市场冲击指标与冲击成本相关性分析 [page::6][page::7][page::8]

• 净委买增额占比、净主动买入金额占比和大单主动净买入金额占比与冲击成本相关性稳定在0.5左右。

- 大单净买入金额占比自2018年以来相关性显著下降至约0.1，显示其预测能力减弱。

• 中性化处理剔除风格和alpha因子后，上述指标仍保有较强预测冲击成本能力。

冲击成本的线性回归预测模型和拟合效果 [page::8][page::9]

| 指标 | 开盘后半小时成交（系数） | t值 | 全天成交（系数） | t值 |
|------------------------|-------------------------|----------|------------------|----------|
| 截距项 | 0.00% | 0.010 | 0.00% | 0.013 |
| 净委买增额占比 | 0.33% | 21.198 | 0.37% | 18.081 |
| 大单净买入金额占比 | 0.19% | 11.906 | 0.24% | 11.385 |
| 净主动买入金额占比 | 0.49% | 31.557 | 0.82% | 40.280 |
| 大单主动净买入金额占比 | 0.08% | 4.625 | 0.14% | 6.574 |
| 均方误差 | 0.65% | | 0.87% | |
| R² | 0.330 | | 0.387 | |

• 两种成交模式下模型拟合均方误差稳定，R²保持在0.31-0.39。

- 净委买增额和净主动买入金额为模型解释力最大指标。

冲击成本预测应用示例与市场冲击指标行为分析 [page::10][page::11][page::12]

• 随着下单金额从10万元递增至500万，市场冲击指标分组均值差异显著扩大，显示不同股票对大额交易的承受能力存在明显差异。

- 当下单金额大于200万时，最高组市场冲击指标超过100%，超出历史成交规模，提示模型预测区间被突破。

• 全天成交假设下，资金容纳能力更强，指标极值压缩明显。

预测冲击成本对因子选股能力的影响 [page::13][page::14]

• 扣除预测冲击成本后，基本面因子和反转因子IC变化微弱，技术面因子中的换手、特质波动及非流动性因子IC下降明显，最大下降超过1%。

- 周度换仓策略下，换手因子IC下降幅度接近5%，部分因子IC因预测冲击成本惩罚导致大幅波动。

• 预测冲击成本合理调整后可强化部分因子选股能力，显示复杂作用机理。

结论与未来展望 [page::14]

• 交易行为通过挂单、撤单和市价成交三种形式影响市场，进而影响交易成本，基于市场冲击指标的线性模型能有效预测冲击成本。

- 预测冲击成本对因子表现存在正负双重影响，合理纳入成本影响有助于优化因子选股能力。

• 模型预测能力存在边界，特别是在大额资金规模下准确性降低，未来需探索更复杂非线性模型和更丰富指标提升预测能力。

资深金融分析报告解构分析报告

---

一、元数据与报告概览

• 报告标题：《选股因子系列研究（九十五）——冲击成本的预测和应用》

- 作者：冯佳睿，余浩淼（均来自海通证券研究所金融工程研究团队）

• 发布机构：海通证券股份有限公司研究所

- 发布日期：2024年2月6日

• 研究主题：围绕市场冲击成本的定义、预测模型构建以及冲击成本对因子选股能力的影响展开，属于量化选股及微观结构交易成本研究范畴

- 核心观点：
- 订单成交过程中存在多类型市场冲击，不仅仅是大单会引起价格影响，日益普及的算法交易导致高频小额成交也产生了显著影响；
- 利用四个交易市场冲击指标（净委买增额、大单净买入金额、净主动买入金额、大单主动净买入金额）与冲击成本建立相关线性回归模型，预测效果稳定且具有较好的解释力；
- 考虑冲击成本调整后的因子收益率，会对技术面因子影响较大，尤其是换手率、特质波动和非流动性因子的IC下降较多；
- 交易成本预测模型虽有一定效果，但仍受限于模型和数据，尤其大规模交易时预测能力削弱；

• 风险提示：仅基于公开信息分析，不构成投资建议，权益类产品波动较大，适合风险承受能力较强者持有。[page::0]

