• 聪明钱因子模型核心为识别交易中机构资金的“聪明度”，利用分钟行情价量数据构造指标S，筛选成交量累计占比前20%的分钟交易为聪明钱交易 [page::1][page::2][page::3]。

- S指标定义为S=|R|/(V^β)，其中R为分钟涨跌幅，V为成交量，β为参数，原始模型取β=0.5。
- 按成交量和S值结合的划分方法，通过“量-价”二维空间划分聪明钱交易和普通交易，体现了成交量与价格变化的关系。

• 改进方案主要围绕β参数调整和S指标重构展开 [page::4][page::5][page::6]。

- 通过调整β值进行一系列回测，实证显示当β约为0.1时，因子IC均值和信息比率达到最大，选股能力优于原始模型。



- S指标重构尝试三种形式：仅成交量(V)、成交量和涨跌幅排名之和(rank(|R|)+rank(V))、以及对数成交量版本(|R|/ln(V))，结果显示对数成交量版本S3表现最佳，多空对冲信息比率达3.74，高于原始模型1.69。

• 截止值选择方面，确认选取成交量累计占比20%作为聪明钱交易划分边界合理，且15%左右的阈值能取得略优信息比率，随着截止值增加信息比率下降 [page::7][page::8]。

• 不同样本池对改进因子表现影响显著，改进因子在中证500和中证1000成分股中表现尤为突出，尤其对中小市值股票的选股能力更强 [page::9]。

- β=0.1版本年化收益率在沪深300为14.5%，中证1000达26.3%，信息比率分别为1.65和3.81。
- 对数成交量版本年化收益率表现相似，沪深300为16.1%，中证1000为26.5%，信息比率达3.65。

• 总结：该报告通过科学调整因子构造参数并验证其有效性，系统提升了聪明钱因子的选股能力，凸显了基于高频数据提取低频投资因子的研究价值与实践应用潜力 [page::1][page::4][page::6][page::8][page::9]。

开源证券《聪明钱因子模型2.0版本》详尽分析

---

1. 元数据与报告概览

报告标题：《聪明钱因子模型的2.0版本》
作者：魏建榕博士（开源证券金融工程首席分析师），傅开波、高鹏（开源证券金融工程研究员）
机构：开源证券金融工程研究所
发布日期：2020年2月9日
研究主题：量化投资中的“聪明钱因子模型”的改进与优化，聚焦于利用分钟级别高频交易数据提炼低频选股因子，识别机构投资者“聪明钱”交易行为。

报告核心论点在于：

• 原始聪明钱因子基于分钟价量数据构建，用于识别机构交易参与度，实现对聪明资金交易的跟踪。

- 原模型在过去三年表现良好，但选股能力于2017年后逐渐减弱，迫切需要模型修正。

• 论文提出对聪明度指标S的构造改进，优化了量价关系中的权重参数，提出三种新的S指标版本。

- 回测验证显示，改进版模型（尤其以对数成交量转换和β指数调整为0.1的模型）在信息比率提升至3.7，表现优于原始模型。

• 进一步实证确认20%成交量截断选取聪明钱交易的合理性，并说明新模型对不同样本池尤其是中小市值股票有更强的选股能力。

- 提示模型基于历史数据，存在未来市场变动风险。

总的来说，报告的主旨是在维持“高频数据，低频因子”策略框架下，引入对关键指标S的数学形式和截断比例的科学优化，显著提升聪明钱因子的稳定表现和选股效率。[page::0, page::1]

---

2. 报告章节逐节深度解读

2.1 引言与模型定位

报告回顾2016年7月首次提出的聪明钱因子模型，其核心是在分钟行情数据中识别机构大量入场交易的“聪明钱”，形成可投资的低频因子。该因子开创了“高频数据，低频因子”的范式，逻辑简洁且在样本内表现优异，受到业内的广泛关注和认可。时至2020年，团队重新审视模型表现，发现其样本外适用性下降，模型亟需优化。[page::1]

2.2 原始模型结构

核心是构造“聪明度”指标S，用于衡量分钟交易的“聪明钱”参与度。实证发现聪明钱通常表现为“单笔订单更大、报价更积极”。原模型定义：

\[
S = \frac{|R|}{\sqrt{V}}
\]

其中，\( R \)为分钟涨跌幅，\( V \)为分钟成交量。按S值从高到低排序后，取成交量累积占比前20%的分钟视为“聪明钱交易”。此划分通过图示示范得以形象化解读（图1与图3）：

• 图1上半部分显示分钟成交量柱状与对应S点；

- 下半部分排序后，累计成交量前20%的分钟被划分（红柱）为聪明钱。
图2进一步从成交量（V）与价格变动绝对值（|R|）的相空间显示划分界线，数学表达为：

\[
|R| = S0 \sqrt{V}
\]

