• 因子切割论核心理念[page::0][page::1]：

- 市场内信息分布不均，传统代理变量不足以捕捉其精细结构。
- 引入“切割”方法，将整体因子（如20日收益率）拆分成多个更小时间段，区分不同时间段的反转与动量特征。

• 理想反转因子切割过程及效果[page::1][page::2]：

- 利用平均单笔成交金额作为切割指标，将过去20个交易日分为成交金额高（Mhigh）和低（Mlow）两组，分别累积涨跌幅。
- 新因子 M = Mhigh - Mlow，区分显著，提高了因子稳定性。
- 图示累计信息系数（IC）显示Mhigh与Mlow表现明显分化，优于传统Ret20因子。

• 因子切割论三要素框架[page::1][page::2]：

- 对象：需具备可加性，如涨跌幅、换手率、成交量，便于分割与重组。
- 工具：高区分能力的切割指标，比如平均单笔成交金额、机构参与痕迹、日内时段等。
- 产出：切割后信息的再加工，如相减标准化，提高因子稳定性和解释力。
- 表1总结了开源金工团队多个基于切割论构建的因子模型：

| 因子模型名称 | 对象 | 刀法 | 报告原文 |
|-------------|-----------|----------------|--------------------------------|
| 聪明钱因子 | 成交均价 | 机构参与痕迹 | 《聪明钱因子模型的2.0版本》，20200209 |
| APM因子 | 涨跌幅 | 日内交易时段 | 《APM因子模型的进阶版》，20200307 |
| 理想反转因子 | 涨跌幅 | 平均单笔成交金额 | 《A股反转之力的微观来源》，20191223 |
| 理想振幅因子 | 振幅均值 | 股价 | 《振幅因子的隐藏结构》，20200512 |
| 长端动量因子 | 长端涨跌幅 | 振幅 | 《A股市场中如何构造动量因子？》，20200721 |
| 主动买卖因子 | 主动买卖比率 | 日度涨跌幅 | 《主动买卖因子的正确用法》，20200905 |
| 行业企律模型 | 行业动量因子 | 内交时段股 | 《A股行业动量的精细建量化研究》 |

• 相减标准化提升因子稳定性[page::2]：

| 指标 | Mhigh | 理想反转因子 (Mhigh - M_low) |
|-----------------|---------|-------------------------------|
| IC均值 | -0.069 | -0.057 |
| 多空组合信息比率 | 1.98 | 2.38 |

• 市场行为变化带来的影响与持续改良[page::2][page::3]：

- 2019年APM因子表现回撤，原因是股票日内交易行为发生变化；
- 因此需持续打磨切割指标，应对市场结构性变化，提高因子稳健性。

因子切割论报告详尽分析

1. 元数据与概览

报告标题： 因子切割论
作者及团队： 开源证券金融工程团队，首席分析师魏建榕博士，研究员苏俊豪
发布日期： 2020年9月17日
研究领域： 量化投资、因子模型、市场微观结构
核心主题： 本报告系统阐述了“因子切割论”这一研究方法论，聚焦于如何通过对传统金融因子的“切割”和精细分析，提升因子有效性和稳定性。尤其以A股市场典型反转因子的改进为主要案例，重点探讨因子切割的三要素（对象、工具、产出），以及在量化投资中如何有效激活因子潜力。
主要信息： 作者通过提出“因子切割论”来解决传统因子表现不稳定的问题，阐述了因子内部信息的非均匀分布，并指出合理的切割可以剖析这种精细结构，提纯高质量信号，提升策略表现的稳定性和效果。报告还结合实证和图表示例，展示因子切割对改善因子性质的显著作用，提出了框架体系与工具选择原则。

2. 逐节深度解读

2.1 引言：从矛盾到切割

报告开篇指出事物的内在要素间常存在矛盾统一，金融市场因子表现出波动和不稳定，往往是因为代理变量选取的粗糙，掩盖了内部细节和信息的非均匀分布。以A股“反转因子”Ret20（过去20日收益率）为例，虽然该因子收益表现强劲，但稳定性欠佳，易出现大回撤。作者的核心思路是将整体区间收益拆解为更细粒度的子区间，观察子区间对因子贡献的差异性，即因子内“信息在时间轴上分布不均匀”的现象。

这一切割思想起源于现实生活中的启发——咖啡的苦与甜共存，市场涨跌幅中同样存在反转与动量混合。因此，将整体因子拆解为更小时间段因子，期待发现反转信号更为集中的子结构，从而改进因子表现。此部分明确了因子切割论诞生的理论背景和现实需求的结合。[page::0]

