融资融券因子开发重要性与数据特点 [page::0][page::6]

• 因子拥挤导致多因子模型Alpha收益下降，融资融券因子作为增量信息来源具有重要意义。

- 高频数据容量大且噪声高，需利用机器学习等方法提炼因子；低频数据因增量有限，开发难度较大。

两融余额与股市走势相关性分析 [page::7][page::8]

• 2016年以来，两融余额与上证指数、深证成指呈正相关，相关系数分别为0.673和0.767。

- 两融余额变动呈现对指数的滞后响应。

融资融券因子设计及构造 [page::9][page::10]

• 构建了24个融资融券因子，包括融资余额占比、融券余额占比及其增速、变化率相关因子。

- 因子经过MAD去极值、Z-score标准化、市值中性化处理，回测区间2016-2023年。

因子IC表现及因子筛选（全市场） [page::11][page::13][page::14][page::15]

• 大部分融资融券因子表现为负的IC均值，说明因子值越小，未来收益越高。

- 融资买入额占融资余额比因子IC均值在5、10、20天调仓周期分别为-4.27%、-5.20%、-5.21%，IC胜率均超过60%。

• 融资余额变化率因子IC表现一般，回测单调性不足。

- 选取融资买入额占融资余额比因子进行深度回测。

融资买入额占融资余额比因子回测表现（全市场） [page::20][page::21][page::22][page::23][page::24][page::25]

• 因子分档单调性良好，第一档收益显著超出第五档。

- 多空对冲策略年化收益率最高可达15.19%，多头相对基准策略累计超额收益28.54%（5天调仓）。

• 随调仓周期延长，IC绝对值增大，但收益递减，换手率下降。

中证500市场融资融券因子表现及回测 [page::27][page::29][page::35][page::36][page::37][page::38][page::39][page::40][page::41][page::42]

• 融券余额占比因子IC均值为-3.39%（5天），而IC胜率达64.95%，表现优于全市场。

- 多空策略年化收益率约5.57%，多头超额累计收益达43.86%。

• 调仓周期增加，IC绝对值提高，换手率有所下降。

中证1000市场融资融券因子表现及回测 [page::43][page::51][page::52][page::53][page::54][page::55][page::56][page::57][page::58][page::59][page::60][page::61][page::62][page::63]

• 融券余额占比因子IC绝对值最大可达-4.42%，对应IC胜率约63.92%。

- 融资买入额占融资余额比因子IC绝对值最高，达-7.95%。

• 两因子不同行情下均表现出显著的选股分层能力。

- 多头相对基准策略中，融券余额占比分别获得128.65%、165.77%、136.89%累计超额收益（5、10、20天调仓）。

• 融资买入额占融资余额比因子累计超额收益分别为65.47%、40.66%、54.48%。

融券因子手续费敏感性分析 [page::66][page::67]

• 手续费从千一至千五逐步递增，策略净值表现逐步降低。

- 即使扣除最高手续费，策略仍具备长期超额盈利能力。

• 选股时需综合交易成本控制。

结论总结 [page::66][page::67][page::65]

• 负相关因子普遍存在，因子值小的股票未来表现更好。

- 融券余额占比和融资买入额占融资余额比因子在三个主要市场均表现优异，具有较高的预测能力和稳定超额收益。

• 调仓频率5-20天均适用，具体选取可根据收益/换手率权衡。

- 手续费对策略收益有显著影响，实操需控制交易成本。

金融研究报告深度拆解分析报告

报告名称：《基于融资融券因子研究》

作者与发布机构：广发证券发展研究中心研究团队（主要分析师陈原文、罗军、安宁宁等）
发布日期：2023年12月（最新数据涵盖至2023年底）
研究主题：基于A股市场融资融券数据构建多因子选股模型，研发并实证验证融资融券相关因子在多因子Alpha体系中的应用效果。

---

一、报告概览

该报告聚焦于融资融券数据在多因子模型中的因子开发、迭代与应用，旨在通过个股融资融券指标（如融券余额占比、融资买入额占融资余额比等）构建相关因子，探究这些因子对股票未来收益的预测能力以及选股策略的实际表现。报告核心结论指出：

• 融资融券因子具有一定的Alpha预测能力，尤其是在中证500、中证1000指数成分股及全市场范围内，融券余额占比因子和融资买入额占融资余额比因子表现较为突出。

- 因子的调仓周期（5天、10天、20天）对预测能力有一定影响，不同市场间因子的表现存在差异。

• 费用（手续费）对策略净值有显著影响，需重点关注。

- 报告提醒量化模型和市场结构的变化对因子有效性可能带来的风险。

整体评价融资融券数据作为低频微观数据的重要性，突出其在现有多因子体系中作为较少被充分挖掘的Alpha来源的潜力。[page::0][page::6][page::67]