其中\( S0 \)为20%截断对应的S阈值。红蓝散点分隔了聪明钱交易与普通交易。报告强调S指标的构造直接影响划分，且不可避免存在误判。研究的关键是优化S指标以精准提炼聪明钱，提升因子效用。[page::2, page::3]

2.3 模型效果及改进需求

报告指出，原模型在2013-2016年表现稳定（年化收益26%，信息比率2.7，月胜率76%，最大回撤8%），2017年后效果下降，体现其样本外性能衰退。重新考察S指标构造方式成为关键，研究将尝试调整成交量的指数项β以寻找更优配置。[page::4]

2.4 S指标指数参数β的优化分析

S指标的原公式采用β=0.5（开根号）作为成交量的权重。团队用广义形式：

\[
S = \frac{|R|}{V^{\beta}}
\]

通过遍历β在[-0.5, 0.7]区间的多空对冲信息比率和因子残差相关性（IC）回测，发现在β约0.1附近，因子IC均值最大绝对值，信息比率达3.67，显著优于原始0.5的结构（信息比率约2.7）。图4-6说明：

• IC均值表现出贝尔型曲线，中间β=0.1附近最优；

- 多空对冲净值曲线在β=0.1时表现最大回报和稳定性；

此外，通过多路径调仓测试（包含月初、月中和月中分四分调仓等）及剔除风格因子后回测均确认该结论稳健，实证结果充分证明β的优化对因子表现提升的实用价值。[page::4, page::5, page::6]

2.5 S指标的多样化构造尝试

演进思考中，团队尝试了三种S构造方法（表2）：

• S1：单独以成交量V筛选大额交易；

- S2：综合考虑涨跌幅绝对值与成交量的排名，取两者排名之和较低者为聪明钱；

• S3（改进版）：对成交量取对数后构造：

\[
S3 = \frac{|R|}{\ln(V)}
\]

回测结果显示三者均超越原始因子，尤其S3（对数变换）信息比率达3.74高于原始1.69（图7-8），表现最优且收益曲线更陡峭，说明引入对数变换尽可能平滑成交量分布，减小极端值对指标的扰动，是提升选股能力的关键改良。[page::6, page::7]

2.6 关于成交量累积截止值的合理性探讨

团队进一步验证了选取成交量累计占比20%作为“聪明钱交易”截断的合理性。根据沪深市场机构投资者年均交易占比约在10%-20%范围（图9），取20%较符合机构实际交易规模。

多阶段回测不同截断比例（10%、15%、20%、30%、40%、50%）显示当截断值约15%时信息比率达到峰值(3.35)，较20%的3.27略优，整体区间内选股能力表现稳定（图10-11），仅极值阶段出现明显下降。说明截断边界的设定既不能过小限制覆盖范围，也不能过大导致普通资金噪声混入，20%截断体现在实际机构交易比例中合理平衡了覆盖度和准确度。[page::7, page::8]

2.7 不同股票样本池中因子表现

改进模型在沪深300（大盘股）、中证500（中盘股）、中证1000（小盘股）表现均衡，但对中小市值股票选股能力更强。其中β=0.1指标在中证1000成分股年化收益达26.3%，信息比率3.81，月度胜率82.3%（图12）。对数成交量指标亦表现相似，稍优于β=0.1（图13）。
显示改进模型擅长捕获中小盘中机构交易风格，对低市值股票选股效果尤为稳健，模型的稳定泛化能力显著提升。[page::9]

2.8 风险提示

模型测试基于历史数据，市场微观结构变化或法规调整可能导致模型未来失效。量化因子风险包括历史数据过拟合、市场环境切换和异常事件影响，投资者需谨慎使用。[page::9, page::10]

