• 新因子MIF的定义与构建逻辑 [page::0][page::1]

- 基于隔夜涨跌幅绝对值与昨日换手率的相关系数，刻画知情交易者信息优势。
- 以2012/01/01至2022/05/31为回测期，数据覆盖全体A股。

• MIF因子回测表现优异 [page::2][page::3]

| 绩效指标 | 传统反转因子Ret20 | 传统隔夜因子OvernightRet | 隔夜跳空因子absOvernightRetdesize | 新因子MIF |
|--------------------|------------------|-------------------------|------------------------------------|-------------|
| 年化收益率 | 12.59% | 1.74% | 12.10% | 10.83% |
| 年化波动率 | 15.72% | 8.73% | 13.56% | 4.33% |
| 信息比率 | 0.80 | 0.20 | 0.89 | 2.50 |
| 月度胜率 | 60.98% | 57.72% | 62.60% | 74.80% |
| 最大回撤率 | 18.36% | 31.39% | 13.24% | 2.70% |

• MIF因子中间步骤与效果演进 [page::3][page::4][page::5]

- 初始MIF：计算隔夜涨跌幅绝对值与昨日换手率每日相关系数，年化收益11.20%，信息比率2.07。
- 进阶MIF：对初始因子做市值中性化处理，信息比率提升至2.41。
- 最终MIF：正交隔夜跳空因子抽取残差，信息比率提升至2.50，最大回撤降低至2.7%。

| 指标 | 初始MIF | 进阶MIF | 最终MIF |
|------------|---------|---------|---------|
| 年化收益率 | 11.20% | 11.16% | 10.83% |
| 年化波动率 | 5.41% | 4.63% | 4.33% |
| 信息比率 | 2.07 | 2.41 | 2.50 |
| 月度胜率 | 69.92% | 75.61% | 74.80% |
| 最大回撤率 | 3.03% | 2.44% | 2.70% |

• 相关系数类型对因子表现影响 [page::5][page::6]

- 采用Pearson相关系数时，因子信息比率2.50，月度胜率74.80%。
- 改用Spearman秩相关系数后，信息比率略降至2.14，月度胜率73.17%，因子依然有效。

| 指标 | Pearson相关系数 | Spearman秩相关系数 |
|------------|----------------|----------------|
| 年化收益率 | 10.83% | 8.27% |
| 年化波动率 | 4.33% | 3.86% |
| 信息比率 | 2.50 | 2.14 |
| 月度胜率 | 74.80% | 73.17% |
| 最大回撤率 | 2.70% | 2.56% |

• 换手率向前滞后影响研究 [page::6][page::7]

- 换手率滞后T-2、T-3日时，选股表现显著下降，信息比率分别降至0.97和0.85，月度胜率均下降至60%以下。
- 证实因子逻辑中观察T-1日换手率最有效。

| 指标 | MIF (T-1日) | MIF (T-2日) | MIF (T-3日) |
|------------|-------------|-------------|-------------|
| 年化收益率 | 10.83% | 3.79% | 2.88% |
| 年化波动率 | 4.33% | 3.90% | 3.40% |
| 信息比率 | 2.50 | 0.97 | 0.85 |
| 月度胜率 | 74.80% | 61.79% | 56.91% |
| 最大回撤率 | 2.70% | 5.39% | 5.05% |

• 隔夜涨跌幅是否应取绝对值的分析 [page::7][page::8][page::9]

- 不取绝对值时，因子IC符号相反，且拆分正负隔夜涨跌幅后两个子因子方向矛盾，与原MIF因子逻辑相悖。
- 取绝对值的做法符合因子逻辑，避免了正负涨跌幅成分间的逻辑冲突。
- 结论：隔夜涨跌幅应取绝对值再计算相关性，确保因子逻辑合理且有效。

• 行业超额涨跌和换手率调整的改进 [page::9][page::10][page::11]