---

二、逐节深度解读

1. 订单成交与市场冲击分析

1.1 不同类型订单成交及市场冲击指标

报告指出，市场上的交易行为虽复杂，但最终可归纳为三种核心操作：限价单被动成交、限价单撤单、市价单主动成交。每种操作对订单簿和成交额产生不同影响：

• 挂买入或卖出限价单时，订单簿买卖盘会相应增厚，表现为净委买增额指标的变化；

- 限价单成交会增加成交金额，若交易为大单，则大单净买入金额指标发生变化；

• 市价单主动成交则影响净主动买入金额指标，且大单市价单变化也影响大单主动净买入金额指标。

通过这四大指标捕捉市场行为产生的“冲击迹象”，认为这些指标变化均可能反映股票价格的即时冲击及附加交易成本。[page::5]

1.2 冲击成本定义与市场冲击指标相关性

定义冲击成本为日内VWAP（成交均价）相较于开盘价的涨跌幅，反映交易行为对价格影响的程度。通过统计回测发现：

• 除大单净买入金额占比外，其他三个市场冲击指标与冲击成本相关性均稳定维持在约0.5水平；

- 大单净买入金额占比相关性自2018年以来逐渐减弱，近年仅0.1左右，表明其对冲击成本的解释力下降；

• 买入行为推动指标变大，卖出行为推动指标变小，从而影响VWAP相对于开盘的价格偏移。

由此确认选定指标和定义的冲击成本间具备较强正相关关系，具备用指标预测冲击成本的基础。[page::6]

• 表1展示不同市场冲击指标与冲击成本的相关性，以IC（信息系数）和ICIR衡量，数值均表明存在显著相关[page::6]

- 图1与图2展示2016-2023年分年度相关变化，趋势稳定但大单净买入金额占比相关性减弱明显[page::6]

1.3 市场冲击指标与冲击成本中性化处理

报告进一步考虑冲击指标与多种常用风格因子及alpha因子存在交叉影响，采用分行业、市值、估值等因素中性化处理后：

• 指标与冲击成本的相关性略有下降，仍保持在0.4-0.5之间（开盘半小时及全天成交均类似）；

- 通过正交分析揭示，净主动买入金额占比贡献最大，净委买增额占比和大单主动净买入占比的相关性与其他因子存在较大重合成分，但仍具有自身独特部分预测能力；

• 大单净买入金额占比独立预测能力较强，受正交影响较小；

- 中性化后冲击成本相关性提高，说明剔除行业等系统性因素后，指标对冲击成本的预测能力更为纯粹和稳健；

• 表2-4详细列出指标中性化及正交后的IC及ICIR变化，符合上述逻辑[page::7]
• 图3-4对应中性化后分年度相关性的可视化，反映了中性化提升预测稳定性，但大单指标相关逐年减弱趋势持续[page::8]

1.4 冲击成本的线性回归预测模型

基于上述四个指标，利用OLS线性回归，以中性化指标预测中性化冲击成本，得出如下结论：

• 净委买增额占比与净主动买入金额占比系数最大（估计值分别约0.33%-0.37%与0.49%-0.82%），且t值极高（20+及40+），表明统计显著；

- 大单净买入金额占比和大单主动净买入金额占比对模型贡献较小，但系数均为正，统计显著；

• 全天成交模式比开盘半小时成交模式拟合效果更好（R²分别为0.33和0.39，均方误差分别0.65%和0.87%）；

- 回归模型在时间序列上均表现较稳定，表明预测的持久可靠性；

• 回归模型的具体拟合和预测效果图（图5-8）展示了均方误差与R²随时间的变化，均较稳定，无明显边际退化[page::8-9]

2. 冲击成本预测及对因子选股能力的影响

2.1 冲击成本预测实例

报告设计了一个简单的算法交易策略的模型示例：

• 每分钟等金额下单，先将金额拆分为3个限价单挂单的被动成交，剩余部分以3个市价单主动成交；

- 假设下单总金额及大单阈值，基于订单成交结构计算四个市场冲击指标的变化；

• 通过回归模型方程预测该策略对应的冲击成本；

- 通过动态调节限价单成交比例，模拟不同交易资金占比对冲击指标的影响；

• 随着下单金额增加，四个冲击指标的变化幅度及差异急剧加大，需求超出市场成交规模时指标值突破100%，表示模型预测边界已达到极限，准确率下降；

- 开盘半小时内成交对资金承载力弱，超过200万金额时指标急剧破表；全天成交模式下，资金承载力更强，指标突破比例和风险较小[page::9-12]

• 图9-18以分10组市值排序股票下，指标随资金变化的均值曲线，清晰反映了交易资金规模对冲击指标和冲击成本预测的非线性影响趋势[page::10-12]