---

3. 图表深度解读

表格1（page 2）

• 显示聪明钱因子具体步骤：

1. 计算S指标。
2. 按S排序筛出成交量累计前20%的分钟数据视为聪明钱。

• 此表奠定S指标核心地位。

图1（page 3）

• 以30分钟数据演示排序及划分方法，蓝柱代表成交量，红点S值。

- 排序图中成交量累计20%对应红柱分区，直观展示聪明钱交易如何界定。

• 说明基于分钟S值的排序，实际成交量贡献排序范围。

图2（page 3）

• “量-价”二维散点中红点（聪明钱）和蓝点（普通交易）根据S构造的界线区分。

- 形态为$|R|=S0 \sqrt{V}$抛物线，体现成交量对价格变动权重。图示说明S公式数学含义。

图3（page 4）

• 原始聪明钱因子净值走强，2013-2016年稳健成长，2017年后表现不佳。

- 年化收益26%，信息比率2.7，月胜率76%，最大回撤仅8%。表现优良但逐渐失效。

图4、5、6（pages 5-6）

• 不同β取值对应因子IC、rankIC均值（图4）和信息比率（图5），净值曲线（图6）。

- β=0.1时因子IC绝对值最大，信息比率峰值，净值增长最快。

• 低于0.5（原模型取值）更优，β=0.5模型非最优。

- 这一视觉证据强调对S模型的指数调整的重要性。

表2及图7、8（page 6-7）

• 表2列出三种S构造方式，图7柱状显示对应因子信息比率，图8展示净值曲线。

- 对数成交量转换（S3）因子信息比率最强，净值表现最优且远超原始因子。

• 展示变量转换对模型效能提升的益处。

图9（page 8）

• 反映机构投资者交易比例历年数据，均值约13%，时高达17%。

- 为选择20%成交量截断提供实证支撑。

图10、11（page 8）

• 不同截断下因子信息比率和净值表现。

- 截断15%-20%区间表现最佳，超出后选股能力下降。

• 验证选取20%作为截断的合理性。

图12、13（page 9）

• β=0.1光谱及对数成交量模型在沪深300、中证500、中证1000和全市场的净值曲线。

- 选股效果随着样本池调整对中小市值股更为强劲。

• 确认改进因子能均衡覆盖不同市值股票，且对中小盘尤优。

---

4. 估值与技术架构分析

报告并非传统意义上的公司或股票估值报告，无直接DCF、市盈率估值，但提供了对因子的结构性估值：

• 使用Information Coefficient（IC）和IC均值等统计指标评估因子预测能力强弱。

- 多空对冲信息比率作为量化因子风险调整后收益衡量标准。

• 因子收益曲线代表累积收益表现，纳入交易成本和月度调仓。

- α因子的有效性基于指标S的设计和截断策略。

模式坚持典型的量化指标筛选范式，强调模型数学形式（特别是成交量的非线性变换）对因子效能的决定性影响。

---

5. 风险因素评估

• 历史数据驱动风险：模型基于历史分钟行情和机构成交占比数据，未来市场微观结构变化可能导致因子失效。

- 交易行为变化：机构交易特征或其智能度行为的演变可能使S指标划分失准。

• 样本池依赖风险：不同市值及板块结构变化带来的因子适用性波动。

- 模型误判风险：S指标存在将普通资金误划为聪明钱，反之亦然的风险，影响因子准确度。
报告未提出具体的风险缓解策略，但通过样本外回测及多维调仓测试部分减弱风险。[page::1, page::9]

---

6. 审慎视角与细节批评

• 报告基于充分的历史数据和统计检验验证了新模型的有效性，体现严谨研究态度。

- 但模型基于分钟价量数据，受行情噪声影响较大，市场极端波动可能导致指标S异常。

• 截断百分比20%虽有机构成交比例支撑，但实际机构行为可能时期波动较大，静态截断参数存在局限。

- β取值的调校具备统计支撑，但为何β≈0.1更优的微观经济或交易机制解释未深入展开。

• 另外，S指标对价格变动的绝对值依赖较大，可能对瞬时价格异常敏感，短期测算可能受流动性及市场情绪波动影响显著。

- 报告未涉及模型在极端行情下的鲁棒性测试，后续研究可加强。

• 总体上，报告逻辑完整，方法科学，但未来环境变迁的潜在影响仍需重点关注。

---

7. 结论性综合

本报告系统回顾了2016年以来开源证券团队提出的聪明钱因子模型，针对样本外表现减弱问题，重点围绕聪明度指标S的构造展开，提出两方面改进：

• 数学结构优化：将原始的成交量开根号权重β=0.5泛化为可调节指数，发现β≈0.1为最佳，显著提升因子IC及信息比率。

- 成交量变换创新：引入对数变换的S指标，进一步增强选股能力，信息比率最高达到3.74。

实证验证调整后的聪明钱因子在不同样本池（沪深300、中证500、中证1000）均表现良好，尤其对中小市值股票显示更稳健的超额收益能力。对成交量累计占比20%的聪明钱交易划分方法，在市场机构投资者占比年度均值约13%的背景下验证合理，稍微调整至15%截断能进一步提升信息比率。

图表清晰诠释了变量调整对因子投资表现的影响，净值曲线和信息比率的提升显著，呈现改进模型的实用价值。报告保持了量化研究应有的逻辑严谨性和数据透明度，也为市场微观结构研究领域提供了新的范例和实证依据。

综上，报告明确表达了对“聪明钱因子”的优化方案的肯定：

• 改进模型信息比率从原始2.7提升至3.7，选股能力显著增强。

- 模型对分级交易行为的精细捕捉能力提升，适用范围广泛。

• 报告作者态度客观，风险提示到位，适合量化投资研究员和实务投资者参考。

---

参考溯源页码

• [page::0,1,2,3,4,5,6,7,8,9,10]

---

附：关键图片示例

图3：原始聪明钱因子的样本外表现逐渐减弱



图5：不同β值下的多空对冲信息比率



图7：不同S指标下聪明钱因子多空对冲信息比率



图10：不同截止值下多空对冲信息比率



图12：β值为0.1下因子不同样本空间多空对冲净值



---

以上为报告的详尽解构与分析，旨在援助量化投资专业人士与研究员准确理解模型进展及实证意义。

报告