- 相对于行业指数计算超额涨跌与换手，推出新因子MIF（超额涨跌行业）、MIF（超额换手行业）和MIF（超额涨跌+超额换手行业）。
- 各新因子表现稳定且优于相对于市场整体的超额因子，信息比率可优至2.76，月度胜率近80%。

| 指标 | 原因子MIF | MIF(超额涨跌市场) | MIF(超额换手市场) | MIF(超额涨跌+超额换手市场) | MIF(超额涨跌行业) | MIF(超额换手行业) | MIF(超额涨跌+超额换手_行业) |
|--------------|-----------|--------------------|--------------------|-----------------------------|--------------------|--------------------|-----------------------------|
| 月度IC均值 | -0.028 | -0.025 | -0.028 | -0.027 | -0.026 | -0.027 | -0.028 |
| 年化ICIR | -2.46 | -2.26 | -2.40 | -2.40 | -2.46 | -2.62 | -2.85 |
| 年化收益率 | 10.83% | 8.93% | 10.08% | 9.28% | 9.18% | 10.32% | 10.64% |
| 年化波动率 | 4.33% | 4.03% | 4.22% | 4.25% | 4.04% | 4.06% | 3.86% |
| 信息比率 | 2.50 | 2.22 | 2.39 | 2.18 | 2.27 | 2.55 | 2.76 |
| 月度胜率 | 74.80% | 79.67% | 73.17% | 78.86% | 75.61% | 75.61% | 79.67% |
| 最大回撤率 | 2.70% | 3.98% | 3.52% | 4.01% | 4.04% | 2.59% | 3.49% |

• 风险提示 [page::10][page::11]

- 结论基于历史数据和统计模型，不排除未来市场条件变化导致模型失效。
- 报告仅面向专业投资者，不构成具体投资建议，个人投资者应谨慎使用。

【国盛金工】如何将隔夜涨跌变为有效的选股因子 Q&A 报告详尽深度分析

---

一、元数据与报告概览

• 报告标题：如何将隔夜涨跌变为有效的选股因子 Q&A

- 作者：沈芷琦、刘富兵

• 发布机构：国盛证券金融工程团队

- 发布时间：2022年6月29日

• 主题：该报告聚焦基于对“知情交易者信息优势”的刻画，提出并深入探讨了一个创新的选股因子——MIF（Market Inefficiency Factor），该因子通过研究隔夜涨跌幅与换手率之间关系，以识别市场中可能存在的信息不对称及其对股票未来表现的预测能力。

报告核心论点集中在如何利用隔夜涨跌幅及成交量（换手率）信息，量化知情交易者的信息优势，从而构造有效的选股因子。具体地，MIF因子基于隔夜涨跌幅的绝对值与昨日换手率的相关系数计算，并通过横截面市值中性化及回归其他已有因子（如隔夜跳空因子）进一步提炼。报告详细展示了该因子的构造、绩效、优化方法、逻辑分析及行业相对调整，强调其在中国A股市场的实证有效性，风险警示市场环境变化可能导致模型失效。

---

二、逐节深度解读

1. 报告引言与前言

报告基于2022年4月26日发布的专题报告《如何将隔夜涨跌变为有效的选股因子？基于对知情交易者信息优势的刻画》，对投资者常见疑问进行详细答疑和模型解释。该主题结合隔夜涨跌幅、换手率及知情交易者行为洞察，旨在解决传统隔夜因子效率不足、信息利用不充分的问题。[page::0, page::1]

2. 模型回顾与传统因子定义

报告首先定义三个传统因子：

• 反转因子Ret20：过去20交易日累计涨跌幅，常用于捕捉价格反转现象。

- 传统隔夜因子OvernightRet：过去20交易日的累计隔夜涨跌幅。

• 隔夜跳空因子 absOvernightRetdesize：隔夜涨跌幅绝对值的平均值，经市值中性化处理，目前业界常用的改进方法。

这些定义奠定了后续构造新因子MIF的基础。[page::1]

3. MIF因子的构造与实证表现

MIF因子的构造步骤详解：

1. 计算相关系数：每月月底，对每只股票回溯20个交易日，计算每日隔夜涨跌幅绝对值与昨日换手率的相关系数，形成初始MIF因子。

2. 市值中性化处理：通过去除市值影响，得到进阶MIF，增强因子稳定性。

1. 正交处理：进一步对进阶MIF与隔夜跳空因子absOvernightRetdesize进行正交，取残差，定义为最终MIF，目的是提取增量有效信息。

实证结果显示：

• 初始MIF：年化收益11.20%，年化波动5.41%，信息比率2.07，月度胜率69.92%，最大回撤3.03%。

- 进阶MIF：年化收益11.16%，波动4.63%，信息比率提升至2.41，胜率75.61%，最大回撤减少到2.44%。

• 最终MIF：年化收益10.83%，波动4.33%，信息比率2.50，月度胜率74.80%，最大回撤2.70%。

新因子相较传统反转因子与隔夜跳空因子具有更稳健的表现和更优的风险调整收益率，尤其是在最大回撤率显著低于其他因子，体现了抗风险能力的提升。[page::2, page::3, page::4, page::5]