---

二、逐节分析解读

1. 因子挖掘的理论基础与背景（第6页）

• 近年来，A股市场量化私募兴起，因传统多因子拥挤导致因子收益下降，因而因子开发不断迭代更新，尤以高频价量数据和低频另类数据的结合成为研究重点。

- 高频数据因其样本多、信息丰富、噪声高等特点，适合用机器学习等先进方法提炼特征；而低频数据（包括财务报表和融资融券数据）作为低频信号，面临增量信息有限的困境，但融资融券数据因其代表了市场多空情绪，成为因子开发的新方向。

• 报告围绕融资融券这一较特殊低频信息资源展开，拓展多因子框架中的投资Alpha挖掘。[page::6]

2. 融资融券指标与市场关系（第7页）

• 报告通过统计分析表明，2016年至今融资融券余额与上证指数、深证成指均呈正相关，表明融资融券余额的变动与市场走势相关，但融资融券余额的变动存在滞后特性。

- 同时，融资融券余额占流通市值比率与市场收益也具正相关，但相关强度略低。

• 结合图1和图2（融资融券余额与市场指数走势对比图），展示了融资融券指标作为宏观市场情绪指标的属性和用途。[page::7]

3. 融资融券因子的初步实证及改进思路（第8-9页）

• 利用融资融券余额对股票收益的影响测试，初步结果显示因子值越小，对应股票未来收益越高。

- 原始融资融券余额因子纯多头策略表现不佳，年化收益率仅0.16%，信息比率0.22，最大回撤较大。

• 改进方向强调因子需结合股票流动性、成交量等价量数据，同时引入时序变化率指标以捕获指标动态变化的信号。由此构建了20种融资融券类因子，具体方法详见表3与表4。[page::8][page::9][page::10]

4. 因子构造具体方法（第9-10页）

• 报告详细列举了20余种融资融券因子，包括净融券卖出占比增速因子、融券余额变化率、融资买入额占融资余额比等，使用过去N交易日的相关数据计算因子值，通过时序差分或比率手段提取动态信息。

- 数据来源主要是交易所融资融券数据和权益市场数据，进行市值中性化及极值处理来保障数据质量。[page::9][page::10]

5. 因子实证分析

（1）全市场表现（第10-26页）

• 利用IC均值（因子值与未来收益的相关系数）及IC-IR（信息比率），评估因子预测能力。

- 绝大多数融资融券因子呈现负IC，意味着因子值越小，未来收益越高，构造出“低因子值买入，高因子值卖出”的选股策略普遍有正向收益。

• 其中，“融资买入额占融资余额比因子”表现最佳，5天、10天、20天调仓IC均值分别约为-4.27%、-5.20%、-5.21%，其IC胜率均超60%，且多空对冲策略及多头相对基准策略均实现稳健正收益（年化收益15.19%至12.30%，最大回撤19.96%以下）。

- 图4至图15展示了该因子分档收益及多空策略净值趋势，显示稳健的超额收益能力和较合理的换手率水平（约40%以上，随着调仓周期延长有所下降）。

• 其他因子如融资余额变化率因子尽管IC较高，但分层单调性及策略表现不及融资买入额比因子。[page::10~26][page::19][page::20]

（2）中证500表现（第27-42页）

• 中证500区间内融资融券类因子整体预测能力较全市场增强，其中融资买入额占融资余额比因子、融券余额占比因子及融券卖出量比因子表现突出。

- 融券余额占比因子5天调仓IC均值-3.39%，IC胜率65%，多空策略年化5.57%，多头相对基准回报4.84%，最大回撤约15%以下，换手率32%左右，表现稳健。

• 因子分档图16至图18显示分层效果好，5档中第一档收益显著优于第五档，单调性较强。

- 图19至图27图示了因子IC及多空策略净值，支持该因子在中证500范围内保持一致预测效应。

• 分年度表现显示2021年因子预测能力相对减弱，但整体趋势良好。[page::27~42][page::36][page::38][page::39]

（3）中证1000表现（第43-64页）

• 中证1000范围内，因子表现进一步提升，尤其是融券余额增长率因子、融资买入额占融资余额比因子表现优异。

- 融券余额占比因子5天、10天、20天IC均值绝对值分别为3.28%、4.22%、4.42%，对应IC胜率61.60%、64.43%、63.92%。

• 融资买入额占融资余额比因子IC表现更佳，5天调仓IC达到5.55%，并实现明显的超额收益。

- 两大因子均体现显著分层效应，尤其在中证1000范围内，融券余额占比因子分层收益单调性较高。

• 多空对冲策略及多头相对基准策略累积超额收益分别达到较高水平，如融资买入额因子20天调仓超额收益24%以上，融券余额占比因子更表现出优异的超额收益，2021-2023年表现尤为突出。

