• 高频数据信息含量高，tick数据可细分投资者买单为积极买入（主动买单）与保守买入（挂单成交），构建买入情绪因子BM，定义为保守买入量与积极买入量的比值，采用过去20个交易日数据计算 [page::3][page::4][page::5][page::6]

• BM因子与股票下期月度收益率正相关，平均相关系数0.052，表明保守买入占比越高，股票未来表现越好 [page::7]

• BM因子十组分表现明显单调，第一组（BM值最高）年化收益达24.60%，年化超额收益18.12%，夏普比率0.71，多空组合年化收益26.01%，最大回撤-15.55% [page::8][page::9]

| 分组 | 年化收益率 | 年化超额收益率 | 最大回撤 | 最大相对回撤 | 信息比率 | 夏普比率 | 月绝对胜率 | 月超额胜率 | 换手率 |
|---------|------------|----------------|----------|--------------|----------|----------|------------|------------|---------|
| 第1组 | 24.60% | 18.12% | -55.42% | -17.96% | 2.5358 | 0.70967 | 58.14% | 74.42% | 83.19% |
| 多空组 | 26.01% | - | -15.55% | - | - | 2.7924 | 81.39% | - | - |

• BM因子平均RankIC为0.0724，具有较强解释未来收益的能力 [page::10]

• 反转因子显著影响BM因子表现，BM因子高组对应过去20天股价大幅下跌。剔除反转因子后，BM因子组间涨跌幅差异减小，相关性从-28.03%降至约0 [page::11][page::12]

• 反转中性化后BM因子表现依旧优异，第一组年化收益23.10%，超额收益16.75%，多空组合年化收益20.98%，最大回撤-14.53%；月度胜率68.6%，夏普比率0.6574 [page::13]

| 分组 | 年化收益率 | 年化超额收益率 | 最大回撤 | 最大相对回撤 | 信息比率 | 夏普比率 | 月绝对胜率 | 月超额胜率 | 换手率 |
|--------|------------|----------------|----------|--------------|----------|----------|------------|------------|---------|
| 第1组 | 23.10% | 16.75% | -55.19% | -17.67% | 2.3753 | 0.6574 | 58.14% | 68.60% | 82.98% |
| 多空组 | 20.98% | - | -14.53% | - | - | 2.4510 | 80.23% | - | - |

• 反转中性化后的BM因子平均RankIC为0.0512，依旧展现出对未来收益的显著预测能力 [page::14]

• BM因子受市值因子影响较大，表现较优的组别仍偏向小市值。剔除市值及反转影响后，BM因子依然保持正向的业绩表现，年化超额收益9.3%；多空组合年化收益10.57%，最大相对回撤-11.14% [page::14][page::15][page::16]

| 分组 | 年化收益率 | 年化超额收益率 | 最大回撤 | 最大相对回撤 | 信息比率 | 夏普比率 | 月绝对胜率 | 月超额胜率 | 换手率 |
|--------|------------|----------------|----------|--------------|----------|----------|------------|------------|---------|
| 第1组 | 19.07% | 12.65% | -53.91% | -12.34% | 2.1134 | 0.5439 | 54.65% | 74.42% | 83.93% |
| 多空组 | 10.57% | - | - | -11.14% | - | 1.1433 | 61.62% | - | - |

• 历史表现中2014年12月和2015年6月至7月期间由于市场极端行情导致因子表现波动，反映因子在极端市场环境下可能出现失效风险 [page::16][page::17]
• 总结：基于高频盘口数据构建的买入情绪因子BM，具有明显的alpha挖掘能力。因子筛选出的是在价格下跌过程中具有显著买盘支撑的股票，剔除市场反转和市值影响后依然保持稳定超额收益，验证了高频盘口数据分析投资者行为的有效性 [page::17]

高频识途——基于买入行为构建情绪因子的详尽报告解构与分析

---

1. 元数据与概览

报告标题： 高频识途——长江金工高频识途系列（一）基于买入行为构建情绪因子
作者及联系： 觉谦川桃，团队联系方式详见报告封面
发布机构： 长江证券研究所
发布日期： 2017年3月10日
主题： 利用高频盘口数据从买入行为角度构建买入情绪因子BM（Buy Mood），剖析因子的有效性及其对股价收益的预测能力。

