• 聪明钱因子模型通过分析分钟级价量数据，利用指标S度量交易的“聪明度”，筛选成交量累积占比前20%的交易视为聪明钱交易，构造选股因子 [page::0][page::2][page::3]。

• 原始聪明钱因子自2016年中表现稳健，但样本外表现逐渐减弱，选择传统成交量开根号的β=0.5未达到最优 [page::4]。

• 通过调节成交量指数参数β，并构造不同形式的S指标，发现β=0.1左右时，因子表现最佳，信息比率达到3.67，优于原始模型；同时对数成交量形式的S指标显示出更强的选股能力，多空对冲信息比率达3.74 [page::5][page::6][page::7]。

• 关于截止值的选择，机构投资者交易占比平均约13%，模型测试不同成交量累积占比截止值，发现15%-20%区间信息比率最优，验证了20%截止值的合理性 [page::7][page::8]。

• 改进后的聪明钱因子在不同样本池表现均佳，尤其对中证1000（代表中小市值股票）的选股能力更强，年化收益和信息比率最高。例如β=0.1的因子对中证1000年化收益率26.3%，信息比率3.81；对数成交量因子相关指标表现相近且波动率更低 [page::8][page::9]。

• 风险提示：本模型基于历史数据测试，未来市场环境变化可能影响因子有效性，投资需谨慎 [page::0][page::9]。

金融工程研究团队《聪明钱因子模型的2.0版本》报告详尽分析

---

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—市场微观结构研究系列（3）》

- 作者团队：金融工程研究团队，魏建榕（分析师）、高鹏、傅开波

• 发布日期：2020年2月9日

- 发布机构：开源证券研究所

• 研究主题：基于高频交易数据构建“聪明钱因子”，刻画并改进微观结构中机构交易行为的定量模型，完善因子选股能力。

- 核心论点：
- 首次提出的聪明钱因子模型以“高频数据、低频因子”模式，利用分钟级价量信息捕捉机构资金行为，得到较好的选股能力。
- 本报告对核心指标S指标构造方式进行了系统改进，提升了模型的选股效果。
- 改进后的聪明钱因子在全市场范围内能够实现五分组多空对冲信息比率约3.7，优于原始模型。
- 选取成交量累积占比前20%的分钟为聪明钱交易的截止值具有实证支持，且改进模型对于中小市值股票表现更稳健。

• 风险提示：模型基于历史数据回测，未来市场环境变化可能导致模型失效[page::0,1,2].

---

2. 逐节深度解读

2.1 引言与原始模型

• 关键论点：

- 2016年7月首次提出聪明钱因子，获得业内认可。
- 模型核心在于捕捉机构投资者“单笔订单大、报价激进”的交易特征，提炼成交量与价格变动的组合指标S。
- 通过将分钟行情按S指标排序，取成交量累计占比20%的分钟交易划为“聪明钱交易”。

• 逻辑依据：

- 机构交易一般表现为更大订单且成交价更激进，反映在分钟涨跌幅（R）与成交量（V）的组合上。
- 以成交量权重累积筛选20%分钟数据，是对市场机构交易占比的合理估计。

• 关键数据：

- 图1示例说明了S指标排序与成交量累计占比划分聪明钱交易的过程：红柱代表成交量较大且S指标较高的“聪明钱”分钟。
- 图2展示“量-价”二维空间分界线，划分聪明钱与普通资金交易的边界，体现出基于公式 \(|R|=S_0 \sqrt{V}\) 的分界逻辑。

该部分为理解后续改进提供了框架基础，解释了因子构造的初衷和逻辑[page::2,3].

2.2 智能度S指标的改进方案

• 问题提出：

- 原始模型中S指标定义为 \(S = |R| / \sqrt{V}\) ，回测中表现逐渐减弱（图3）。
- 需重新考察S指标中的成交量开根号部分的合理性。

• 指标泛化：

- 设成交量指数为可变参数 \(\beta\)，则新定义为： \( S = |R| / (V^\beta) \)。
- 取不同 \(\beta\) 进行回测比较因子效果。

• 回测分析：

- 图4显示IC（信息系数）及rankIC均值随着 \(\beta\) 变化趋势。
- \(\beta=0.7\)时因子无效。
- \(\beta\)接近0时IC绝对值最大，说明不使用成交量缩放，因子更有效。
- 原始 \(\beta=0.5\) 并非最优。
- 图5、图6分别对比不同 \(\beta\) 下的多空对冲信息比率和净值曲线：
- 当 \(\beta \approx 0.1\) 时信息比率达到峰值3.67，表现最佳。
- \(\beta\)过大或过小均降低因子表现。

