流动性高频因子构建与投资逻辑 [page::4]

• 高频因子基于分钟级盘口价差与中间价构建，如ES和PRS使用percent-cost量度，ESI和PRSI使用cost-per-dollar-volumn量度。

- 高频因子体现交易成本异质性，交易成本高的股票对应正向流动性风险溢价。

• 具体计算采用Lee & Ready算法判别买卖单方向，捕捉盘口价差信息。

流动性低频因子构建与投资逻辑 [page::6]

• 低频因子基于日频数据推导，涵盖CPQS、CPQSI、ILLIQ、Amivest、HL、HLI等因子。

- HL因子基于Corwin & Schultz (2012)方法估计每日买卖价差，通过最高价、最低价计算价差与真实价格波动。

• 低频因子利用成交额、价格及波动率信息捕捉流动性特征，反映资金流动和价格压力。

流动性因子选股绩效总结 [page::8][page::9][page::18]

| 因子 | IC均值(%) | 年化收益(%) | 夏普比率 | 最大回撤(%) | 胜率(%) |
|-------|----------|-------------|----------|-------------|---------|
| ES | 6.10 | 21.08 | 1.40 | 33.12 | 66.87 |
| ESI | 11.35 | 36.81 | 1.90 | 22.19 | 73.01 |
| PRS | 3.88 | 10.82 | 0.99 | 32.81 | 64.42 |
| PRSI | 9.97 | 25.44 | 1.68 | 21.98 | 74.23 |

• 高频因子中ESI表现最佳，具有最高的年化收益和夏普比率，且分层超额收益明显。

- 低频因子中HLI因子年化收益达35.48%，夏普比率1.79，表现突出。

投资者注意力因子构建与投资逻辑 [page::20][page::21]

• 投资者注意力因子基于行为金融，反映投资者有限注意力及凸显理论影响。

- 包括投资者注意力指标因子（如ABNRETD、ABNVOLD、ATTN）和凸显理论因子（STR、STV1、STV2）。

• 凸显理论强调投资者对高于市场基准表现的凸出收益集中注意，投资认知偏好影响价格。

- 因子构建包括异常收益、成交量加权等，凸显理论因子依据收益或换手率凸显性排序，结合权重计算协方差。

投资者注意力因子选股表现汇总 [page::24][page::25][page::29][page::31][page::32]

| 因子 | 年化收益(%) | 夏普比率 | IC均值(%) | 年化 ICIR | 最大回撤(%) | 胜率(%) |
|--------------|-------------|----------|-----------|-----------|------------|---------|
| ABNRETD | 21.88 | 2.09 | -8.18 | 3.17 | 8.97 | 73.01 |
| ABNVOLD | 12.04 | 2.30 | -3.57 | 3.01 | 3.81 | 74.23 |
| ABNVOLM | 12.23 | 1.29 | -5.06 | 2.30 | 13.14 | 68.10 |
| ATTN | 16.46 | 0.79 | -5.20 | 1.18 | 28.05 | 62.58 |
| STR | 8.12 | 1.37 | -5.27 | 3.22 | 13.22 | 64.42 |
| STV1 | 8.57 | 1.50 | -4.19 | 3.18 | 9.09 | 71.78 |
| STV2 | 30.44 | 3.56 | -8.81 | 4.29 | 5.95 | 80.98 |

• ABNRETD和STV2因子表现出显著的选股能力，STV2凸显理论因子年化收益和夏普均居优。

- 投资者注意力因子总体年化收益在4%-30%之间，凸显理论因子表现更佳。

因子相关性分析 [page::19][page::20][page::33]

• 流动性因子与市值、动量等常用大类因相关性较低，具备增量收益空间。

- 投资者注意力因子内部相关性较强，部分因子如ABNRETD与市场换手率和波动率存在相关性。

• 凸显理论因子STV2与成交量相关因子相关性较高，均可作为多因子模型的新变量。

总结与风险提示 [page::33][page::34]

• 结合交易成本的流动性因子和行为金融的投资者注意力因子对量化选股有效。

- 建议将该类因子纳入多因子选股模型以提升选股能力和提升组合收益。

• 但因子结果基于历史样本，存在失效风险，应关注政策和市场系统性风险。

一、元数据与报告概览

• 报告标题：《流动性高频因子再构建与投资者注意力因子》

- 作者：陈升锐，联系方式：chenshengrui@csc.com.cn，电话：021-68821623，SAC编号：S1440519040002

• 发布机构：中信建投证券股份有限公司（中信建投）

- 发布日期：2024年1月14日

• 报告主题：围绕“流动性因子”与“投资者注意力因子”的构建、检验与应用，针对金融产品进行深度量化研究，旨在挖掘两大类因子的选股能力与市场表现。

核心观点摘要：
本文基于交易成本理论，从高频盘口和低频日数据分别构建了10个流动性因子；此外，结合投资者注意力理论，依据投资者注意力指标及凸显理论，构建了11个注意力因子。单因子回测表明，ESI因子与HLI因子的年化多空收益分别高达36.81%和35.48%，体现出较强的选股能力；投资者注意力系因子如ABNRETD和STV2也表现出显著的多空收益，其中STV2因子年化收益达30.44%，夏普比率3.56。流动性因子与大类因子相关性较低，具备多因子模型的拓展价值。[page::0,18,20,33]

