• 行为金融与处置效应理论基础 [page::1][page::2][page::3]

- 投资者倾向卖出盈利持股而持有亏损持股，呈现风险规避与风险追求的心理特征。
- 前景理论提出S型价值函数，解释投资者盈亏差异下的不同风险偏好。

• 资本利得突出量（CGO）因子定义与计算 [page::3][page::4]

- 通过过去N日成交均价返点换手率加权平均计算参考价格RP，将换手率信息融入价格平滑，捕捉投资者心理价位。
- CGO反映股价相对于参考价格的平均浮盈亏，能较早反映趋势转变和投资者惜售心理。

• CGO低频因子实证表现与调参分析 [page::5][page::6][page::7][page::8][page::9]

- 周频全市场检验，IC均值约-4.2%，多空年化收益约28%，多头年化收益近19%。
- 多档回溯周期（20、50、100天）表现稳定，短期周期因子单调性稍弱。
- 行业市值中性后，因子表现无显著恶化，说明因子收益不强依赖于市值因素。
- 关键图表展示了因子IC值波动、分组收益以及多头空头净值累计曲线。

• CGO高频因子构建与实证结果 [page::9][page::10][page::11][page::12][page::13][page::14]

- 利用5分钟线数据构建高频CGO因子，分别选取回溯1天、5天、20天。
- 5日回溯的5分钟CGO因子表现最好，IC均值-4.4%，IC胜率61.6%，多空年化收益37%，夏普2.27。
- 行业市值中性化后，多空年化收益提升至40%，夏普比提高至3.56，表明剔除市值效应增强因子稳定性。
- 高频因子采用了选取交易日中换手率最大时间点等不同筛选方式，显示一定优化可能。
- 相关图表包括因子IC值、分组收益统计、策略净值累计曲线。

• 因子相关性与因子内部结构 [page::15][page::16]

- CGO因子与传统风格因子如动量、市值、成长相关性较低，表明因子能提供补充alpha。
- 因子内部不同回溯周期间相关性较低，尤其高频与低频因子相关较弱，有利于策略组合多样化。
- 换仓频率越高，因子收益越明显，提示该因子捕捉信息偏向短期。

• 策略费用与市场分域敏感性检验 [page::16][page::17][page::18]

- 交易费用增长显著降低策略收益，手续费率控制对于实操影响显著。
- 低频因子在小盘股池（中证500、中证1000）表现更好，收益更高。
- 高频因子在沪深300大盘池中表现更佳，IC值和分组区分度更高。

• CGO因子量化策略总结 [page::0][page::5][page::9][page::10][page::18][page::19]

- CGO因子基础为过去N日成交均价与换手率加权构成参考价格，体现投资者心理盈亏。
- 不同频率因子均显示负IC，表现与股票处置效应对应，短期及中期均有稳定的多空收益。
- 高频因子（基于5分钟数据回溯5日）表现优于低频，具备更高收益与风险调整水平。
- 因子收益稳定且相关性较低，适合多因子模型补充；但受换仓频率、交易费用影响明显。
- 因子在不同股票池表现存在差异，体现不同市场结构下因子效用变化。

【广发金工】2024精选深度报告系列之九 — 资本利得突出量（CGO）多频率测算详尽分析

---

一、元数据与报告概览

标题：《资本利得突出量的多频率测算》
作者/研究机构：广发金融工程研究中心
发布日期：2024年9月13日
报告主题：基于行为金融学理论，深入分析资本利得突出量（Capital Gain Overhang，简称CGO）因子的构建逻辑及其在股市中低频与高频数据下的表现差异和实证效果。

报告核心论点：

• 结合行为金融中的处置效应与前景理论，提出CGO因子测算思路；

- 利用换手率加权的过去N日成交均价定义参考价格，进一步计算资本利得突出量；

• 纵向对比低频（日/周频）与高频（分钟线）数据对CGO因子的影响；

- 实证结果显示高频CGO因子在收益率和信息系数表现上优于低频因子；

• 因子和主流风格因子相关性较低，具有较强的独立Alpha意义。

总体而言，报告沿袭行为金融学的投资者心理偏好，为传统选股因子模型注入行为金融视角，通过多频率数据验证CGO因子有效性，为量化投资策略构建提供了新的思路和工具。[page::0,1]