核心论点与评级目标：

• 高频数据的信息含量高于低频数据，尤其通过买入行为的细致划分能提升投资决策的准确度。

- 通过区分积极买入（主动下单即与盘口卖单成交）和保守买入（挂单等待卖单成交），并建立买入情绪因子BM，该因子能有效捕捉股价未来收益趋势。

• 回测显示BM因子在2010年至2017年期间的超额收益表现显著，原始因子年化超额中证500收益达14.53%。

- 经过反转因子和市值的中性化调整后，因子仍表现出稳健的超额收益能力。

• 报告旨在揭示高频数据中投资者行为的交易动机，辅助构建alpha选股因子。

---

2. 逐节深度解读

2.1 简介与背景（第3页）

• 高频数据包含的信息远超过低频数据，主要体现在细化的切片数据带来的量价波动信息的提升，以及盘口数据细致还原后交易行为识别能力的增强。

- 买卖行为是投资者心理和资金流向的本质表现，直接识别交易行为优于基于成交结果反推。

• 因此报告通过高频盘口数据直接区分投资者买入行为，挖掘独特选股因子，实现对个股未来表现的预测。

- 逻辑清晰，说明了“由行为识别至情绪因子构建”的路径。

2.2 数据分析（第4页）

• 使用的高频数据为tick级盘口数据：深交所推送逐笔委托数据，能较全面还原订单簿；上交所因数据限制则只提供部分委托数据。

- 数据提供商天软提供tick数据，数据时间间隔非固定（3-5秒一笔不等），存在不同服务器推送导致差异。

• 表1举例展示tick数据结构，涵盖证券代码、时间、成交价格、成交笔数、成交量及买卖五档价格，显示数据的时序和细节。

- 该数据是基于盘口延伸出的近似交易行为数据，但仍受限于数据的分辨率和交易所推送规则。

2.3 买入行为定义（第5页）

• 在A股市场做空受限，多头交易占优，因此买入行为对股价预测尤其关键。

- 两种买入方式定义：
1. 积极买入——投资者主动下单以卖一价成交，表示急于买入的态度，易推升股价。
2. 保守买入——投资者挂限价单等待卖单成交，价格敏感度较高，倾向于在股价合适时买进。

• 图1通过盘口五档买卖价格示意，生动体现两种买入状态的具体价格逻辑。

- 两类行为并存，且不同股票中哪种占优不同，故需要比例指标辅助判断选股。

2.4 因子构建（第6页）

• 基于tick数据计算每天积极买入量PB和保守买入量CB。

- 定义积极买入成交量条件为：当前成交价≥上一tick卖一价时成交量计入PB；反之，成交价≤上一tick买一价则计入CB。

• 构造买入情绪因子BM：过去N日（本报告中N=20）保守买入量与积极买入量的比值，即：

\[
BM = \frac{\sum{t=T-N}^{T-1} CBt}{\sum{t=T-N}^{T-1} PBt}
\]

• BM值越大，说明保守买入占比越高，反映投资者更谨慎买入，潜在的买盘支撑更强。

2.5 因子影响及相关性分析（第7页）

• 计算BM因子值与当月股票收益的相关系数，整体呈现正相关，均值约0.052。

- 说明BM值高的股票，下期（当月）收益率偏高，反之亦然。

• 解释机制：积极买入偏高意味着投资者追高，风险较大；保守买入占比高，说明股价虽有下跌，但买盘充足支撑，股价更稳健。

- 图2形象呈现了这种相关结构，验证了BM因子的有效性，奠定后续回测基础。

2.6 买入情绪因子回测（第8-9页）

• 回测区间2010年1月至2017年2月，全A股，剔除新股，按月调仓，保持行业中性。

- 图3显示BM因子将股票分为10组，BM值由大到小说明保守买入占比依次下降。

• BM第一组（最高BM）表现最佳，显著跑赢中证500，年化超额收益18%以上。

- 表2细化统计指标：

- 第一组年化收益24.6%，年化超额收益18.12%，最大回撤-55.42%，夏普0.71，胜率高达58%+，换手率约83%。
- 多空组合年化超额收益26%，回撤-15.55%，高信息比率与夏普比率保证策略稳健性。