2.2 图1分析：信息在时间轴上的分布不均匀（示意图）

图1以波浪图形式展示信息量随时间的起伏，红色区域代表正向信息，蓝色代表负向信息，直观反映因子信息在时间上的分布存在强烈非均匀性。图形巧妙表明整体因子无法捕获细节的现状，强调切割的必要性与意义。因子切割通过精准定位高信息量时段，实现信息提纯与焦点锁定，为后续因子构造奠定直观且可操作的基础。[page::1]

2.3 开源金工因子切割论总纲

报告系统归纳因子切割论的三大核心要素：

• 对象（Target）： 目标变量必须具备可加性，即可拆分且可重组且意味不变。举例中，20天涨跌幅可拆分为每日涨跌幅，且每日值可重新组合为子因子。可加性是逻辑基础，没有这一属性的变量（如市盈率、流通市值）不适合切割。

• 工具（Tool）： 选取具有区分能力的切割指标。以“平均单笔成交金额”为例，对每日涨跌幅进行分组切割，区分“高成交金额日”的涨跌贡献（Mhigh）和“低成交金额日”的涨跌贡献（Mlow）。该指标借助市场微观结构特征（如大单成交）实现信息区分。
• 产出（Output）： 对切割后得到的变量进行再加工，通常采用相减（Mhigh - Mlow）或相除，完成因子标准化和信号提纯，从而提升稳定性和有效性。

这一体系提供了一个系统框架指导因子切割实践，具有较强普适性和操作指导意义。[page::1]

2.4 图2分析：Mhigh 与 Mlow 的累计 IC 差异显著

图2展示了经过切割后的两个子因子Mhigh（高成交金额日涨跌幅累积信息）：蓝线，和Mlow（低成交金额日涨跌幅累积信息）：红线，以及传统反转因子Ret20（灰线）的累计信息系数（IC）表现。

• Mlow持续走高，表现出正向的投资信号，累计IC显著优于传统反转因子。

- Mhigh呈现明显负相关，累计IC显著低于传统因子。

• 这表明高成交金额日与低成交金额日的涨跌贡献在方向和强度上截然不同，支持“信息分布不均匀”的假设。

作者通过此图实证验证了切割工具在探测因子内部结构、实现信息提纯的有效性。同时，切割指标“平均单笔成交金额”切分出了反转因子内部的不同贡献区间，支撑了切割论作为因子改良方法的理论基础。[page::2]

2.5 表1分析：基于因子切割论的模型汇总

表1系统归纳了开源团队基于切割论开发的多款因子模型，对应的切割对象、切割工具及关联报告：

• 聪明钱因子利用机构参与痕迹切割成交均价

- APM因子以日内交易时段为切割刀法

• 理想反转因子以平均单笔成交金额切分20日涨跌幅

- 理想振幅因子依股价对振幅均值进行切割

• 长端动量因子以振幅为切割指标

- 主动买卖因子将主动买卖比率与日度涨跌幅结合

• 行业企律模型基于行业动量因子及内交时段切割

这一汇总展示了切割论的通用性和灵活应用，选取对象和切割指标均基于不同的市场结构或交易行为特点，彰显团队对市场微观结构的深度理解与多元应用能力。[page::2]

2.6 因子产出的标准化提升效果（表2）

表2展示了切割因子Mhigh单独与理想反转因子（Mhigh - Mlow）间的显著差异：

| 指标 | Mhigh | 理想反转因子（Mhigh - Mlow） |
|--------------------|---------|-------------------------------|
| IC均值 | -0.069 | -0.057 |
| 多空组合信息比率 | 1.98 | 2（不完整数据，推测约2.X） |

该表说明通过“相减”操作实现了因子标准化，削弱了无效和噪声信息，提高了因子表现的稳定性和区分度。换言之，利用切割后的变量差异施工因子，提升了因子的投资信号质量和抗噪性能。

此外，报告指出切割指标不仅来源于传统量价指标，还需结合市场结构、交易行为发展不断创新和打磨。如APM因子在2019年经历回撤后，通过对股票日内行为的细化切割成功改良，体现了切割论动态适应市场变化的能力。[page::2]

2.7 图3分析：股票日内交易行为在2019年变化

图3基于ICIR（信息比率）指标，展示了2019年股票日内不同交易时段（隔夜、上午、下午）因子的表现对比：

• 全区间平均ICIR整体高于2019年单年表现，特别是隔夜时段2019年ICIR有显著下降（由正向降至约0.3）

- 上午与下午时段ICIR更是由正向转为负向，显示交易行为和因子表现结构在2019年发生了重大变化

这印证了市场环境和投资者行为的演变对因子的影响，强调了因子切割工具必须灵活调整以追随市场微观结构的演进，确保因子效能不被弱化。[page::3]

