• 博弈因子基于挂单价格变化判断买卖主导，构建比值反映多空力量，2005年至今在全市场及中证800均表现出一定的超额和多空收益，尤其2015年表现突出，但近年有波动 [page::2][page::3]

• 资金流向因子通过时间段收盘价涨跌对成交额归属主动买入或卖出，分组结果显示中证500内部具备一定的超额收益和多空收益，沪深300内则排序线性差 [page::4]

• 批量成交划分法创新地将价格变动幅度映射为买卖驱动力占比，用t分布累计函数实现连续估计，形成朴素主动占比因子，并体现一定的多空收益能力，但超额收益有限[page::4][page::5][page::6]

• 基于收益率及其标准化处理，进一步构建了T分布、正态分布、置信正态分布及均匀分布主动占比因子，回测数据显示全部因子均有一定的多空收益，其中正态和均匀分布因子稳定性最佳[page::8][page::9][page::10][page::11][page::12][page::14]

• 各分布构建因子整体风险指标显示，置信正态分布与均匀分布因子的IC和ICIR表现最优，朴素因子次之，T分布和标准正态表现相对较弱[page::14]

| 指标 | 朴素 | T分布 | 标准正态 | 置信正态 | 均匀 |
|------------|---------|---------|----------|----------|---------|
| IC | -5.78% | -5.35% | -5.27% | -7.22% | -7.30% |
| ICIR | -63.35% | -50.71% | -49.63% | -78.64% | -81.53% |
| 超额收益(%) | -1.09 | -1.85 | -1.66 | 0.28 | 0.68 |
| 多空收益(%) | 17.00 | 14.96 | 15.11 | 20.12 | 20.15 |
| 多空夏普比 | 1.81 | 1.37 | 1.37 | 1.84 | 1.90 |

• 主动成交占比因子存在头部排序非线性现象，采用线性分段函数与对勾函数进行非线性调整后，因子表现进一步增强，特别是超额收益和信息比均有所提升[page::15][page::16][page::17]

• 风格因子中性处理后，主动成交占比因子超额收益显著衰减，但因子依然在空头组维持较强的多空收益，且与反转因子及波动率因子相关较高，表明收益来源仍为市场交易行为[page::18]

• 研究总结指出，不同分布估计方法构建的主动成交占比因子均具备较强的选股能力，价格变动方向和幅度是核心划分依据，非线性映射改进因子提高了头部组选股效果，风格中性后失去超额收益但仍具多空收益，验证了其在量价因子中的独特作用 [page::19]

《分布估计下的主动成交占比》报告详尽分析

---

一、元数据与概览

• 标题：分布估计下的主动成交占比

- 发布机构：长江证券研究所，数据来源天软科技

• 发布日期：2020年8月17日

- 文档长度：约19页

• 主题：本报告围绕“主动成交占比”因子展开，通过不同的统计分布估计方法，探讨如何刻画和分解主动买卖成交的市场行为，以指导股票量价因子的构建和选股应用。

核心论点：

• 主动成交占比反映市场主动买卖力量的对比，是刻画价格偏离价值的重要因子；

- 多种分布（T分布、正态分布、均匀分布）被利用来映射价格变动至主动成交占比；

• 因子回测显示，主动成交占比因子具有一定的选股能力，尤其是采用置信正态分布和均匀分布映射下表现更稳健；

- 头部排序存在非线性问题，提出线性分段和对勾函数非线性映射策略进行优化；

• 因子和反转、波动率因子相关性较高，多空收益稳定，但超额收益有限，风格中性后收益有所减弱。[page::0, 2, 3, 4, 5, 6, 8, 9, 14, 15, 18, 19]

---

二、逐节深度解读

2.1 从博弈因子说起（第2页）

• 内容总结：介绍了“博弈因子”的定义及构建方法，即通过逐笔成交价与前一笔买一、卖一价比较，划分为主动买卖成交量。以主动买卖成交量的比率构造因子，反映买卖双方博弈力量。