---

二、逐章节深度解读

2.1 研究背景与行为金融学基础

报告首先界定了传统金融学中的完全理性假设的不足，尤其在中国A股市场个人投资者比例较高且存在卖空限制，市场异象频发。行为金融学从投资者心理与非理性决策出发，更有力地模拟和解释实际市场行为中的异常现象。
报告提及行为金融中的“处置效应”：投资者倾向于卖出盈利股票而持有亏损股票表现出不同的风险态度，盈利时风险回避，亏损时风险偏好。对应的理论框架为Kahneman和Tversky的前景理论，它突破传统风险厌恶假设，提出了左凸右凹的价值函数。
基于该理论背景，报告团队在2017年已引入CGO因子概念，刻画有限注意力投资者的盈亏心理偏好。[page::1,2]

2.2 高频数据的引入与因子挖掘

A股市场越来越多机构化，且因子拥挤问题严峻，低频因子收益波动增大。对比高频价量数据，优势显著：

• 高频数据体量大，以分钟线、甚至秒级快照数据为例，数据维度丰富；

- 高频数据多维时间序列，噪声高，需借助信号处理与机器学习等方法提炼有效选股特征；

• 高频因子调仓频率更高，样本量大，有助于因子有效性验证；

因此，报告尝试基于分钟线数据优化CGO因子，丰富低频因子的表现维度。[page::1,2]

2.3 前景理论与处置效应概述

详细阐述了处置效应的两大主要心理动因：心理账户理论和过度自信偏误，并重点介绍前景理论的价值函数特征：

• 投资者对盈亏感受不对称，损失痛苦强于收益快感；

- 价值函数左凸右凹，亏损时风险偏好，盈利时风险规避；

• 这种行为导致深度亏损股票惜售，形成股价反转机会；

图1展示了前景理论的价值函数曲线，清晰区分了盈亏不同区间的效用变化趋势。[page::2,3]

2.4 CGO因子与参考价格的定义

报告借鉴Grinblatt（2005）定义，构建了比传统均线更能体现交易活跃度及投资者心理价位的“参考价格（RP）”，利用换手率作为衰减权重，强调换手率高的成交价对未来投资者认知的影响更大。

资本利得突出量（CGO）即当前股价与参考价格的差异，反映投资者的平均浮盈或浮亏水平。
示例图2比较了传统100日均价、参考价格与CGO序列，说明CGO因子更敏感和领先于均线对股价趋势转折的把握，特别是高换手量后的CGO变化往往预示价格反转。[page::3,4]

---

三、低频因子实证分析

3.1 数据与方法设置

• 样本范围：全A股，剔除摘牌、ST、未满一年的个股；

- 处理方法：中位数去极值，Z-score标准化；

• 回测区间：2012年1月至2024年6月；

- 调仓周期：周度；

• 加权方式：等权。

3.2 低频CGO因子表现总结

报告表明：

• CGO因子IC均值约为-4.2%，说明该因子的因子值与后期收益呈逆向关系，符号负向其实具备选股能力（因子采用负向排序）；

- 多空组合年化收益28%，多头收益约18.8%，十分组分层显示多头组收益显著优越；

• 因子表现稳健，调整计算回溯天数（20、50、100）对IC及收益表现影响较小，但是短周期单调性不足，更容易出现波动。

图3-6通过时间序列描绘了因子IC及多空累积净值走势，清晰展示因子稳定性和收益贡献。
图4及图8显示换手率均较高的末组持股收益明显，体现因子区分能力强。
年度收益表显示大部分年份因子超越大盘。
行业市值中性化处理后，因子表现进一步提升，夏普比和超额收益均有所上升，表明因子属性部分独立于行业及市值因素。[page::4,5,6,7]

3.3 参数敏感性

通过调整CGO因子的回溯周期（20/50/100天）进行测试，发现因子收益表现稳定。较长回溯期因子单调性更优，短期波动更大。
相应图表清晰呈现不同参数对应因子的IC信息与分组收益，回溯周期100天的表现略优。[page::7,8,9]

---

四、高频因子实证分析

4.1 高频数据因子构造及表现

抽取5分钟线数据，计算回溯1天、5天和20天的CGO因子，对周频调仓策略进行回测。
5天回溯的CGO指标效果最佳：

• IC均值-4.4%，IC胜率61.6%，多空年化收益37%，夏普比2.27；

- 经过行业市值中性化后，表现进一步改善，年化收益达40%，夏普比升至3.56。

高频因子收益优势显著，对比低频因子表现有明显提升。[page::9,10]

