• 研究背景及交易者结构划分 [page::0][page::4]

- 将A股交易者分为机构（超大单>100万）、大户（20万-100万）、中户（4万-20万）、散户（<4万）四类。
- 统计2010-2020年交易占比，中户和散户交易占比合计超过70%，为市场主要参与者。

• 交易者结构对动量因子影响分析 [page::5][page::6]

- 基于散户、中户、大户、机构不同交易占比，拆分传统20日涨跌幅动量因子为5个局部因子。
- 结果显示：大单（机构、大户）占比越高时，动量因子反转效应越强；散户、中户占比越高时，动量因子向动量效应转变。
- 散户和机构交易占比对动量因子区分能力最强，局部因子年化ICIR呈严格单调且方向转变明显。

• 新动量因子构建与表现 [page::6][page::7]

| 指标 | 传统动量因子Ret20 | 新动量因子NEW_MOM |
|------------|--------------------|--------------------|
| 年化收益率 | 18.09% | 21.23% |
| 年化波动率 | 15.14% | 8.20% |
| 信息比率 | 1.19 | 2.59 |
| 月度胜率 | 64.80% | 78.40% |
| 最大回撤率 | 13.05% | 6.29% |

- 新动量因子定义为“散户”最低占比局部因子与最高占比局部因子差值，采用全市场样本，2010-2020年回测。
- 该因子优于传统动量因子，信息比率和月度胜率大幅提升，最大回撤减半。

• 新动量因子年度表现与纯净性检验 [page::8][page::9]

| 年份 | 分组1年化收益率 | 分组5年化收益率 | 分组1对冲分组5 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|------|-----------------|-----------------|-----------------|------------|----------|----------|------------|
| 2010 | 20.36% | 8.68% | 10.43% | 4.02% | 2.60 | 70.00% | 1.18% |
| 2011 | -31.87% | -35.67% | 5.93% | 3.17% | 1.87 | 75.00% | 1.42% |
| 2012 | 4.42% | -0.75% | 4.93% | 2.69% | 1.83 | 66.67% | 0.94% |
| 2013 | 41.90% | 27.28% | 11.66% | 3.89% | 3.00 | 83.33% | 1.03% |

- 将新因子对Barra风格因子和行业虚拟变量进行回归，取残差构造纯净因子后，表现依旧稳健，最大回撤进一步降低。

• 多空收益分解及参数敏感性分析 [page::10][page::11][page::12]

| 回看天数 | 因子 | 年化收益率 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|----------|--------------|------------|------------|----------|----------|------------|
| 40日 | 传统动量因子 | 17.71% | 15.04% | 1.18 | 66.94% | 12.93% |
| 40日 | 新动量因子 | 19.14% | 8.54% | 2.24 | 76.61% | 4.25% |
| 60日 | 传统动量因子 | 13.26% | 14.64% | 0.91 | 58.54% | 16.84% |
| 60日 | 新动量因子 | 18.15% | 9.30% | 1.95 | 71.54% | 6.45% |

- 新动量因子在不同回看期（40、60日）保持优越性能，稳定胜过传统动量因子。

• 不同样本空间表现验证 [page::12]

| 样本 | 因子 | 年化收益率 | 年化波动 | 信息比率 | 月度胜率 | 最大回撤率 |
|------------|--------------|------------|----------|----------|----------|------------|
| 沪深300 | 传统因子 | 5.93% | 19.83% | 0.30 | 52.80% | 41.36% |
| 沪深300 | 新动量因子 | 6.68% | 12.13% | 0.55 | 60.00% | 21.94% |
| 中证500 | 传统因子 | 9.91% | 14.35% | 0.69 | 61.60% | 19.24% |
| 中证500 | 新动量因子 | 13.52% | 8.50% | 1.59 | 72.00% | 12.26% |