- 推理依据：价格大于上一买一价时，买方成为主动力量，反之卖方成为主动力量。因子测度多头力量相对于空头力量的大小。

• 数据点：2005年至今因子在全市场与中证800中回测显示，整体呈现一定超额收益和多空收益，特别2015年表现突出，但后期波动明显。

- 意义：表明主动买卖力量的衡量能有效反映交易行为与价格动态，但在不同市场环境下表现波动。[page::2,3]

2.2 如何刻画主动买卖及资金流向因子（第3-4页）

• 主动买卖刻画方法：

- 比较当前价与上一买一、卖一价辨别买卖主动性，价格上涨由买方推动，价格下跌由卖方推动；
- 该方法主要用成交价格变化方向作为买卖驱动划分。

• 资金流向因子：

- 基于收盘价的涨跌确定资金流入流出，成交额乘以涨跌符号计算；
- 这种方法属于时间维度划分，区分买卖驱动。

• 核心发现：

- 资金流向因子在中证500表现一般，沪深300线性排序差；
- 绝对划分（非主即主）导致估计误差较大，因大部分成交时间段买卖双方均有驱动力；
- 强调从指示性（0，1）划分转为连续分布估计以提升准确度。[page::3,4]

2.3 批量成交划分法及朴素主动占比因子（第4-6页）

• 批量成交划分法：

- 通过价格变动幅度的连续函数映射，实现买卖力量占比的连续划分；
- 使用t分布累积分布函数，将价格变动标准化后映射到主动买入比例。

• 朴素主动占比因子：

- 基于批量成交划分法改进资金流向因子；
- 回测显示在全市场和中证800均有多空收益但超额收益有限，部分年份出现回撤，说明稳定性不足。

• 关键数据及逻辑：

- 价格变动幅度越大，买卖驱动力量越强，买卖占比越确定；
- 连续划分克服了传统分段指标的缺陷，形成更细致的买卖驱动力刻画。[page::4,5,6]

2.4 不同分布映射主动占比因子设计（第8-12页）

• 映射函数设计考虑：

- 选择函数应满足映射值在0到1间，单调递增，且满足买卖对称性；
- 以收益率（一阶导数）为自变量，避免价格级数效应影响估计；

• 各分布因子具体设计：

- T分布因子：收益率经波动率标准化后，以t分布累积分布函数作为映射函数；
- 标准正态分布因子：一是标准化收益率下映射，二是未标准化收益率基于涨跌停线性映射；
- 置信正态分布因子：利用95%置信区间对收益率线性截断处理，更好兼顾涨跌停限制；
- 均匀分布因子：采用均匀分布累积映射，对价格变动幅度映射较为均匀。

• 数据及表现：

- 各因子均表现一定的多空收益，稳定性因分布选用而异；
- 置信正态与均匀分布下表现最优，IC值约-7.2%，多空夏普比接近1.9，[page::8,9,10,11,12,14]

2.5 非线性映射优化与因子表现（第15-17页）

• 头部非线性的本质：

- 价格变动与价值偏离存在两类属性：市场过度反应与接近价值状态；
- 头部组样本存在线性排序劣化，影响超额收益挖掘；

• 优化方法：

- 线性分段函数：针对前10%分位做逆向调整，其他部分保持原值；
- 对勾函数：10%位置设为函数极小值，符合主动买卖力道非线性逻辑；

• 优化效果：

- 调整后因子在全市场与中证800多空收益及超额收益均有提升，分组线性改善；
- 但整体超额收益提升有限，信息比等指标显示改进幅度中等，且后续回撤仍存在。[page::15,16,17]

2.6 风格中性调整效果及相关性分析（第18页）

• 背景：主动成交占比因子与反转因子和波动率因子相关较高，剔除风格因子影响后，因子超额收益消失，多空收益显著下降。

- 具体表现：
- 因子风格中性后，信息指数IC下降至较低负值，超额收益转负；
- 多空收益依然存在稳定表现，表明因子捕捉的主要是空头压制等非风格信号；
- 相关性数据显示主动成交占比因子与反转因子、波动率因子相关系数30%以上，高于其他风格因子，揭示因子收益来源的结构性关联。

• 由此推断：主动成交因子对风格性因子存在显著依赖，需注意其在投资组合中的替代和共线风险。[page::18]

