个股层面呈现显著反转效应，行业指数体现趋势效应 [page::3-4]

• 个股过去20日涨跌幅表现出反转，即涨幅最高组未来表现最差，反之亦然；行业指数呈现弱趋势动量效应。

- 行业内个股表现呈现领涨补涨（反转）关系，驱动行业层面趋势效应的出现。

量化构建新型行业动量因子及效果对比 [page::6-7]

| 指标 | 因子1 (涨跌幅差) | 因子2 (筹码浮盈率差) | 基准 |
|-------------------------|-----------------|--------------------|---------|
| 多头年化收益率 | 13.0% / 9.0% | 12.9% / 12.9% | 8.7% |
| 多头组合最大回撤 | 46.6% / 52.2% | 46.7% / 41.1% | - |
| 多空组合收益率 | 11.8% / 6.3% | 17.7% / 18.3% | - |
| 多空组合胜率 | 54.8% / 56.0% | 65.5% / 65.5% | - |
| 多空组合信息比率 | 0.8 / 0.4 | 1.1 / 1.2 | - |

• 通过筹码浮盈率差值构建的因子表现更稳健，多空组合收益率和信息比率显著优于传统涨跌幅差因子。

个股层面涨跌幅修正动量因子优于筹码浮盈率因子 [page::8]

| 因子类型 | 多头收益率 | 多空组合收益率 | 多空组合胜率 | 多空组合信息比率 |
|--------------------|-----------|---------------|-------------|----------------|
| 普通动量 | 15.81% | 21.96% | 69.11% | 1.35 |
| 修正动量（涨跌幅修正） | 13.97% | 15.76% | 75.61% | 1.85 |
| 筹码浮盈率因子 | 13.15% | 14.63% | 65.85% | 1.15 |
| 基准 | 7.46% | - | - | - |

• 涨跌幅修正动量因子更适合捕捉个股反转效应，表现出更高胜率和信息比率，筹码浮盈率因子则在局部极端位置更具预测价值。

结合行业动量与个股反转构建选股模型实现显著超额收益 [page::9-10]

| 指标 | 中证500 | 中证800 | 策略组合 |
|------------|-------|-------|---------|
| 年化收益率 | 6.3% | 6.4% | 16.1% |
| 年化波动率 | 31.1% | 25.3% | 32.1% |
| 最大回撤 | 63.2% | 48.9% | 42.0% |
| 相对中证800最大回撤 | - | - | 14.4% |
| 相对800月度胜率 | - | - | 65% |

• 在全市场范围内，通过行业动量选择前五行业，再结合个股反转选出顶部20%个股，年化超额收益近10%。

- 股票池限定为中证800时表现更佳，年化收益率达18.8%，较纯行业轮动收益率提升约5%。

风险提示

• 历史统计规律可能出现变化，存在系统性市场风险和监管政策超预期变动风险。[page::0][page::11]

深度分析报告：基于筹码浮盈率的行业动量因子构建 — 中泰证券量化研究

---

一、元数据与报告概览

• 报告标题：《基于筹码浮盈率的行业动量因子构建中泰量化行业轮动系列之一》

- 作者信息：唐军（执业证书S0740517030003），研究助理张晗，均来自中泰证券研究所

• 日期：发布时间未显式说明，但数据涵盖至2020年初

- 主题：针对A股市场，围绕动量效应构建行业层面及个股层面的量化选股因子，重点引入筹码浮盈率指标，尝试解释和应用个股层反转与行业层动量背离的现象，最终形成选股策略。

• 核心论点与评级：

- 个股层面主要呈现反转效应，行业指数层面呈现动量效应（惯性）。
- 构建基于筹码浮盈率的行业动量因子，提升信息比率和收益稳定性。
- 在个股层面，基于涨跌幅修正的动量因子反转效应更显著。
- 结合行业动量与个股反转效应，形成综合选股模型，多头年化收益可达16%以上，优于中证800指数。
- 风险提示强调历史规律变化、市场系统性风险以及政策监管变动风险。[page::0,3,4,6,8,9,10]

---

二、逐节深度解读

1. 从行业与个股的背离说起（第3-5页）

• 关键论点：

- 动量效应定义基于Jegadeesh和Titman（1993），“过去表现好的股票未来仍可能表现良好”，此为惯性效应。
- 在A股市场中，月度频率上，个股反转效应显著（表现好的个股未来一个月表现较差，反之亦然），而行业指数却显示出趋势延续（动量）效应。
- 该背离现象体现了个股间存在领涨股与滞涨股的切换关系，体现了“领涨-补涨”模式。

• 推理与逻辑：

- 个股因子按过去20个交易日涨跌幅分为五档（G1-G5），构建多空策略，回测显示表现为反转效应，且行业中性或非行业中性均体现该现象，见图表1-4：
- 图表1和图表3显示非行业中性和行业中性下五档组合净值走势，G5（涨幅最高组）走势趋缓下行，G1（跌幅最重组）有提升，验证反转效应。
- 图表2和图表4展示对应多空组合净值，也体现收益增长但波动明显。