- 新动量因子在沪深300及中证500成分股中同样表现优异。

• 交易者结构在其他价量因子上的应用 [page::13][page::14]

| 因子类型 | 因子 | 年化ICIR | 年化收益率 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|--------------|--------------|----------|------------|------------|----------|----------|------------|
| 换手率因子 | 传统换手率因子 | -1.87 | 21.99% | 12.78% | 1.72 | 69.60% | 11.33% |
| 换手率因子 | 新换手率因子 | -2.34 | 21.67% | 9.20% | 2.36 | 76.00% | 9.38% |
| 振幅因子 | 传统振幅因子 | -0.79 | 10.18% | 13.89% | 0.73 | 66.40% | 17.03% |
| 振幅因子 | 新振幅因子 | -1.76 | 11.84% | 5.77% | 2.05 | 73.60% | 6.80% |

- 价量因子基于交易者结构细分均有显著改进，表现更稳健优异。

“求索动量因子”系列研究（二）——基于交易者结构对动量因子的改进

---

一、元数据与概览

报告标题： “求索动量因子”系列研究（二）

发布机构：东吴证券研究所

作者：高子剑（证券分析师）、沈芷琦（研究助理）

发布日期：2020年8月18日

主题：本报告延续并拓展了动量因子的研究，聚焦于A股市场中基于交易者结构的成交量细分，分析不同交易者类型对动量因子表现的影响，最终提出改进的动量选股因子。

核心论点总结：

• 传统动量因子在A股表现呈显著中长期反转，但反转效应不稳定。
• 市场中交易者可按挂单金额划分为机构、大户、中户、散户，不同交易者的交易行为和目的不同，影响成交量所蕴含的信息。
• 按交易者结构拆分成交量，发现大单（机构、大户）交易占比越高动量因子呈现反转效应越强，小单（散户、中户）相反。
• 构造以“散户”交易占比为核心的新动量因子，其选股能力显著优于传统动量因子，且多头表现稳定且较强。
• 该方法对其他价量选股因子如换手率、振幅因子等也有提升作用。
• 报告依赖历史数据，强调风险提示。

总体来看，作者通过细分成交量成交者结构，挖掘了不同交易者行为对动量因子表现的影响，提出一个优于传统因子的改进版本，具有较好的收益和风险表现。[page::0,3]

---

二、逐节深度解读

1. 前言

作者首先回顾动量因子发展背景：动量因子自1993年发现以来广泛应用，A股市场表现出明显的中长期反转现象，但此反转效应不稳定。基于2010-2020年回测（图1），传统动量因子（20日收益率）的多空组合信息比率仅为1.19，月度胜率约65%，且存在多次大幅回撤，表现不够稳健。

报告回顾了此前《成交量对动量因子的修正：日与夜的殊途同归》（2020年）的结果，指出总成交量可有效识别动量信号强弱。当前报告在此基础上，创新性地按照交易者类型对成交量进行细分，期望通过不同交易者结构的研究，揭示更多动量因子信息，进而改进因子表现。[page::3]

2. 交易者结构对动量因子的影响

2.1 A股市场交易者结构

作者基于挂单金额划分市场交易者为四类：

• 机构：超大单，挂单金额 > 100万元
• 大户：大单，挂单金额 20-100万元
• 中户：中单，挂单金额 4-20万元
• 散户：小单，挂单金额 <4万元

通过统计2010/1-2020/7期间A股行情数据，得到各类交易者的平均交易占比为：

• 机构6%
• 大户22%
• 中户38%
• 散户34%

中户和散户合计占比超过70%，表明市场以小单交易为主（图3）。

2.2 各类交易者不同交易占比下的动量因子表现

围绕动量因子，作者设计细分“局部动量因子”，具体步骤：

• 每月末，收集过去20个交易日的个股涨跌幅，并根据每日不同交易者的交易占比（例如散户）排序。
• 分成5组，每组包含涨跌幅对应5个交易日。
• 分别计算5组的平均涨跌幅，得到5个“局部因子”。