2.2 预测冲击成本对因子选股能力的影响

• 采用月度和周度换仓策略，分别考虑全天和开盘半小时交易情境；

- 在多种因子类别（基本面：ROE、SUE；技术面：换手率、反转、特质波动、非流动性；手工高频因子；深度学习因子）中，测算因子IC扣减预测冲击成本后的变化；

• 数据显示基本面因子及反转因子受影响甚微，但换手率、特质波动和非流动性因子IC明显下降，部分超过1%（月度）或5%（周度）；

- 部分手工高频因子和深度学习因子对冲击成本敏感性较低，甚至表现出IC略有提升的趋势（SUE、尾盘成交占比等）；

• 周度换仓模型敏感性更强，下单规模较大时冲击成本预测模型能力边界会被突破，导致IC波动幅度剧烈，特别是换手因子；

- 结论指出合理调节冲击成本惩罚阈值、界定模型作用范围，将成为后续因子选股实践中的重要课题[page::12-14]

• 图19-25清晰可视化了不同因子IC随下单资金及冲击成本调整的动态变化特征[page::13-14]

3. 总结与思考

报告总结了交易行为对市场冲击形成的多方面影响，提出通过线性统计指标及模型对冲击成本进行量化预测的思路及初步成果，强调以下要点：

• 任何交易行为均对市场产生冲击，产生额外交易成本，反映在订单簿及成交数据中的统计特征变化可用于构建预测模型；

- 目前采用的简单线性模型表现出一定预测精度和稳定性，但仍无法完全准确捕捉市场冲击，尤其是在更复杂的多档位挂单和高频策略环境下，亟待引入更复杂非线性模型；

• 预测冲击成本的应用对选股因子的收益率及IC影响复杂，合理纠正交易成本可提升部分因子的净选股能力，但过度惩罚低流动性股票则风险明显；

- 预测模型存在明显边界，尤其大规模资金交易时，模型难以准确预测市场响应，因此界定模型应用范围和改进方法是未来研究主线；

• 强调研究只基于历史公开数据，非构成投资建议，风险敞口需严格控制[page::14]

4. 风险提示与合规声明

报告明确属于研究分析性质，数据来源公开，未构成投资建议，强调权益投资风险，且声明版权及使用限制等合规内容。[page::0][page::14][page::15]

---

三、图表深度解读

核心图表与表格解读

• 表1&图1、2：展示市场冲击指标与冲击成本的相关性，清晰反映2016-2023年间除了大单净买入金额外，其他三个指标均保持较强正相关，且稳定性良好。图示中，净委买增额占比和净主动买入金额占比表现最为稳定，体现算法交易时代下更多小额订单贡献明显提升。[page::6]
• 表2-4&图3、4：中性化处理及不同指标正交分析体现了多个指标内部相关性及各自贡献，解释了多指标共线情况对模型独立变量质量的影响。中性化后相关性略有缩水，但更匹配多因子模型的实际应用需求，增强模型普适性和稳定性。[page::7-8]
• 表5&图5-8：4因子线性回归及预测模型表现，R²峰值约0.3-0.4，均方误差稳定，说明简单模型已能捕捉显著比例的冲击成本波动。预测图表稳定性展示模型应用的可靠性，为后续因子调整和交易策略优化提供依据。[page::8-9]
• 图9-18：以分组均值形式展现不同下单金额对4个冲击指标和冲击成本预测值的影响趋势。图形呈现明显正相关且非线性关系，资金规模大幅推动冲击指标比例指数级提高，明显超出市场承载能力时出现爆发式增长，提醒模型在高资金量场景下的适用性边界。[page::10-12]
• 图19-25：直观反映预测冲击成本调整后，多个因子IC的增减情况。技术面因子和部分手工高频因子的IC减少体现了冲击成本对短线敏感因子的负面影响；部分基本面因子和反转因子受益于剔除部分“虚高”收益，IC提升。周度换仓相较月度换仓对预测冲击成本更敏感，因频率高导致下单金额对冲击成本影响放大。[page::13-14]