二、逐章深度解读

1. 流动性因子介绍和投资逻辑

1.1 流动性因子研究简介

流动性是一项核心市场属性，反映资产的变现能力，流动性好坏直接影响交易成本和资产价格。研究分别采用“百分比价差”（percent-cost）和“每美元成本”（cost-per-dollar-volume）两种指标衡量流动性，利用高频盘口和日频数据构建因子，为后续量化选股提供依据。[page::4]

1.2 流动性高频因子的构建逻辑

• ES与PRS指标定义：

- ES（Effective Spread）通过股票的收盘价与最优买卖报价的差值，结合买卖方向权重$D{i,k}$计算，反映交易成本百分比。
- PRS（Realized Spread）则使用$t$时刻至$t+5$时刻的最优报价价格的对数差，反映实现价差。

• 买卖单方向判别采用Lee & Ready（1991）算法，较细致地考虑成交价相对于买卖报价的关系以及上一笔成交价的变化，保障了买卖方向判定的准确性。

- 在该框架下，ESI和PRSI指标进一步通过将上述价差指标除以成交额，转化为每单位资金成本指标，方便跨股票比较。[page::4,5]

1.3 流动性低频因子的构建逻辑

• CPQS、CPQSI指标基于日收盘时最优买卖报价价差构建，反映委托价差水平，并通过除以成交额形成每单位资金成本指标。

- ILLIQ（Amihud）指标衡量价格波动相对于成交额的比例，是经典的流动性指标之一。

• Amivest指标作为ILLIQ的逆指标，用成交额除以价格绝对变动来衡量流动性。

- HL指标依据Corwin and Schultz (2012) 方法，利用连续两日的最高价与最低价的对数比值，反映价差部分变异；领取成交额后获得HLI指标。该模型假设日内最高价由买方发起，最低价由卖方发起，价格波动和买卖价差构成流动性的综合体现。[page::6,7]

2. 流动性因子测试效果

2.1 高频流动性因子表现

• ES因子：年化多空收益21.08%，夏普比率1.40，IC均值6.10%，表现出显著的选股能力。Q1组相较Q10组年化超额收益达约20.45%。收益曲线表现稳定上涨，分层超额收益单调下降，验证因子有效性。

- ESI因子：表现更优，年化多空收益高达36.81%，夏普率1.90，IC均值11.35%，IR 2.81，分层效果区分度高，Q1对Q10组收益差逾34%。风险调整回报率更佳，最大回撤显著低于ES因子，说明其对流动性和交易成本把握更精准。

• PRS与PRSI因子：均显示不错选股能力，PRS年化收益在10%左右，PRSI显著提升至25.44%，夏普比率分别为0.99和1.68，IC均值分别约3.88%和9.97%。他们的分层超额收益表现同样单调可靠。[page::7-11]

2.2 低频流动性因子表现

• CPQS与CPQSI、ILLIQ与Amivest均表现良好，CPQSI和HLI因子表现尤为突出，年化收益分别达到31.18%和35.48%。

- HL因子表现较弱，年化收益仅3.5%，夏普率0.29，IC均值低，说明单独价差比率对收益解释能力有限。

• HLI指标结合流动性成交额调整后表现优异，可能体现出成交额对流动性的补充信息。

- Amivest指标虽然IC均值为负，但凭借其反向特性表现出较优的IR值和年化收益，暗示交易量在流动性因子中作用显著。[page::12-17]

2.3 流动性因子综合分析

流动性高频与低频因子整体均表现较好，均具备单因子检验及分层收益表现，且夏普比率普遍高于1，收益回撤比高于0.3，风险调整收益稳健。
从IC与IR看，ESI与HLI因子拥有最高的预测能力，适合用于量化多因子模型中。HL因子作为传统指标，表现有限，提示因子需结合成交额等信息进一步优化。[page::18-19]

3. 流动性因子与其他大类因子相关性分析

• 高频因子间相关性表现合理，较高相关性出现在同一类指标下（如ES与ESI、ESI与PRSI），而与市盈率、市净率、动量、规模等基本面和风险因子的相关性较低。特别是ESI因子与动量指标的相关性适中，表明该因子捕捉了部分价格惯性信息。