• 关键数据：

- 因子回测期间从2010年至2019年。
- 行业指数层动量弱但存在，说明行业内个股分化导致行业整体仍显趋势效应。

• 背离解释模型（图表7）：

- 假设A、B两个行业，各有领涨股（如$A1$ 、$B1$）和滞涨股（$A2$、$B2$）。
- 期T表现好的$A1$在T+1跑输$A2$，体现个股反转（滞涨股补涨）。
- 期T表现好的行业整体依然优于其他行业，呈现行业惯性。

• 含义：

- 个股间的轮动给行业指数带来惯性动量，同时掩盖了个股的反转效应，启发构建基于领涨股效应的行业动量因子。[page::3,4,5]

2. 构建新型动量/反转因子（第5-8页）

2.1 筹码浮盈率简介与动机

• 筹码浮盈率指标（图表8）：

- 反映股票持有者“浮盈”水平，即当前股价相较于持有成本的赚钱效应。
- 可更精准度量市场阶段位置，在顶底部确认上有较好表现。
- 形象地替代传统的单纯涨跌幅，考虑了持仓成本与筹码分布等因素。

• 两种动量因子构建方法：

1. 涨跌幅差异法：
- 计算某行业过去一月内涨跌幅的高低区间差异（高分位-minus低分位），再基于过去36期均值进行归一。
- 图表9显示因子1多空组合净值，收益有提升但回撤仍较大。
2. 筹码浮盈率差异法：
- 用筹码浮盈率替代涨跌幅，考虑了股价周期长度不同，减弱周期性波动影响。
- 图表10显示因子2更优，信息比率和多空组合收益更高，最大回撤略低。
- 图表11具体数据对比如下：

| 因子指标（up%, down%） | 因子1多头年化收益 | 因子1多空收益 | 因子1信息比率 | 因子2多头年化收益 | 因子2多空收益 | 因子2信息比率 | 基准收益率（年化）|
| -----------------| ---------------- | ------------ | ------------ | --------------- | ------------ | ----------- | -------------- |
| (75%, 25%) | 13.0% | 11.8% | 0.8 | 12.9% | 17.7% | 1.1 | 8.7% |
| (90%, 10%) | 9.0% | 6.3% | 0.4 | 12.9% | 18.3% | 1.2 | |

• 因子2表现明显优于因子1：更高多空组合收益，信息比率更佳，回撤更小，胜率提升至65.5%。

2.3 个股反转选股因子比较

• 采用涨跌幅因子（普通动量）与筹码浮盈率动量做对比，发现：

- 个股层面，基于涨跌幅修正的动量因子（修正动量）效果最好，尤其在多空策略信息率、胜率均高于其它因子。
- 筹码浮盈率因子对选股并无明显优势，表现为某些极端位置可提供预测，但整体线性相关较弱。

• 图表14主要对比如下：

| 因子类型 | 多头收益率 | 多空收益率 | 多空胜率 | 多空信息比率 |
|----------------|---------|---------|--------|----------|
| 普通动量 | 15.81% | 21.96% | 69.11% | 1.35 |
| 修正动量 | 13.97% | 15.76% | 75.61% | 1.85 |
| 筹码浮盈率因子 | 13.15% | 14.63% | 65.85% | 1.15 |
| 基准 | 7.46% | N/A | N/A | N/A |

• 图表16-17进一步对比了三种策略的净值及相对表现，涨跌幅修正的动量因子在稳定性与可靠性上表现更优。[page::6,7,8]

3. 基于行业动量与个股反转效应的综合选股模型（8-10页）

• 组合构建逻辑：

- 首先利用筹码浮盈率动量因子筛选出前五个领涨行业。
- 然后在这五个行业内部，依据个股层面的反转动量因子，选取排名前20%的个股，按流通市值加权构建组合。
- 组合调仓频率为月度调仓，行业中性处理。

• 回测结果（图表15-19）：

- 全市场范围选股组合年化收益率16.1%，远超中证800及中证500指数约6%
- 年化波动率约32%，最大回撤42%，控制较为良好
- 相比中证800，策略月度胜率达65%
- 限定于中证800成分股，年化收益进一步升至18.8%，年化超额收益12.4%，回撤控制更优[42.4%]，同样胜率65%。
- 组合净值曲线明显优于基准，体现策略显著的超额收益能力。

• 含义：

- 通过结合行业动量与个股反转，该策略较纯行业轮动策略实现了5%以上估值提升。
- 说明领涨股效应结合个股补涨规律，在量化构建选股时具有重要参考价值。

• 风险提示：

- 历史统计规律可能会发生变化。
- 市场系统性风险及监管政策超预期波动均可能影响策略表现。[page::8,9,10]