4.2 高频因子参数优化与分时数据筛选

进一步尝试只保留交易日中开盘前半小时分钟线数据，以及汇总该时段数据等方案，优化效果有限。
筛选换手率排名最高的50个数据点因子表现显著弱于全部数据，表明高频换手综合权重具有重要信息价值。

整体看，高频CGO因子对市场的反应更灵敏，适合捕捉较短期信息。[page::12,13,14]

---

五、因子相关性及敏感性检验

5.1 多因子相关性分析

CGO因子内部不同回溯长度和频率版本间相关性显示，回溯周期差异对因子特征影响较大，而数据频率对相关性影响一般。低频因子间相关性较强，高频因子则更多表现独立性。
与传统Barra风格因子相关性普遍较低，表明CGO因子的Alpha属性独立于市值、动量、盈利等风格因子。[page::11,16]

5.2 换仓频率影响

因子换仓周期从周度延长为月度，收益率明显下降，尤其是高频因子信息迅速衰减。
说明CGO因子捕捉为短期动态信息，频繁调仓有助于保持其有效性。[page::16]

5.3 交易成本敏感性

模拟手续费包含千分之一到千分之三对策略的影响，结果表明，手续费上升直接影响策略净值，仍保留超额收益，但降幅明显，提示实际运作中需关注交易成本管理。[page::17]

5.4 不同股票池表现

低频因子效果相对更适合中小盘股票池（中证500与中证1000），表现更稳定；而高频因子在沪深300大盘股池中表现更佳，回测IC和收益的区分度较高。
说明不同数据频率的CGO因子对不同规模股票具有不同的适用范围及表现特性。[page::17,18]

---

六、关键图表深度解读

图1：前景理论价值函数

• 展示了盈亏对应的价值函数特征，盈亏0点为参考点，左边亏损区B曲线凸起，右边盈利区A曲线凹下；

- 图形凸显负收益敏感度高于正收益的特点，支持理论中风险偏好随盈亏状态转换的假设。[page::3]

图2：CGO与股价、均线对比

• 该图以某股票为例，展示CGO、参考价格、收盘价和100日均价的走势对比；

- CGO波动更灵敏且领先均线捕捉价格趋势变化，体现该因子在交易活跃度加权后，能更好反映投资者心理价位；

• CGO先行回落往往对应市场顶部讯号，验证其作为选股因子价值。[page::4]

图3-6：低频CGO因子IC及收益表现

• 3图显示因子信息系数（IC）存在周期性波动，部分年份负值较多，但整体统计意义较强；

- 4图分组净值展示因子值最高的末组持股收益突出，换手率变化趋势支持因子的换手敏感逻辑；

• 5、6图多空股票组合的累计净值说明策略长期富有盈利能力，且多头贡献显著；[page::5]

图7-10：行业市值中性化前后对低频CGO因子表现的强化

• 行业市值中性后，IC波动幅度加大，累计IC也有所提升；

- 分组净值与换手率关系加强，末组净值更为突出；

• 多空累计净值曲线趋于更强劲的上升趋势，呈现收益率和稳定性的提升。[page::6,7]

图11-18：不同回溯周期的低频CGO因子表现

• 回溯100天（图11-14）与20天（图15-18）表现类似，长期回溯略占优势；

- 分组收益条形图显示较高因子组呈现明显超额回报，换手率维持较高水平；[page::8,9]

图19-26：高频5分钟线CGO因子回溯5天表现

• IC信息系数表现稳定且胜率提升到61.6%，多空策略年化收益37%，夏普比2.27；

- 行业市值中性后效果更佳，多空收益升至40%；

• 分组净值呈现明显梯度，底部换手率调节依然显著；

- 多空频谱净值曲线显示高频因子动量特征鲜明，且收益稳定持久。[page::10,11]

图27-34：筛选开盘前半小时及数据汇总方案

• 筛选开盘前半小时构建的因子（图27-30）IC及收益稳定，但未超过全时段因子；

- 数据汇总后（图31-34）依然保持较好表现，表明部分时间窗口数据已足以反映交易心理；[page::13,14]

图35-36：交易手续费敏感性分析

• 不同手续费假设下，多头策略净值走势均呈现负相关，手续费越高，策略表现越弱；

- 高频因子在手续费敏感度方面影响更明显，操作中需对手续费进行合理控制。[page::17]

图37-42：不同股票池因子分组收益对比

• 低频因子在中证500、1000小盘股票中表现更为突出，分组收益及换手率配合合理；

- 高频因子则在沪深300大盘股池中优势明显，因子的IC及多头区分度均较高；

• 图形和数字共同说明不同分域中CGO因子需结合数据频率加以选择使用。[page::18]