---

三、图表深度解读

图1-2：全市场及中证800博弈因子净值回测

• 多条颜色曲线体现不同分组组合回测净值趋势，灰色曲线为基准指数；

- 2005-2015年整体向上，2015年达到峰值，后续波动显著下滑。

• 说明博弈因子有效捕捉市场多空力量博弈，使得投资组合获得超额收益。

图3-4：资金流向因子回测及分组超额收益

• 图3显示资金流向因子在中证500内分组净值差异可见，突出表现于部分区间。

- 图4的条形图显示，资金流向因子在沪深300效果较差，部分分组呈负超额收益。

• 指出资金流向因子在细分市场更有效，但整体持有期不够稳定。

图5-6：朴素主动占比因子回测

• 显示因子在全市场和中证800的多空收益区分但缺乏连续稳健的超额收益。

- 回测曲线起伏显示波动性较大，部分年份负收益显著。

表1-7：分年风险指标及整体表现

• 超额收益、信息比（IC/ICIR），多空收益和夏普比作为核心风险效益指标；

- 表7显示置信正态及均匀分布因子IC及ICIR优于其他因子，强调因子表现优越性。

图7-10：T分布及标准正态分布因子净值表现

• 概览T分布与标准正态分布映射下因子走势，整体趋势与朴素因子类似，表现均有波动。

- 观察净值增长及回撤幅度，标准正态因子在全市场表现稍优。

图11-12：置信正态分布因子回测

• 净值曲线显示稳健提升趋势，涨跌幅度较为平缓，波动性较小。

- 表5数据佐证其在多空收益和信息比方面均取得较好表现。

图15-18：非线性函数及改进后回测

• 图15展示线性分段函数，图18展示对勾函数，显示两种非线性调整方式曲线形态。

- 图16-17改进后因子净值在全部市场及中证800较之前更平滑，分组表现更连续。

• 表8-9风险指标显示非线性变换略有提升超额收益和信息比。

图21-22：风格中性后净值回测

• 因子剔除风格因子影响后表现明显衰减，但多空收益稳定；

- 说明主动成交因子收益很大程度依赖于风格因子结构。

---

四、总结与结论

核心贡献：

• 本文系统构建并比较了多种基于不同分布映射的主动成交占比因子，提出了从价格涨跌和成交额出发，结合统计分布密度映射，细腻刻画主动买卖力量的经典创新方法。

- 利用大规模历史数据回测，揭示这些因子的选股能力及其非线性特征，提供了相关非线性函数变换优化。

• 显示主动成交占比因子在研究价格偏离价值、捕捉交易行为中的实用价值和潜力。

关键结论：

• 主动成交占比因子体现了市场买卖主动性差异，因子在全市场及中证800均能生成有效多空收益，特殊映射函数（置信正态与均匀分布）表现较优。

- 头部排序的非线性特征明显，采用线性分段和对勾非线性映射可改善排序表现和增强因子信号。

• 因子与反转及波动率因子高度相关，风格中性后因子超额收益显著减弱，表明主动成交占比因子与传统量价反转型因子存在共性成分。

- 实践中需结合风格因子及交易行为多维度调整，控制共线风险，才能最大化利用主动成交占比因子的选股优势。

整体评价：

• 报告结构清晰完整，从理论构建到实证检验，严谨细致地探讨了主动成交占比因子的构建与优化。

- 回测分析涵盖全市场、大中小市值分层，考虑了时间窗口内因子表现的波动性。

• 充分利用统计学分布理论指导量化因子设计，是数据驱动交易策略开发中的典范。

- 然而，因子对风格因子的高度依赖和选股时序非线性仍是后续研究重点，应考虑结合非线性机器学习方法或多因子集成以进一步提升稳定性和超额收益。

---

五、图表示范Markdown索引

• 图1：

- 图3：

• 图5：

- 图7：

• 图9：

- 图15：

• 图16：

- 图18：

• 图21：

---

以上分析综合了报告中的文字、公式以及全部主要图表及表格，清晰勾勒出报告的理论起点、因子设计路径、实证表现及改进思路，为投资因子研究者提供了详尽的理解框架与实践指导。[page::0-19]

报告