• 图表1-3清晰展示了新因子与传统因子5分组、多空对冲策略的净值及绩效对比，体现了MIF因子的优势。

4. 相关系数 vs 秩相关系数

由于Pearson相关系数易受极端值影响，报告尝试用Spearman秩相关系数代替，验证MIF因子是否仍具选股效力。

测试显示：

• 秩相关系数计算的MIF信息比率降至2.14，但仍保持较高有效性。

- 年化收益略减至8.27%，月度胜率73.17%，最大回撤2.56%，波动率3.86%。

说明即使调整相关系数的计算方式，MIF因子依旧表现稳健，具有一定的抗极端值能力。[page::5, page::6]

• 图表8-9展示了相关系数与秩相关系数的净值与绩效差异。

5. 换手率滞后时点敏感性测试

有读者关注知情交易可能提前于T-1日发生，因此进一步分析了MIF用换手率延后至T-2日和T-3日的表现。

发现：

• 换手率作为滞后变量往前移，MIF因子效能明显下降。

- 以T-2日换手率计算时，信息比率降至0.97，月度胜率61.79%，最高回撤5.39%。

• T-3日换手率表现更差。

这验证了MIF因子的理论假设：知情交易影响应最接近T-1日，即“信息提前获悉”的换手率信号最有效。[page::6, page::7]

• 图表10-12详细对比了换手率不同滞后时点下的净值与绩效指标。

6. 隔夜涨跌幅是否应取绝对值的逻辑辨析

有读者质疑为何隔夜涨跌幅要取绝对值进行计算。报告对此进行了深入探讨：

• 未取绝对值的因子依然有效，但月度IC变为正值，且因子逻辑矛盾。

- 具体拆分为正涨幅（>0）与负涨幅（<0）两部分的子因子，IC方向相反：
- 隔夜涨幅>0部分IC为负，反映的是昨日高换手对应小涨幅、低换手对应大涨幅，未来收益更高。
- 隔夜涨幅<0部分IC为正，反映昨日高换手对应小跌幅、低换手对应大跌幅，未来收益更高。

这两个子因子逻辑与整体不带绝对值因子正好相反，与MIF本身的逻辑是矛盾的。故应对隔夜涨跌幅取绝对值，保证因子逻辑一致性及稳定性。[page::7, page::8, page::9]

• 图表13-14直观反映了不取绝对值与拆分计算时的绩效及逻辑对比。

7. 基于行业超额涨跌与换手率的再构造

出于不同交易日市场环境差异及各股票所属行业特征不同的考虑，报告提出将隔夜涨跌幅与换手率转化为相对于所属中信一级行业指数的超额隔夜涨跌与超额换手率，再分别计算因子，即：

• MIF（超额涨跌行业）；

- MIF（超额换手行业）；

• MIF（超额涨跌行业 + 超额换手行业）。

实证结果：

• 各因子净值走势趋势相近，均保持较好的选股能力。

- 性能指标中，MIF（超额涨跌+超额换手_行业）表现最优，信息比率高达2.76，月度胜率接近80%。

• 说明基于行业超额概念的因子构造能更有效剔除市场环境及行业共性因素影响，提升信号纯度和预测能力。
• 图表15-16展示了各种超额调整方案下的净值及绩效对比，清晰印证了行业超额处理的增益。[page::9, page::10, page::11]

---

三、图表深度解读

• 图表1 & 图表4-6分组净值展示了MIF因子从初始到最终版本的稳定增长趋势，尤其是多空对冲策略有较低回撤风险，体现了因子优异的盈亏平衡能力和较好的防御特征。

- 图表2 & 图表3 & 图表7对比了MIF与传统反转、隔夜因子等绩效指标，明确表现出MIF的年化信息比率为2.5，远高于其他因子（传统反转因子0.8，隔夜因子0.2）。