---

七、估值与风控分析

本报告不涉及传统意义上的公司估值分析。风险提示集中在策略和因子的有效期风险：

• 策略基于历史数据和模型，未来政策、市场环境变化可能导致模型失效；

- 市场结构和交易行为改变时，策略收益可能显著缩水；

• 量化模型自身差异导致分析结果差异大，需审慎对待。

风险提醒合理且充分，强调市场和模型潜在的不确定性。[page::0,16,18,19]

---

八、批判性视角与细微差别

• 因子IC值虽负向，但结合因子排序逻辑（反向排名）对收益贡献正向，需关注因子信号解释的前提条件；

- 高频数据因子表现更优，然而高频数据处理复杂且噪声较大，对计算和存储资源要求高，实施成本偏高；

• 策略换仓频率敏感，频率延长收益下降，交易成本影响显著，现实中成本控制和滑点问题有待进一步解决；

- 因子与风格相关性虽低，但机制与流动性等属性略相关，需注意多因子组合中的风险叠加影响；

• 整体回溯检验中，部分年份因子表现不佳（2017年负收益明显），提示因子仍受大市环境影响，非全周期稳定；

- 报告对高频数据构造方式和机器学习的介绍较为宏观，缺少具体算法细节，难以完全评估因子可靠性。[page::5,6,9,16]

---

九、结论性综合

本报告以行为金融中的处置效应和前景理论为理论基石，创新性地提出并应用“资本利得突出量（CGO）”因子，通过换手率加权平均成交价计算“参考价格”，用于反映投资者心理盈亏水平。其多频率版本的深入实证分析，显示CGO因子在A股市场中具有较强的选股能力和超额收益表现：

• 低频CGO因子具备稳定的IC水平和可观的多空年化收益（28%左右），行业市值中性后收益表现进一步增强；

- 高频CGO因子表现更为优异，尤其是基于5分钟线的5天回溯，IC胜率达61.6%，多空年化收益达37%，行业市值中性后达到40%，夏普比也接近3.5，表现稳健出色；

• 高频因子更适合大盘沪深300股票，低频因子在中小盘股池表现更佳；

- 因子独立性强，相关性较低，为多因子策略提供良好的Alpha来源；

• 换仓频率和手续费对策略表现影响显著，实际运作需平衡收益与交易成本。

该报告不仅理论联系实际，形成了行为金融到量化因子投资的闭环，且系统性地比较了不同频率数据的因子表现，为量化投资模型的设计和升级提供了鲜明方向。
特别是高频数据对于捕捉短期非理性投资者行为表现出明显优势，这提示未来量化研究应更加重视高频数据的合理利用和因子创新。[page::0-20]

---

关键图表总结

• 图1前景理论价值函数：明确了行为金融的心理决策基础；

- 图2 CGO与股价走势对比：证明CGO领先均线的结构特性；

• 图3-18 低频CGO因子表现图：验证因子稳健性及参数敏感性；

- 图19-26 高频CGO因子表现图：揭示高频数据带来的显著选股优势；

• 图27-34 起止时段数据筛选实验：确认高频数据完整性重要性；

- 图35-36 交易成本敏感图：实证手续费影响，体现策略调整空间；

• 图37-42 不同股票池分析图：不同市场细分下因子表现差异化。

各图表数据与论点紧密结合，形成解释力强、说服力足的证据链条。[page::0-18]

---

总体评价

该报告视角新颖，结合行为金融理论深刻探讨资本利得心理因素，构建了具有实际操作价值的CGO因子，全面验证了低频与高频版本的实证效果，体现研究团队扎实的理论基础和数据处理能力。

虽有部分假设和方法细节尚待披露，但整体信息完整，风险警示充分，是量化投资领域抢占行为金融Alpha前沿的重要成果，具有较高的参考和应用价值。

投资者和研究者可依据本报告构建多频率、多角度的选股模型，把握非理性行为下的市场机会。

---

附：报告引用主要页面

• 标题、摘要、研究背景及摘要介绍：0-1页

- 行为金融理论与CGO定义：2-4页

• 低频因子实证及年报绩效：5-9页

- 高频因子实证与参数调整：9-14页

• 相关性及换仓、费用敏感性分析：15-17页

- 分域选股分析与总结：17-19页

• 附录与二维码：20-21页

（所有页码均对应原文标注）

报告