• 表3进一步给出第一组分年数据，呈现波动中持续胜出大盘，最大相对回撤多集中在2015年大盘下跌期。

- 综上，BM因子整体选股能力强，且未来收益可观。

2.7 因子RankIC分析（第10页）

• 图4呈现BM因子每月RankIC，均值0.0724。

- RankIC为因子的排名相关性指标，正值表明因子能持续对下一期收益作出正确排序。

• 指数偏低但稳定正相关，验证因子有一定的预测力，但非过度强势。

2.8 因子剖析——反转中性化（第11-14页）

• BM因子与反转因子高度负相关（BM高对应近20日股价下跌，反转因子强），存在交叉影响。

- 图5显示BM各组20日涨跌幅从负向渐变至正向，确认BM掩盖反转影响。

• 通过回归剔除反转因子影响（线性回归残差作为新因子）使两者相关性降至近0。

- 中性化后，BM因子组的20日涨跌幅差异缩小但依旧分明，图6和图7显示反转中性化后因子仍能显著区分股票表现。

• 表4及5强调反转中性化因子回测结果仍然优秀，年化超额收益13.24%。

- 图8 RankIC仍保持在0.05左右，轻微下降，表明因子独立于反转但有效性依旧。

• 结论：BM因子非单纯反转因子替代品，而是补充筛选股价下跌但买盘充足的个股。

2.9 因子剖析——市值中性化（第14-16页）

• 市值因子普遍存在显著alpha，可能掩盖其他因子效应。

- 图9显示高BM值组偏小市值，可能导致效果部分由小市值效应驱动。

• 进一步通过多元回归剔除过去20日涨跌幅及市值的共同影响。

- 市值中性化后分组回测（图10，表6和7）超额收益有所下降，第一组年化超额收益约12.65%，但整体策略依然跑赢基准，中性化后相对回撤也有所减轻。

• 图11对比原始、反转中性化、反转市值中性化因子表现，清晰展示市值中性化降低了因子收益与波动。

- 历史极端行情（2014年12月及2015年6-7月）影响市值敏感性较大，也影响了因子表现的稳定性。

---

3. 图表深度解读

• 图1（第5页）：表征积极买入与保守买入的盘口位置关系，直观展示订单匹配价格位置及成交逻辑。

- 表1（第4页）：提供tick数据样例，说明数据结构和实时盘口的多档买卖队列信息。

• 图2（第7页）：BM因子与股票月收益的相关系数柱状图，显示多数时间为正相关，因子有效。

- 图3（第8页）：分组收益表现，十组分明分离及多空组合表现突出，强调因子显著的选股能力。

• 表2及表3（第9页）：细化了各组年化收益、最大回撤、夏普率、胜率及换手率，表明策略风险收益特征良好，且连续多年跑赢基准。

- 图4（第10页）：RankIC时间序列表现，显示因子虽波动但持续正向贡献。

• 图5（第11页）：BM因子分组过去20天涨跌幅条形图，显著负相关于BM，体现反转因子影响。

- 图6和图7（第12页）：反转中性化后涨跌幅与回测表现，反转影响剔除后依旧明显的分组收益差异。

• 表4和表5（第13页）：反转中性化BM因子分组详细表现，持续跑赢基准验证中性化后因子稳健。

- 图8（第14页）：反转中性化后RankIC，因子解释力略减但稳定。

• 图9（第14页）：反转中性化BM因子市值分布，显示表现较好组明显小市值偏向，提示需剔除市值效应。

- 图10和表6、表7（第15-16页）：反转市值双中性化分组收益表现，超额收益有下降但依然稳健，风险有所降低。

• 图11（第16页）：不同中性化处理因子表现对比，展示因子预期收益被市值因素掩盖的状况，突出价值在数据中性化的必要性。

---

4. 估值分析

报告主要关注因子的构建和表现回测，没有直接涉及传统意义上的公司估值分析（如DCF估值、PE估值等），重点为量化因子的实证检验和中性化技术处理。

---

5. 风险因素评估

• 市场极端波动风险：2014年12月与2015年6-7月极端行情严重影响了买入情绪因子的表现和收益稳定性，表明该因子对极端市场环境敏感。

- 数据限制风险：tick数据为切片数据且深交所和上交所存在推送差异，导致交易行为识别不完全精准。