回测这些局部因子的ICIR（信息系数实际表现的年化指标），作者做了分散户、中户、大户、机构四类交易者的分组比较（图4-7）：

主要结论：

• 大单（机构、大户）交易占比越高，相关局部动量因子越呈现反转效应（ICIR为正或转负表现反转为强），小单（散户、中户）则正好反向。
• 散户和机构的交易占比对动量因子的区分最明显，Curve呈严格单调，且方向随着交易占比变化从反转向动量切换，说明不同交易者行为信息带来的价格信号有不同价格效率。

这个发现为动量因子改进奠定理论基础，即利用交易者结构信息对动量因子分割归类，挖掘有价值因子信号。[page::4-7]

3. 基于交易者结构的新动量因子

基于上述分析，报告提出新的动量因子构建方法：

• 选取“散户”交易占比最低的4个交易日因子1，以及最高的4个交易日因子5，合成新动量因子 = 因子1 - 因子5，体现了交易者结构差异的动量信号。
• 回测2010/01/01-2020/07/31，月度换仓，覆盖全样本A股。

关键绩效指标和成果：

• 月度信息系数均值（IC）为-0.058，RankIC为-0.073，年化ICIR分别为-2.46、-3.30，表明因子信号稳健有效。
• 5分组多空对冲年化收益21.23%，年化波动率8.20%，信息比率2.59，月度胜率78.4%，最大回撤6.29%。
• 图8和图9显示，相比传统动量因子，新动量因子表现更稳健，收益更高。
• 年度分布表现（表2）显示长期稳定回报，部分年份收益超百%，反映因子稳定性较好。

此外，作者展示新动量因子与Barra风格因子相关性（表3），说明新因子与传统风格因子相关度较低，具有一定独立的风险收益特征。对Barra风格因子和28个申万行业因子回归后取残差构建纯净新因子（图10及表4），仍然拥有较好表现，说明该因子具有较高的纯净选股能力。[page::6-9]

4. 其他重要讨论

4.1 新因子的多空收益分解

图11和表5将新动量因子的多空对冲绩效拆解中多头超额与空头超额表现，发现：

• 多头超额表现信息比率更优达2.64，最大回撤2.7%，年化收益9.02%。
• 虽年收益略低于空头，但风险调整表现更好，表现出多头持仓的强稳定性，增强了因子的实用性。

4.2 新因子的参数敏感性

通过扩大回看窗口至40日和60日（图12、13），维持了交易者结构对动量因子方向与强弱的显著影响，且新动量因子仍全面优于传统动量因子（图14、15，表6）。这表明因子对参数变化鲁棒，适用性较好。

4.3 其他样本空间的情况

在沪深300和中证500指数成分股中，同样验证了交易者结构分割动量因子的有效性，新因子亦显著优于传统动量因子（表7），说明方法具备良好的推广价值。

4.4 交易者结构在其他因子上的应用

作者拓展应用至换手率和振幅等价量类因子，同样通过交易者结构划分生成局部因子，发现表现也获得改善（图16、17，表8、表9），且新价量因子整体ICIR和收益表现均优于传统因子，表明交易者结构对价量因子的改善具有广泛适用性。[page::10-14]

5. 总结

报告总结指出，基于东吴金工团队连续研究，通过对成交量中不同交易者结构（机构、大户、中户、散户）的细分，发现大单交易占比（机构、大户）越高，动量因子越表现为反转效应，小单占比高则偏动量效应。

这种“由交易者结构识别动量因子方向及强度”规律的发现，使作者提出了以散户交易占比为核心的新动量因子，整体选股能力和风险收益指标显著优于传统动量因子。

此外，交易者结构信息对其他价量类因子亦有同样的改进作用，具有较强的理论和实证价值。

报告同时强调风险，指出所有统计基于历史数据，存在策略收益波动及未来市场变动风险，实际应用须结合风险管理。[page::14-15]

---

三、图表深度解读

图1（传统动量因子净值走势）

展示2010-2020年期间，传统动量因子（Ret20）分组净值以及分组1对冲分组5的净值表现，曲线波动较大，最大回撤13.05%。信息比率1.19，月度胜率64.8%，表现较为波动，反映A股动量因子稳定性不足。[page::3]