- 低频因子中，Amivest与规模及成交相关因子相关度较高，HLI因子与规模相关性亦较明显，暗示流动性低频指标和市场规模存在关联。

• 低频流动性因子之间也存在较强相关性（HLI与CPQS、CPQSI），反映同一类型测度下信息重复性较高。

- 总体来看，流动性因子与常用财务及风险指标相关性较低，具备作为多因子模型增量因子的潜力。[page::19-20]

4. 投资者注意力因子定义和投资逻辑

• 理论背景源自行为金融学，认为市场并非完全理性，投资者有限注意力导致个股信息的非对称反应。

- 投资者倾向聚焦“凸显”信息，忽视平凡或非醒目信息，形成市场异象。

• 投资者注意力因子分为两类：

1. 投资者注意力指标因子，基于成交量异常、收益率异常、成交量衰减加权等具体指标；
2. 凸显理论因子，以凸显性函数计算收益率、换手率凸显度，通过加权协方差构建因子，反映历史收益和换手率的非对称影响。

• 该理论强调信息处理的有限性及心理偏差对市场价格和投资行为的影响。[page::20-23]

5. 投资者注意力因子测试效果

5.1 投资者注意力指标因子

• ABNRETD（最大异常日收益率）表现突出，年化多空收益21.88%，夏普2.09，IC IR 3.17，分层超额收益明显，Q1与Q10组差距21.33%。

- ABNVOLD（最大异常成交量）具备较优表现，年化收益12.04%，夏普2.3，年化IR 3.01，分层区分度明显，风险控制优异（最大回撤3.81%）。

• ABNVOLM（异常成交量）年化收益12.23%，夏普1.29，IC IR 2.30，表现良好。

- ATTN（衰减加权成交量）表现一般，年化收益16.46%，夏普0.79，IC均值为负，分层效果中等。

• ABNRETM和ER因子表现一般，年化收益低，夏普率适中甚至偏低，IC值偏向零，选股能力有限。

- 近期价格接近指标（52周高点及历史最高价）表现不佳，年化收益和夏普均较低，投资价值有限。[page::24-28,32]

5.2 凸显理论因子

• STR因子（基于收益率凸显性）表现中等，年化收益8.12%，夏普1.37。

- STV1因子（基于换手率和收益率凸显）表现略优，年化收益8.57%，夏普1.5。

• STV2因子（基于换手率凸显）表现最佳，年化多空收益达30.44%，夏普高达3.56，IC IR 4.29，风险控制较好（最大回撤仅5.95%），分层超额收益分布清晰。凸显特征在换手率维度的体现极具选股价值。[page::29-31]

6. 投资者注意力因子与其他大类因子相关性

• ABNRETD因子与成交量及波动率类指标相关性较强，提示其捕捉交易活动与价格变动异常的能力。

- ATTN因子与规模（LnFloatCap）和成交额相关度较高，反映大市值和交易活跃股票更受关注度影响。

• 凸显理论因子STV2与成交量及成交波动类因子高度相关，说明换手率凸显在市场情绪传导中的作用显著。

- 总的来看，投资者注意力因子既有与传统流动性和规模因子的交集，也展示出独特的信息维度，可以作为战略配置中的补充因子。[page::32-33]

三、图表深度解读

以关键图表为例：

• 图3-6 (ES和ESI因子绩效图与分层超额收益图)：

表格数据全面展示ES和ESI的IC均值、IR、夏普率等多维绩效指标，均显示较优表现。收益曲线平稳上升，体现稳健性。分层超额收益条形图单调递减，说明不同分组间指标能有效区分未来表现，高低极端组的波动显著。该图有力支持了文本对流动性因子正向选股能力的论点。[page::8-9]

• 图7-10 (PRS和PRSI因子绩效)：

同样展现了分层分组、收益演进等，显示低频价差因子仍体现显著信息价值。图形稳定上涨，夏普比率一度达到1.68，说明为稳定的绩效来源。

• 图11-14 (CPQS与CPQSI因子)：

通过折线图与分层柱状图，可直观感受因子分组超额收益的区分程度。CPQSI显著优于CPQS因子，显示出成交额调整对指标提升的效果。

• 图15-18 (ILLIQ与Amivest因子)：

价差与成交量结合的因子都展示了较强的盈利统计特征，尤其Amivest年化收益突出，但IC均值表现负值，暗示其负相关特性。

• 图19-22 (HL与HLI因子)：

HL因子表现低迷，波动幅度较小但收益率不佳，说明简单的价格区间指标难以捕捉投资价值。HLI因子借助成交额调整后表现显著提升。

• 图23-36 (投资者注意力系列因子绩效图)：

包括各种基于成交量和收益凸显的指标。STV2因子尤其出众，年化收益和夏普比率远超多数指标，分层超额收益图表现最佳，这凸显换手率凸显理论在捕捉投资者行为异象上的优越性。