• 持久性风险：历史回测不代表未来收益，因子是否持续有效需后续样本外验证。

- 市值影响风险：小市值效应对因子表现存在显著影响，若未剔除市值，则可能夸大因子alpha能力。

• 交易成本风险：报告中回测考虑双边千三交易费，表明考虑了交易成本对收益的侵蚀，但换手率较高可能影响实际执行。

报告对风险均有提示但无明确缓解策略，需要投资者结合自身风险偏好综合评估。

---

6. 批判性视角与细微差别

• BM因子确实具有预测收益能力，但平均RankIC仅约0.07，表明因子的信息含量有限，强度中等。

- 因子表现与市场整体波动（尤其极端行情）高度相关，最大的回撤期与市场调整期一致。这指出因子多空收益来源于市场结构，极端环境下可能失效。

• 因子依赖于高频数据，可能对数据质量和更新频率敏感，对于不同交易所和数据提供商，结果可能存在偏差。

- 对积极买入与保守买入的划分较为粗糙，实际买卖决策可能更复杂，且未考虑卖出行为对整体收益的影响。

• 因子表现一定程度受小市值偏好驱动，市值中性化后收益下降显著，提醒投资者关注因子alpha的来源及风险。

- 报告重点在选股因子策略，缺乏对行业、宏观及公司基本面的综合分析，适用于量化投资框架而非传统行业研究。

---

7. 结论性综合

长江证券的高频识途报告通过创新地利用高频盘口数据，细化投资者买入行为为积极买入和保守买入两类，构建了“买入情绪因子BM”，以保守买入与积极买入的交易量比来衡量股票买盘的情绪强弱。该因子在2010年至2017年期间表现出稳定的正向收益预测能力，分组回测显示，BM因子最高组股票年化超额收益达14.53%，且具备较好的夏普比率和胜率，展示了较强的实用价值。

进一步，通过反转因子中性化处理，剔除了由股票近期价格反转导致的交叉影响，BM因子依然保持了超额收益13.24%，说明其alpha并不完全由反转效应驱动；而市值中性化后因子超额收益下降至9.3%，表明小市值效应对该因子有一定贡献，但因子独立有效性依旧被证实。

从图表角度看，BM因子的RankIC指标始终稳定在正区间，分组收益表现出显著的单调递增趋势，且通过多元回归分析进行中性化调整后，因子对股票收益的解释能力仍然显著。特别是在追踪了2010-2016年间的数据后，因子回测在市场震荡和大幅调整期均展现了较强的韧性。

风险方面，因子在市场极端下跌期间（如2014年12月和2015年6-7月）表现有所波动，且依赖于高频数据的完整性与准确性，存在数据质量和市场环境适应性限制。

总体看来，长江证券本篇报告通过结合大数据技术与金融工程理论，将高频盘口买入行为转化为可量化、可交易的情绪因子，弥补了传统因子对行为层面理解不足的缺陷，展示出良好的投资选股潜力。这为后续在卖出行为以及更多盘口行为因子的探索奠定了坚实基础，同时也为市场参与者提供了创新的alpha挖掘思路。

---

参考文献及数据溯源

本报告所有的分析论断均源于原文内容与对应页码：
[页码0] [页码1] [页码3] [页码4] [页码5] [页码6] [页码7] [页码8] [页码9] [页码10] [页码11] [页码12] [页码13] [页码14] [页码15] [页码16] [页码17] [页码18] [页码19]

---

（附：重要图表展示）

图1：积极买入与保守买入盘口示例


图3：BM因子分组表现（2010-2017年累计收益曲线）


图7：反转中性化BM因子分组表现


图10：反转市值中性化BM因子分组表现


图11：原始因子与中性化因子收益对比


---

总体评价

报告结构清晰、逻辑严谨，利用科学方法从微观盘口高频数据出发，创新构建交易情绪因子，实证分析充分，既考虑了因子有效性，又逐层剥离了外生因子影响，数据详实完备。其对于量化选股和行为金融领域均有良好的示范作用，适合专业投资研究人员参考应用。

[page::0,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]

报告