- 图28-33展示分档效果，图34-45呈现因子IC与策略净值趋势曲线，整体反映出因子表现持续且稳定。

• 分年度IC表现维持较为稳定，2019年略显弱势。[page::43~64][page::51][page::52][page::55][page::61]

6. 融券因子敏感性分析（手续费影响）（第66-67页）

• 选取中证500、中证1000的融券余额占比因子及全市场、中证1000的融资买入额占融资余额比因子，进行不同手续费（千分之一、千分之三、千分之五）敏感性测试。

- 即使扣除较高手续费，策略仍能维持长期正超额收益，但手续费上升显著拖累净值表现。

• 因此，策略实际使用中需重点考虑交易成本和手续费率对最终收益的影响，策略配置时手续费水平是关键风险点之一。

- 图52-55对应各因子扣费后的多头净值走势，有效展示了手续费的递减效应。[page::66][page::67]

7. 总结与风险提示（第67-68页）

• 通过综合全市场、中证500、中证1000三个维度的实证测试，选取表现最佳的融资买入额占融资余额比因子和融券余额占比因子作为核心Alpha。

- 因子综合了融资融券指标、时序变化率和价量信息，提升了因子灵敏性和合理性。

• 目标因子均表现为负IC，显示因子值小的股票未来表现更好，具备一定的Alpha识别能力。

- 不同市场和调仓周期下的表现存在差异，选股效果及策略收益显著。

• 手续费对策略表现影响明显，需纳入考量。

- 风险警示强调市场环境、政策变动及量化策略本身的失效风险，并指出报告观点或与其他量化模型有差异。

• 结论强调融资融券因子是低频信息中新发现、相对有效的Alpha来源，具有应用前景。[page::67][page::68]

---

三、图表深度解读

• 图1-2：显著表明融资融券余额变化与A股市场大盘指数之间存在正相关关系，且略带滞后，反映融资融券作为市场情绪及资金面指标的代表性地位。[page::7]

• 图3：全市场融资融券因子IC及累计IC趋势显著负向，验证了因子值低对应后续股票收益较高，指示融券指标与市场股价负相关现象。累计IC曲线向下且波动，提示预测能力稳定趋势。[page::8]

• 图4-6：以全市场“融资买入额占融资余额比”因子分五档显示分层收益显著下降，验证该因子的分层单调性和选股能力，调仓周期拉长时分档效果略下降。[page::20]

• 图7-9：展示该因子IC值及累计IC的时间序列，均呈现负IC值，波动明显但整体趋势不断加深，预示选股能力长期稳定。[page::22][page::23]

• 图16-18：中证500融资融券余额占比因子分层效果图分布稳定，每档收益呈梯度减少，表现强于全市场因子分层，随调仓周期增长分层收益稳定性提升。[page::36]

• 图19-21：因子IC及累计IC走势，连续多年度负IC表明负相关的预测关系具有持续稳定性，197年以后的波动显示市场波动风险。[page::38][page::39]

• 图22-27：中证500融券余额占比因子多空策略及多头相对策略净值走势良好，策略净值稳步增长且超额收益显著，换手率有序下降体现策略调仓频率与收益平衡。[page::41][page::42]

• 图28-33：中证1000中融券余额占比因子及融资买入额占融资余额比因子的分层图，显示两个因子均具有较强的分层单调性，尤其中证1000中融券余额占比因子表现最好，第一档与第五档收益差异明显。[page::52][page::53]
• 图34-36：中证1000融券余额占比因子IC及累计IC表现稳定负向趋势，支持因子稳定预测能力。[page::55]
• 图37-42：中证1000融券余额占比因子策略净值走势，净值持续上升超越基准，且超额收益稳定，表现优异。[page::57][page::58]
• 图43-45：中证1000融资买入额占融资余额比因子IC及累计IC走势，呈连续负向，表明低因子值对应较高未来收益，趋势明显。[page::61]
• 图46-51：中证1000融资买入额占融资余额比因子多空策略及多头策略净值表现，策略表现出稳定超额收益，日/10/20天不同调仓周期均有效。[page::63][page::64]
• 图52-55：手续费敏感性测试图，显示手续费上升导致净值下降，但策略仍保持积极超额收益，手续费对策略实施影响显著，需要在实操中予以充分考虑。[page::66][page::67]

---

四、估值分析

报告未涉及传统的估值分析方法如DCF、市盈率比较等，核心在因子构建和实证检验，重点在因子预测能力（IC/RIC，IC胜率）及因子多头/多空策略收益表现，强调Alpha挖掘而非公司价值估值。符合多因子量化选股体系的范式。[page::全文]