• 补充验证：

- 不同月度调仓时间点、剔除其他风格因子后的因子表现均验证结论稳健。

• 进一步的S指标构造（3种尝试）：

- S1：只用成交量V筛选（较大成交量为聪明钱交易）。
- S2：用排名法综合考虑 \(|R|\) 与V。
- S3：原始指标的对数变形，用对数成交量处理。

• 效果对比：

- 表2及图7、图8显示：
- S3（对数成交量变换）表现最好，信息比率3.74 > S2(2.61) > S1(2.03) > 原始(1.69)。
- 多空净值曲线对应显示S3积累最大收益。

综上，通过调整成交量权重参数 \(\beta\) 以及对成交量进行对数变换，能有效提升聪明钱因子的选股能力[page::4,5,6,7].

2.3 若干重要讨论

• 不同截止值对模型的影响：

- 选取20%成交量累计作为划分阈值，基于机构投资者在市场中的成交占比历史数据（图9显示历年均值约13%）。
- 实验不同阈值（10%,15%,20%,30%,40%,50%）下模型表现（图10、图11）：
- 15%截止值时信息比率最高（3.35），略优于20%（3.27）。
- 随截止比例增大，信息比率和多空净值下降，说明过大截止值包含大量非聪明钱交易。
- 综上20%选取有合理经验支撑且效果良好。

• 不同样本池中的表现差异：

- 以 \(\beta=0.1\) 和对数成交量S指标分别测试沪深300、中证500、中证1000及全市场。
- 结果显示，中小市值（中证1000）样本中表现最好：
- \(\beta=0.1\)：中证1000信息比率3.81，年化收益26.3%，月度胜率82.3%。
- 对数成交量：中证1000信息比率3.65，年化收益26.5%，月度胜率86.1%。
- 蓝紫色曲线在图12、图13中持续大幅上升，凸显中小市值股票中的强选股能力。

数据表明聪明钱因子改进后，对中小市值的股票池具备更强的识别和盈利能力[page::7,8,9].

2.4 风险提示

• 该模型依赖于历史数据表现，市场微观结构及机构投资行为可能随时间变化，模型的未来有效性存在不确定性。

- 用户需尤其关注历史回测的局限性及市场环境变化对模型的影响[page::0,9].