• 图表8 & 图表9验证了使用秩相关系数的鲁棒性，虽然信息比率略降，但仍保持良好的选股能力。

- 图表10-12突出了换手率时点对因子表现的影响，体现了信息及时性的重要性。

• 图表13-14分别反映不取绝对值与拆分子因子的逻辑冲突及绩效对比，图示了为何应对隔夜涨跌幅取绝对值。

- 图表15-16体现了行业超额因子较市场整体因子更稳健，信息比率和胜率提升明显，应对行业异质性有更佳适应性。

整体各图表相辅相成，既验证了模型的构造合理性，也展示了各处理步骤对绩效的实质提升，加深了对MIF因子核心逻辑及稳健性的理解。

---

四、估值与风险因素分析

该报告为学术和量化研究性质，未涉及传统意义上的估值模型或目标价格区间，而是通过信息比率(ICIR)、年化收益率、波动率、最大回撤率、月度胜率等量化指标来评价因子的有效性和稳定性，强调因子在中国A股市场的量化选股适用性。

风险提示强调：

• 以上结论基于历史数据和统计模型，如果未来市场环境出现显著变化，可能导致模型失效。

- 强烈建议投资者结合自身风险承受能力和市场环境，谨慎应用因子。

• 关注研究本身受限于历史样本和统计假设，偶有极端事件或结构性变革可能损害因子有效性。

---

五、批判性视角与细微差别

• 报告逻辑严谨，通过多维度回测验证了因子的稳定有效性。

- 对相关系数计算方法进行了稳健性检验（Pearson vs Spearman），有利于减少极端值风险。

• 换手率时点测试强化了因子逻辑假设及信息时效性。

- 细致分析了“是否取绝对值”的实证逻辑差异，避免逻辑矛盾。

• 以行业超额处理替代市场整体调整，体现了对行业异质性的前瞻性关注。

潜在缺点：

• 因子依赖换手率等量价指标，未来若存在市场微结构变化可能影响信息采集。

- 未涉及交易成本、滑点、策略实现难度的讨论，实际操作风险可能被低估。

• 市值中性化和正交过程虽有效，但可能削弱部分信号强度导致收益损失。

- 报告着重于统计指标，较少对驱动机制（如知情交易者具体行为特征）做深入微观分析。

• 风险提示较为笼统，缺少针对性描述，如政策调控、市场流动性骤变等特定风险。

---

六、结论性综合

国盛证券金融工程团队在《如何将隔夜涨跌变为有效的选股因子？Q&A》报告中提出并深度验证了MIF（Market Inefficiency Factor）这一创新量化选股因子。MIF利用隔夜涨跌幅绝对值与昨日换手率的相关系数，结合市值中性化及与隔夜跳空因子正交提炼，有效刻画了市场中隐含的知情交易者信息优势，体现市场非有效性。

核心结论包括：

• MIF因子在2012年至2022年中国A股市场实证回测中表现显著优于传统反转和隔夜因子，年化信息比率高达2.5，最大回撤低至2.7%。

- 与传统相关系数相比，秩相关系数计算提高了因子稳健性，降低了极端值影响。

• 换手率时点位于T-1日的设计最为合理，验证了信息时效性假设，往前移数据会显著降低预测能力。

- 对隔夜涨跌幅取绝对值是维护因子逻辑一致性的必要条件，避免了拆分子因子之间的逻辑矛盾。

• 在考虑行业因素时，以相对于所属行业的超额涨跌和超额换手率为基准构造的MIF因子，进一步提升了信息比率与月度胜率，表现更优。

- 全文附以详尽的图表（如图表1-16），系统展示因子从构造到优化多阶段的绩效验证，增强了研究可信度。

• 报告忠告因子基于历史数据，未来市场环境变动可能导致失效，强调投资中应结合多因素判断。

综上，报告系统构建、验证并优化了以隔夜跳空与换手率相关系数为核心的MIF因子，为量化投资策略提供了有力的实证支持和理论依据，具有重要的实际应用价值。

---

参考文献

国盛证券研究所，《如何将隔夜涨跌变为有效的选股因子 Q&A》， 2022年6月29日。[page::0-11]

---

（完）

报告