---

五、风险因素评估

• 因子模型基于历史统计与建模，可能因市场政策、微观结构变化导致失效。

- 策略依赖市场行为和流动性，如交易行为、资金面、融资融券制度调整都可能带来策略失效风险。

• 不同量化模型结果差异可能存在，投资者需审慎对待指标。

- 手续费、交易成本显著影响策略净值，重视实际交易情境和成本控制。

• 增强因子稳健性检验，但对极端市场或突发事件的适应性有限。[page::0][page::68]

---

六、批判性视角与细微差别

1. 因子表现波动性：融资融券因子IC值普遍较小（多为个位数百分比，绝大多数为负），说明预测能力虽然显著，但不强，存在较大噪声和波动，部分年份表现相对疲软，如2019年及2021年部分因子预测能力显著下降。
2. 负向IC与策略逻辑：报告多次强调融资融券类因子IC为负，解释为“因子值越小，未来收益越高”，但未深入解析为何呈现负向关系，且不同行业或市场环境中可能产生不同解释，投资者需理解因子本质。
3. 手续费影响的不确定性：虽然手续费敏感性分析显示策略依然有效，但实际执行中可能面临滑点、冲击成本等额外交易成本，尤其针对高频调仓策略，可能导致策略效果弱化。
4. 回测样本和数据更新：报告基于2016-2023年数据，时间跨度较长，但量化因子系数可能因市场周期变化存在变化，未来表现仍需观察定期更新。
5. 异质市场表现：因子在不同市场（全市场、中证500、中证1000）表现差异明显，提示不同规模和流动性板块对因子敏感度不同，需要针对性灵活使用。
6. 因子多样性不足：尽管构建了20多个因子，报告核心还是聚焦融资买入额占融资余额比和融券余额占比，其他因子性能一般，显示融资融券数据的Alpha挖掘仍有待深化和多元化。
7. 模型结果解释透明度：部分表格数据异常及符号显示需优化，报告未对因子波动产生的微观机制做进一步解释，导致策略黑箱感较强。

---

七、结论性综合

广发证券《基于融资融券因子研究》报告系统深挖了融资融券数据在A股多因子模型中的选股效应，通过构建和验证融资买入额占融资余额比、融券余额占比及相关变化率等20多个因子，结合全市场、中证500、中证1000不同范围的实证回测，得出以下主要结论：

• 核心因子表现突出：尤其是“融资买入额占融资余额比”和“融券余额占比”因子，多次在不同调仓周期和市场范围内实现负IC且稳定负向，指示其能够有效捕捉后市股票相对表现；相关多空策略和多头相对基准指数策略均取得明显稳定的超额收益，累计超额收益最高可达128%以上（中证1000）。
• 市场分层差异：中证1000因子预测能力和分层单调性最佳，融券余额占比因子表现优于其他市场，而融资买入额因子在全市场和中证1000中效果较好，显示不同市场结构对因子的适应度不同。
• 手续费影响显著：策略回测显示在考虑千分之一至千分之五手续费条件下仍有超额收益，但手续费上升带来的净值回撤凸显交易成本对策略实施的制约。
• 风险与局限性提示：报告全面提示量化模型的历史依据限制，市场政策、结构性变动、策略失效风险及模型结果与其他量化研究可能存在差异，投资者须谨慎考虑。
• 实践应用建议：因子作为低频另类数据中的典型指标，为多因子框架提供了重要的Alpha补充，投资者在实际应用中，应灵活搭配调仓周期，结合手续费水平，针对不同市场选股，并持续监测因子表现提升迭代能力。

总结：报告全面揭示了融资融券数据作为因子的新潜力，提出了科学的构建方法并提供详实的实证支持，尤其“融资买入额占融资余额比”和“融券余额占比”两个因子被明确推荐为具有较好预测能力和战略实用价值的主要指标。未来可结合更细化的行为金融机制、机器学习算法进一步提升因子效能，推动A股多因子投资策略的深化发展。[page::0][page::7][page::8][page::10][page::20][page::27][page::36][page::43][page::52][page::66][page::67]

---

【注：具体表格较多，涉及指标IC、RankIC、信息比率、年化收益率、最大回撤、换手率等均有详尽数字，本文中部分重点数值摘录，完整数据请参见原报告对应页及索引。图片呈现因机械识别有部分缺损，因而未全部以原样复现形式附带。】

---

此报告为基础量化研究，适合量化研究员、资产管理者深入理解融资融券数据在股票选股因子中的应用潜力及局限，有助于投资策略优化和风控改进。

报告