同验证结果稳健。
- 但部分指标的极端值（如市值最小200只剔除）和样本过滤可能造成样本选择偏差。

总体谨慎看，报告逻辑连续，数据充分，不存在明显矛盾，推论稳健。

---

7. 结论性综合

本报告基于“青出于蓝”系列系统，全面演绎了Amihud（2002）经典非流动性指标在中国A股的实际应用及提升路径：

• 传统ILLIQ非流动性指标在A股具备显著截面预测收益能力，IC均值6.95%，但空头端响应不足且稳定性有限。

- 通过弹性网络机器学习方法对非流动性进行预测，构造ILLIQF因子，IC提升至9.15%，年化多头收益突破25%。

• 考虑市场中“涨跌方向非对称”的现象，构建半非流动性指标ILLIQ+与ILLIQ−，发现下跌非流动性对收益预测贡献最大，相关IC显著提高。

- 结合半非流动性与预测模型构造ILLIQF−，成为表现最优因子，回测IC均值9.49%，多空年化收益近30%。

• 理论联系Barardehi和Amihud(2020)提出的分子时间匹配问题，利用日内绝对收益替代传统日间收益，进一步将表现推向新高，OCILLIQ_F−的IC达10.54%，回测收益极佳。

- 因子经过市值中性化验证非简单小盘效应，行业与不同规模股票池广泛有效，尤其中小盘股票表现尤为突出。

• 图表深入展示了因子收益的显著单调增长、多空组合绩效及行业均质性等，实现定量与图像直观结合，增强论证说服力。

总体上，报告系统揭示了非流动性风险因子的深度机制与高效预测方法，特别是采用半非流动性和日内收益替代，显著提升传统ILLIQ指标的应用价值和实际选股效果，具备较高实用性与理论贡献。

---

参考文献

报告引用了Amihud等多篇核心文献及相关流动性、资产定价权威文献，确保研究基础扎实严谨，包括：

• Amihud (2002, 2021)系列著作

- Barardehi et al. (2021)关于日内外收益差异的研究

• Brennan et al. (2013)非流动性溢价分析

- Brunnermeier & Pedersen (2009)、Garleanu & Pedersen (2007)关于流动性风险管理的理论模型

• Schmidt & Schuster (2023)对投资者行为异质性的解释

---

总评

本报告通过细致的模型设计与多维度数据测试，提出了系统的非流动性因子优化路径，尤其强调机器学习方法和市场微结构特征的融合，突破了传统指标限制，极大丰富了A股股票流动性风险的量化研究。同时，报告严谨审慎，注重风险提示，为业界提供了有价值的策略工具和实践建议。

---

（全文引用注记格式示范：[page::3],[page::7],[page::13]等）

报告