2.8 总结与逻辑说明

切割论的本质在于以可加性对象为基础，通过独具区分力的切割指标，剖析因子内部精细结构，并利用相减或相除等手段产出稳定新因子。其根本动因是投资者在不同环境中展现出差异化的行为模式，如大单交易多引发更强反转效应，相关成交金额成为切割指标强调了这种行为的微观来源。

切割论强调持续打磨和动态调整切割工具以适应快速演化的市场结构，确保因子模型的实用性和前瞻性，体现了量化投资中紧密结合市场行为数据、动态演化的前沿研究路径。[page::2] [page::3]

3. 图表深度解读

3.1 图1：因子信息分布示意

此图象征性反映因子内信息在时间轴上的波动起伏。波峰波谷对应正负贡献，红蓝双色强化视觉识别。可理解为因子内部信号噪声的交织与不均匀分布，图形简单但内涵深刻，为后文切割理论提供直观逻辑支持。

3.2 图2：Mhigh、Mlow与传统因子累计IC对比图

图表展现余量累积IC走势，清晰区分三个时间序列。可见Mlow表现稳定且呈上涨趋势，代表值时段具有更强正向信号。Mhigh趋势反向，显示高成交日贡献倾向叠加噪声或负面影响。传统因子中间夹持两者之间，受噪声影响。此图直观支持切割观点，说明切割指标强区分力，剥离不同信息层级。

3.3 表1：各因子模型切割综述

该表结构化展示因子模型的切入点（对象）、切割工具和对应发布文献，体现切割论方法体系的多样化与应用广度，有助读者快速理解不同因子模型的构造逻辑和创新点。

3.4 表2：相减提升因子稳定性

表格数据较为简单，直观表明因子通过产出相减操作实现指标的标准化，带来IC均值和信息比率的改善，稳定性和信号强度得以提升。

3.5 图3：日内交易行为变化图

通过比较2019年与全区间ICIR差异，图表直观反映了交易行为因子在2019年的表现退化，强调市场结构变化对因子表现的冲击，需要对切割工具做动态调整以补偿。

4. 估值分析

由于本报告聚焦于因子模型方法论及其实证研究，未涉及股票或公司估值分析，因此本部分不适用。

5. 风险因素评估

报告明确风险提示：

• 量化模型收益基于历史数据，未来市场条件可能发生显著变化，导致因子表现偏离预期。

这一风险提示体现了量化研究应有的谨慎态度。报告也通过讨论APM因子在2019年回撤以及相应改进案例，展示了量化模型生命周期内市场结构变化带来的挑战及应对方法。整体而言，风险提示诚恳且合理，没有过度承诺，强调了动态适应的重要性。[page::0][page::2][page::3]

6. 批判性视角与细微差别

• 潜在假设风险： 因子切割前提是因子变量的可加性和切割指标对信息的强区分能力，这对于部分金融数据可能存在局限。实际操作中，界定可加性存在困难，切割指标选取依赖于经验和市场结构理解，可能受到市场阶段和品种不同影响。

• 稳定性挑战： 如报告所示，APM因子2019年出现大回撤表明历史有效的切割指标并非永久有效，模型依赖对市场结构的准确捕捉，存在遭遇“市场改变”而失效的风险。
• 数据和样本外表现： 报告未展开详细的样本外验证和统计显著性检验，读者需关注切割论是否在多市场、多周期中普适有效。

总的来说，报告虽然逻辑严谨，但实证分析依赖数据和市场环境稳定；未来模型动态适应仍需长期跟踪。

7. 结论性综合

本报告围绕“因子切割论”这一研究方法，系统阐述了在量化因子开发中通过将可加性变量进行结构性拆分，利用具有区分力的切割指标剖析因子内部信息结构，从而实现因子信号的有效提纯与稳定性提升。通过“理想反转因子”的案例，报告验证了传统整体因子掩盖内部差异的信息分布不均匀现象，提出对因子进行细粒度拆分（高单笔成交金额日与低单笔成交金额日涨跌幅的切割），成功区分出表现截然不同的子因子，进而通过相减操作构造出更为稳定的因子。

报告配合丰富图表（图1、图2、图3）和数据展示了因子切割带来的实证优势，以及面对市场结构演变需持续调整切割指标的动态挑战。所归纳的切割论三要素（对象、工具、产出）提供了一套通用且可操作的因子开发指导框架。整个研究视角创新、理论严谨且结合了大量实证，体现了团队深厚的市场微观结构理解和量化研究能力。

总之，因子切割论为量化投资中因子构造和优化开辟了一条新路径，以结构化拆分和行为驱动的视角对传统因子进行再造，显著提升模型的稳定性和适用性，具有较强的理论价值与实用意义。[page::0][page::1][page::2][page::3]

---

图表引用

• 图1 ：

- 图2 ：
- 图3 ：

报告