图2（量的细分：基于交易者结构）

以流程图形式展示成交量按挂单金额划分为机构（>100万元）、大户（20-100万元）、中户（4-20万元）、散户（<4万元）四类，明确了量的分类标准。[page::4]

图3（各类投资者交易占比）

时间序列折线图展示2010-2020年，各类投资者交易占比变动，显示中户与散户稳居高位，机构交易占比相对较低，有阶段性波动，直观说明不同交易者占比稳定性及市场结构特征。[page::4]

图4-7（局部因子的年化ICIR分布）

分别以散户、中户、大户、机构交易占比划分，展示5个局部因子对应的年化ICIR，颜色条形图显示出随着交易占比的不同，因子表现由反转到动量效应的转变，图形直观体现交易者结构影响因子效力。散户和机构板块变化最为显著，符合报告论述。[page::5-6]

图8（新动量因子5分组净值）

传统因子中的分组5（表现最优）与分组1（表现最差）间净值差距显著扩大，同时整体趋势平稳，标志新动量因子选股能力提升，策略稳健性增强。[page::7]

图9（新旧动量因子多空对冲净值对比）

以折线图形式对比新动量因子与传统因子多空对冲净值，新因子从2015年后表现出明显优势，累计净值更高，回撤较小，支持其改进效果。[page::7]

表1（绩效指标对比）

新动量因子年化收益率21.23%，高过传统18.09%；年波动8.2%显著低于传统15.14%；信息比率2.59胜1.19；月度胜率78.4%胜64.8%，最大回撤6.29%小于13.05%，多指标显示新因子优势明显。[page::7]

表2（新因子分年度表现）

各年份详细列出分组1及分组5收益及组合统计，多数年份正收益突出，尤其2015年分组收益超过100%，显示因子长期稳定，个别年份如2011年波动较大反映市场复杂环境。[page::8]

表3（与Barra风格因子相关系数）

新动量因子与Beta、Size、BooktoPrice、Momentum（Ret20）等常见因子的相关系数均较低至中等（Momentum为0.3514），显示其独立性和提供独特信号的潜力。[page::8]

图10（纯净新因子净值）

剔除传统风格与行业影响后残差因子5分组净值表现依然优异，显示因子核心信号有效且稳定。[page::9]

表4（纯净新因子分年度表现）

纯净因子同样展现良好选股能力及风险控制能力，多年拥有高信息比率及较低最大回撤，特别2020年表现优异。[page::9]

图11及表5（多空收益分解）

显示多空对冲、多头超额、空头超额净值及指标，多头超额信息比率最高且最大回撤最低，强调新动量因子主要贡献来自稳定的多头持仓收益。[page::10]

图12-13（参数敏感性）

40日和60日回看窗口下，各类交易者占比分组因子的ICIR趋势与20日窗口保持一致，验证结果稳健可靠。[page::11]

图14-15及表6（40、60日回看新旧因子对冲净值及绩效比较）

在不同回看天数情况下，新动量因子持续优于传统动量因子，回撤更小，信息比率更高，胜率更强，表明新因子的表达能力不依赖于选定参数的单一值。[page::12]

表7（沪深300、中证500成分股回测）

交易者结构改进的动量因子在主流指数成分股中依旧表现优越，信息比率和月度胜率均高于传统因子，新因子收益波动与回撤指标也较优，验证了因子稳定性与泛用性。[page::12]

图16及表8（换手率因子改进）

交易者结构划分换手率因子5个局部版本对应ICIR趋势与动量因子类似，大单交易占比越高，因子表现越好。新换手率因子相较传统具更好的ICIR和风险调整收益，体现改进方法的跨因子适用性。[page::13]

图17及表9（振幅因子改进）

同理，振幅因子经交易者结构划分后得到改善，信息系数年化ICIR翻倍，收益适中而波动率大幅降低，新因子表现更为稳健。[page::14]