---

四、估值分析

本报告集中于交易行为与市场冲击成本的量化模型构建和因子净收益调整，未涉及传统意义上的企业估值（如DCF、PE等）分析及目标价制定，因此不包含相关估值内容。

---

五、风险因素评估

• 主要风险集中于模型假设的简化和交易行为的复杂性之间的矛盾。如模型仅覆盖买一卖一档限价单成交情况，未考虑多档位挂单、撤单动态与高频细节，导致预测存在误差；

- 大额订单超出模型训练数据范围，导致预测冲击成本大幅波动，影响因子选股能力稳定性；

• 市场波动性、流动性变化以及算法交易策略改变会导致冲击指标与交易成本关系动态变化，影响模型适用性；

- 交易成本的实际执行与理论估计仍存在差距，投资者需谨慎评估真实成本；

• 报告声明明确分析基于公开信息，不构成投资建议，提示权益类投资风险大，适合具备一定风险承受能力的投资者持有。[page::0,14,15]

---

六、批判性视角与细节

• 模型简单性局限性：采用OLS线性回归虽保证了计算简单和稳定，但市场冲击成本尤其中高频交易特性带有显著非线性及动态特征，线性模型可能难以完整捕获复杂凹凸面，未来需引入更先进的非线性机器学习模型或微观结构模型；

- 大单指标相关性的下降：大单净买入金额占比相关性的下降可能暗示大单行为结构或市场反应机制的变化，值得进一步探究，是否因市场机制或监管变化导致大单影响减弱，或小额订单加剧市场动荡；

• 模型边界与超出风险：报告中明确提示大规模交易突破模型边界问题，表明预测冲击成本指标极端值无法良好解释，可能低估交易成本，影响决策准确性，这部分应进行更细致的边界估计或模型适用性分析；

- 因子选股能力影响复杂：扣减冲击成本对各类因子影响呈现差异，有些因子IC得到提高，有的因子IC急剧下滑，暗示冲击成本调整应结合因子特性灵活应用，避免“一刀切”，同时留意月度与周度换仓频率对交易成本敏感性的差异；

• 数据和样本覆盖：研究样本时间主要覆盖2016年初至2023年，涉及周期较长，但市场微结构及算法交易策略快速演进，部分结论或需要动态更新验证。

---

七、结论性综合

1. 报告创新点在于将高频订单簿及成交行为归纳为四个市场冲击指标，并定义交易当日VWAP相对开盘价的涨跌幅为冲击成本，构建线性模型实现基于简单指标的冲击成本预测。该思路清晰，结合了微观结构与量化因子选股。
2. 实证结果表明，除大单净买入金额占比外，其他三个指标与冲击成本均有较强且稳定的相关性；中性化、正交处理确保模型字段独立性，提升预测精度及稳定性；模型整体R²约0.3-0.4，预测均方误差稳定于0.6%-0.9%附近。
3. 预测冲击成本应用于因子调整后，显示技术面因子尤其换手、特质波动和非流动性因子IC显著下降，部分因子IC提高，暗示冲击成本调整有助于剔除部分交易成本噪声，提升净选股能力，但也可能过度惩罚部分流动性差股票。
4. 图表深入展示了不同下单金额规模对四大冲击指标及冲击成本的非线性影响，揭示资金规模在模型预测能力中的临界边界，尤其开盘半小时内交易的资金承载力远低于全天交易。
5. 局限性和风险明确，模型当前仍为简化线性形式，未来需拓展更多非线性高维指标，完善边界判定，深入研究不同市场环境和算法交易策略对冲击成本预测的适用性。
6. 投资者与研究者需警惕，冲击成本预测虽可辅助改进交易成本估计及因子优化，但非万能，交易策略设计及下单规模须结合冲击成本模型结果谨慎调整。

综上，本报告提供了一个系统性的冲击成本预测框架，结合细致的指标设计、统计验证、典型交易模型应用及因子表现调整分析，为量化选股与算法交易成本管理提供理论和实证支撑，具有高度实用价值和研究意义。[page::0-14]

---

附：部分关键图表预览

• 图1 市场冲击指标与冲击成本相关性（开盘后半小时内）

- 图5 冲击成本线性回归模型拟合效果（开盘后半小时）

• 图9 净委买增额占比十组均值（开盘后半小时，随下单金额）

- 图13 冲击成本预测值十组均值（开盘后半小时）

• 图19 基本面因子月度IC扣减冲击成本差值

（以上为报告中部分核心图示及表格的示意，根据文中完整内容和标注整合）

---

总结：本报告实现了市场冲击成本从高频交易数据出发，通过线性回归等统计方法建立定量指标和预测模型的落地实践，有效结合交易成本管理与因子投资表现分析，是量化交易与因子研究领域的重要参考文献。[page::0-14]

---

报告