所有图表皆采用了年度化收益率、夏普率、IC均值、最大回撤等风险收益指标以及分层收益柱状图，全面呈现因子效果及风险调整情况，增强研究的说服力和可应用性。[page::8-17,24-31]

四、估值分析

本报告未涉及公司估值定价，而聚焦基于交易成本和行为金融理论的量化因子构建与测试，无传统财务估值模型之内容或讨论。

五、风险因素评估

报告中明确说明了风险提示：

• 研究基于历史数据，未来表现存在失效风险，尤其因子基于统计特征，市场结构变化可能导致有效性下降。

- 市场系统性风险及政策风险等均可能对策略造成冲击。

• 研究使用模型假设简化现实，可能存在建模偏差与误差，导致结论与现实偏离。

- 数据存在少量缺失可能引入统计偏误。

风险提示较为全面，告知投资者历史表现不等于未来表现，强调模型假设不完备，提升研究应用中的谨慎态度。[page::34]

六、批判性视角与细微差别

• 因子表现波动：尽管部分流动性与注意力因子如ESI、HLI、STV2展现卓越，HL、ABNRETM等因子表现一般，说明因子效力不均，应用时需注意优选因子。

- IC均值负值现象：投资者注意力部分因子（如ABNRETD）IC均值显示负值，意味着因子方向性需反向解读，复杂性增加。

• 相关性复杂：部分注意力因子与规模、流动性因子存在中等以上相关性，表明因子构建时需关注多重共线性问题，避免多因子模型中权重失真。

- 凸显理论因子计算复杂，但表现优异，强烈建议后续研究关注其稳定性与跨市场适用性，可能存在过度拟合风险。

• 报告过于聚焦统计表现，缺乏对因子经济机制的深入探讨，若能补充行为金融中具体的心理机制和实证验证，会使结论更具说服力。

- 缺少多因子联动测试和交易成本扣除后的净收益分析，实际应用中因子组合效果及实盘表现值得进一步研究。

• 投资建议定位明确，但无直接买卖提示，符合研究报告性质。整体论述严谨，但读者需结合自身投资目标及风险偏好审慎使用。[page::0,34]

七、结论性综合

本报告系统构建并实证测试了一系列基于交易成本（流动性因子）和行为金融（投资者注意力因子）的量化选股因子。核心发现包括：

• 流动性因子

- 高频流动性因子如ESI因子表现最优，年化多空收益超过36%，夏普比率高达1.90，具备较强的风险调整后的收益能力。
- 低频因子中的HLI同样表现优异，年收益接近35.5%，夏普比率1.79。
- 这些因子与传统财务及风险因子的相关性较低，能为多因子模型提供独立信息维度。

• 投资者注意力因子

- 注意力指标因子中，最大异常日收益率ABNRETD表现最好，年化收益21.88%，夏普比率2.09。
- 凸显理论因子中，基于换手率凸显的STV2因子表现尤为突出，年化收益达30.44%，夏普比率高达3.56，突出凸显理论对挖掘行为金融效应的有效性。
- 投资者注意力因子为解释市场非理性行为提供丰富工具，同时可以作为多因子增强模型的重要补充。

• 图表充分展示了各因子的稳健性及选股效果，多重收益、夏普、IC指标和分层超额收益验证了因子的有效性和风险调整表现。
• 风险提示较为全面，警示历史数据非未来绩效的保障，提示策略应用者需结合市场环境、数据质量及模型假设审慎操作。
• 整体而言，本报告为金融量化研究及投资策略开发提供了富有价值的因子库与理论支持，具有重要的实践指导意义。流动性和投资者注意力为两个截然不同且互补的维度，通过精准建模可提升量化选股效果，建议后续结合多因子模型与实盘交易进一步深化研究。

---

附录：关键图表达意示意（示例）

• 

图3 ES因子绩效表现：IC均值6.10%，年化收益21.08%，夏普比率1.40，收益曲线体现因子长期稳定增值能力。

• 

图5 ESI因子绩效表现：IC均值11.35%，年化收益36.81%，夏普比率1.90，收益大幅领先其他因子。

• 

图23 ABNRETD因子绩效表现：IC均值-8.18%，年化收益21.88%，夏普比率2.09，分层收益显示强烈选股价值。

• 

图35 STV2因子绩效表现：IC均值-8.81%，年化收益30.44%，夏普比率3.56，风险指标优异，凸显理论效果突出。

---

以上为本报告的详尽分析解读，欢迎针对具体因子或章节进一步探讨。[page::0-37]

报告