---

四、估值分析

本报告未涉及具体的公司估值方法和价格目标，重心为动量策略因子构建和验证，侧重于因子统计指标及其分组回测净值表现。因此不涉及DCF或P/E等传统估值模型。

---

五、风险因素评估

报告明确风险提示：

• 统计结果基于历史数据，未来市场环境可能发生重大变化。
• 单因子的收益存在较大波动，应用中须结合资金管理和风险控制手段。
• 建议投资者谨慎对待因子策略，注意非系统性风险及模型过拟合风险。

报告未明确量化各风险发生概率及缓解措施，提醒客户理性使用因子信号。[page::0,15]

---

六、批判性视角与细微差别

• 该研究充分利用了交易者结构的深度信息，对传统动量因子进行了创新改进，表现提升显著，但分析高度依赖于成交额挂单金额的判别标准，故交易者划分方法的合理性需谨慎评估，市场变化或监管政策调整可能影响其有效性。
• 性能指标均源自回测，实际交易可能受到交易成本、市场冲击成本、流动性限制等因素影响，报告未明确这些影响。
• 回测时间区间选择跨度10年，覆盖多个牛熊市，这增强了结果的稳健性，但某些年份表现极端，表明因子依然可能存在周期性或宏观环境依赖，投资者需注意。
• 交易者结构信息为中短期信号解读提供了新视角，有助于剖析微观结构对价格走势的影响，但该方法较为复杂，实际应用过程中数据获取和处理难度较大。
• 报告主要关注散户与机构交易者差异，其他如高频交易者、程序化交易等未被纳入考虑，未来拓展空间巨大。
• 报告全篇以实证数据为支撑，结论逻辑清晰严谨，未见明显矛盾，但由于篇幅限制，部分变量敏感性和策略实现细节尚待进一步说明。

---

七、结论性综合

本篇由东吴证券研究所发布的“求索动量因子”系列研究第二阶段报告，以2010-2020年A股市场数据为基础，深入探索了交易者结构对动量因子表现的影响，取得了如下核心发现和贡献：

1. 交易者结构显著影响动量因子性质：大单交易占比越高，动量因子越表现为反转效应强烈；散户、小单占比高则向传统动量效应偏移。散户与机构交易占比对因子区分能力尤为突出。
2. 基于交易者结构构建的新动量因子选股能力和风险调整收益全面优于传统动量因子，年化收益率21.23%，月度胜率高达78.4%，最大回撤仅6.29%，多头持仓表现尤为优异且稳定，相关性低于传统风格因子，表现独立可持续。
3. 该方法对回测参数极具鲁棒性，适合不同时间窗口。
4. 策略在沪深300、中证500等样本空间同样有效，推广性强。
5. 交易者结构划分方法对其他价量类因子（换手率、振幅）同样有效，提升了这些因子的表现，说明该思路具有广泛适用价值。
6. 报告基于大量实证回测、丰富图表和指标，客观严谨地支持结论，提出的改进因子对于量化选股策略具有实际指导意义。
7. 风险提示明确，告知市场模型风险及历史数据局限，强调投资需结合风险管理。

整体而言，本报告不仅深化了动量因子在A股市场的认识，还开创性地结合了市场微观结构信息（交易者分类），为量化因子研究提供了新途径和思路。伴随交易数据精细化，本系列研究有望持续推动更精准、更有效的选股因子开发和应用。

---

关键词总结

• 动量因子
• 交易者结构（机构、大户、中户、散户）
• 成交量细分
• 信息比率ICIR，信息系数（IC）
• 多空对冲
• 价量因子改进
• 选股能力提升
• 风险提示

---

关键图表示例（markdown格式示意）

新动量因子5分组及多空对冲净值走势示意图：



[page::0] [page::3-15]

---

此分析基于报告全文，结构清晰、内容详实，涵盖重要章节及图表数据，深入剖析因子逻辑及绩效，帮助专业读者全面理解报告含义与应用价值。

报告