---

三、图表深度解读

• 图表1-4：反映个股动量因子在非行业中性和行业中性条件下的表现。各档组合净值走势显示个股整体呈现反转趋势，强势组（G5）净值先升后回落，弱势组（G1）净值先跌随后回升，均值组合向中间靠拢。
• 图表5-6：行业指数层面动量因子，整体呈现出弱动量效应，但幅度较小且不稳定，图表6中多空组合净值缓慢上升但波动幅度有限，动量效应不如个股明显。
• 图表7：简化示意图，说明个股轮动顺序的转换，体现个股间存在领涨-滞涨规律，支撑理论模型。
• 图表8：筹码浮盈率指标示意，红色线（筹码收益率）与灰线（万德全A指数）对比，显示筹码收益率能提前反映赚钱效应波动，适合捕捉市场情绪与阶段性变化。
• 图表9-11：两种新型动量因子回测净值走势与指标，其中筹码浮盈率差异法表现优于涨跌幅差异法，信息比率、收益率均更具优势。表格数据明确显示该优势。
• 图表14 & 16-17：对应个股层面三类动量因子的回测对比，涨跌幅修正动量因子稳定且信息比率突出，筹码浮盈率因子虽有预测力但表现次之。
• 图表15、18-19：综合策略组合净值及表现，显示策略显著跑赢基准，最大回撤相对控制合理，胜率表现突出，进一步验证了理论可行性。

整体图表完备、数据详实，逻辑清晰地支撑文中论断，体现对策略构建和效果验证的严谨态度。[page::3-10]

---

四、估值分析

本报告并未涉及具体个股估值，也未采用传统DCF或市盈率估值方法。实际工作重心放在因子构建和量化策略回测，通过年化收益率、夏普比率和信息比率等指标进行效能评估。

• 通过因子收益率、回撤、信息比率对因子有效性进行量化评价，适合量化投资决策背景。

- 组合收益对比基准指数（中证500、800），提供收益超额及风险调整后效能参考。

该方法符合量化多因子模型构建范式，估值重点在于策略的风险调整后回报。[page::6,7,8,9]

---

五、风险因素评估

• 历史效应失效风险：策略基于历史统计规律，存在未来失效风险，特别是策略中动量与反转的历史关系可能随市场演变而改变。

- 市场系统性风险：整体股市大幅波动时，所有选股模型有效性可能被削弱。

• 监管政策风险：监管政策可能带来超预期冲击，影响策略表现和流动性。

报告强调策略回测表现需结合风险控制和动态调整。[page::0,9,10]

---

六、批判性视角与细微差别

• 数据质量与稳健性：虽然筹码浮盈率指标设计创新，但其计算依赖于较高精度的成交及持仓数据，实际操作中数据获取与一致性可能有挑战。

- 策略回撤与稳定性：个别因子表现出较大回撤，尤其是涨跌幅差异构建的因子，提示风险管理重要。

• 周期影响：筹码浮盈率有助于抵御行业周期影响，但依旧不是万能，行业和市场周期变动对模型有一定影响，需结合宏观分析。

- 模型假设简化：模型假设个股区分为领涨和滞涨，这一划分在真实市场或更复杂，且部分期间存在该规律的破坏。

• 因子相关性：筹码浮盈率与涨跌幅因子非简单线性关系，二者在不同市场状态下表现差异明显，策略构建过程需处理因子间复杂互动，避免重复暴露。

整体看，报告在因子选择和策略构建上趋于稳健，但需注意实际落地中的数据和操作风险，建议持续跟踪因子表现动态调整。[page::6,7,8]

---

七、结论性综合

本报告系统剖析了A股市场中行业层动量效应与个股层反转效应的背离现象，合理解释了“领涨股-滞涨股”轮动逻辑，基于该逻辑引入创新性筹码浮盈率指标以辅助构建行业动量因子。

通过实证回测，发现筹码浮盈率差异法构建的行业动量因子表现优异，信息比率提高明显，最大回撤有所控制；个股层面则涨跌幅修正动量因子预测效果最好，胜率和夏普比率显著提升。

结合行业动量与个股反转构建的量化选股模型，在全市场范围内年化收益率达16%以上，选股集中于中证800成分股时，年化收益增长至18.8%，超额收益显著，同时风险（最大回撤及波动率）保持在合理水平，策略稳定战胜基准指数，月胜率达到65%。

报告附有丰富图表与数据支持，从因子构建、回测方法、风险评估及实际投资效果多层面展开，体现了较强的学术严谨性和实践指导性。

需要投资者关注历史规律可能变动、系统性及监管风险，适时对因子和策略进行动态调整。报告未涉及具体个股估值，关注的是量化因子及策略表现。

综上，行业层以筹码浮盈率为核心构建动量因子，与个股层面涨跌幅反转因子结合，构筑的量化策略显著提升选股效果，为A股量化投资提供了创新路径。

---

参考文献与数据出处

所有数据均来源于中泰证券研究所，具体图表见原报告第3-10页，风险提示及声明见最后两页。[page::3-10,11]

---

（备注：本文中的所有结论和数据均有页码标识，方便溯源和验证。）

报告