---

3. 图表深度解读

图1 聪明钱划分过程

• 上图显示30分钟内每分钟成交量（蓝柱）与对应的S指标值（红点）。

- 下图对数据依据S指标降序排列后展示成交量排序（红柱为成交量累计占比前20%的聪明钱交易）。

• 绿线为成交量累计占比，划分阈值示意线清晰。

- 该图表直观演示了如何利用S指标筛选最具“聪明”特征的交易分钟，加深对该步骤的理解。

图2 “量-价”相空间划分

• 横轴为分钟成交量V，纵轴为分钟涨跌幅绝对值|R|。

- 红色点为聪明钱分钟交易，蓝色普通交易。

• 虚线根据S阈值公式绘制，分割聪明钱与普通交易区域。

- 显示出聪明钱交易一般在较高涨幅与中等成交量区间，高亮指标对交易识别的有效性。

图3 原始模型样本外表现

• 日期横坐标显示自2013年起至2019年末的多空对冲净值，2016年7月为模型发布点。

- 样本内表现优异（年化26%收益，信息比率2.7，月度胜率76%），但样本外表现逐渐减弱，提示原始模型稳定性不足。

图4 ~ 图6 不同 \(\beta\) 值回测指标

• 图4显示IC及rankIC随 \(\beta\) 的变化趋势，表明最佳 \(\beta\) 非原先假设的0.5，而在0-0.1附近。

- 图5为多空对冲信息比率，曲线对应图4IC变化趋势，峰值出现于 \(\beta \approx 0.1\)。

• 图6净值曲线清晰显示 \(\beta=0.1\) 具有最佳累积收益表现。

- 说明了改变成交量权重幂次能显著优化模型。

图7、图8 不同S指标的对比

• 图7信息比率柱状图显示S3指标（对数成交量）显著优于其他两种方法和原始公式。

- 图8多空对冲净值线体现出S3持续增长，表现最优。

• 表明对数处理成交量是有效提升指标的突破口。

图9 机构投资者交易占比

• 图9展示2007-2017年间机构投资者在市场的成交量占比，波动于10%-17%，均值约13%。

- 为选取截止值参考提供实证基础。

图10、图11 不同截止值对因子表现影响

• 信息比率（图10）与净值曲线（图11）显示截止值在15%-20%间效果最佳。

- 进一步确认截止值的合理性设定。

图12、图13 不同样本池表现

• 两图均衡展示沪深300、中证500、中证1000和全市场的多空对冲净值表现。

- 中证1000表现最佳，体现中小盘股票上的优势。

• 对数成交量指标和 \(\beta=0.1\) 指标均展示出良好的市场适应性。

---

4. 估值分析

本报告为金融工程及因子研究性质，无直接股票估值部分。因子模型的价值主要体现在其多空对冲策略的收益率及信息比率的提升上，报告通过实证和回测数据佐证优化因子构造后的选股能力，故不涉及传统估值方法如DCF等。

---

5. 风险因素评估

• 风险识别：

- 模型仅基于历史行情及成交数据推断机构资金行为。
- 市场结构、交易策略和机构行为可能演化，导致模型性能波动或失效。

• 潜在影响：

- 选股能力减弱。
- 信息比率和净值表现下降，策略收益波动加大。

• 缓解策略：

- 并未深入讨论，但暗含持续监控模型表现与回测更新所必需。
- 投资者应保持谨慎，结合更多信号与风控措施。

---

6. 批判性视角与细微差别

• 假设依赖性：

- 关键指标S构造依赖于价量数据的特定变换，模型优化基于统计回测，具备一定的历史依赖性，未来适用性不确定。

• 截止值的选择：

- 虽有实证基础，但20%这一阈值粗略估计机构交易份额，可能忽略了市场微妙变化及分散交易的影响。

• 效果稳定性：

- 尽管测试多路径调仓时点、样本空间等确定了结论稳健性，但未充分探讨极端市场环境下因子表现。

• 模型改进的局限：

- 重新构造S指标的逻辑虽有改进，但未能完全解决机构交易识别的本质模糊性。

• 其他风险：

- 报告并未提及交易成本滑点等对策略影响，实际应用可能出现偏差。

---

7. 结论性综合

本报告系统回顾并深化了开源证券团队于2016年发布的聪明钱因子模型，主张通过数学参数调整与对数变换对核心指标S进行改良，实现因子选股能力的大幅提升。具体而言：

• 模型创新点：

- 将 S 指标由原来的 \( |R| / \sqrt{V} \) 调整为参数化形式 \( |R|/V^\beta \) ，通过敏感性测试确定 \( \beta \approx 0.1 \) 提升选股效果；
- 引入对数成交量变换，进一步强化因子收益与稳定性。

• 实证验证：

- 改进因子在样本外测试中取得信息比率3.7以上，明显优于原始因子的约1.7；
- 在不同股票池（尤其是中小市值）中均表现稳健，年化收益率超过26%；
- 选股效果在不同截止值与调仓路径测试中均显示稳定。

• 图表支持：

- 图1、图2直观展示了聪明钱划分逻辑；
- 图4至图8详细对比了参数调节及不同S指标的改进；
- 图9数据支持截止值设定；
- 图10至图13体现了截止值和样本池对选股效果的影响。

• 综合判断：

- 报告确认“高频数据，低频因子”的研究思路有效，通过模型升级显著增强了对机构交易行为的捕捉能力，从而提高了选股能力。
- 风险提示清晰，强调历史数据测试局限，提醒谨慎应用。

总体而言，该报告是一份逻辑严谨、数据详实且具有较高专业性的因子模型优化研究，对智能资金行为的量化识别提供了有力工具，对量化投资策略开发具有实操参考价值[page::0-9].

---

参考图表

图1 聪明钱的划分过程



图2 从“量-价”相空间看聪明钱划分过程



图3 原始聪明钱因子样本外表现



图4 不同β值下IC均值与rankIC均值



图5 不同β值下多空对冲信息比率



图6 不同β值下多空对冲净值



图7 不同S指标下多空对冲信息比率



图8 不同S指标下多空对冲净值



图9 机构投资者交易占比



图10 不同截止值下多空对冲信息比率



图11 不同截止值下多空对冲净值



图12 β值0.1下因子不同样本空间多空对冲净值



图13 对数成交量下因子不同样本空间多空对冲净值

报告