• 反转因子(ret20)在A股市场长期呈现反转效应，主要在空头端区分能力强，而多头端区分较弱，且存在阶段性失效风险，尤其在2017、2020-2021、2023年出现明显失效现象 [page::1][page::2]。

• 筹码结构通过估算股票250日内成交均价及换手率迭代推测持仓成本分布，以比亚迪为例展示筹码分布，反映市场资金的历史成本和浮盈浮亏分布，提供市场持仓成本的共识锚定 [page::2][page::3]。

• 筹码收益因子衡量当前价格相较历史筹码成本的相对收益，因子表现呈周期性变换，牛市阶段呈动量效应，熊市阶段呈反转效应；市场赚钱效应指标（筹码收益加权均值）反映整体投资者盈亏状态和风险偏好（risk-on/risk-off）切换 [page::3][page::4]。

• 筹码收益调整因子定义为：筹码收益乘以市场赚钱效应符号，实现了动态择时动量与反转效应。调整后因子IC均值6.67%，年化ICIR1.56，十分组多空年化收益25.1%，信息比率1.464，表现明显优于单纯筹码收益因子 [page::5]。

• 对筹码收益调整因子回溯期（20至500日）进行敏感性测试，结果显示250日回溯期表现最佳，IC均值7.55%，年化ICIR1.82，因子表现对回溯参数敏感度适中 [page::6]。

• 结合市场赚钱效应对反转因子(ret20)进行择时调整(ret20adj)，提升因子多头表现与整体稳定性，IC均值由6.16%升至6.35%，年化ICIR由1.48提升至1.54，多空收益显著提高（19.1%提升至26.8%），最大回撤降低 [page::7]。

• 筹码成本替代传统均线价格作为成本锚定能更准确区分多头端表现，均线收益调整因子多头区分能力较弱，筹码收益因子则能有效判断短期超跌股票多头后续表现，两个个股超跌案例鲜明支持该结论 [page::8][page::9]。

• 筹码收益调整因子在市场赚钱效应切分阈值-2%时表现最佳，IC均值7.55%，且剔除阈值附近的月份后因子表现持续提升，说明市场出现明显风险偏好状态时因子可信度更高 [page::9][page::10]。

• 筹码收益调整因子与Barra风格因子相关度较低，与动量和反转因子呈适度负相关，体现较好补充性 [page::10]。

- 筹码收益调整因子在不同调仓频率（1周至12周）中表现优异，1周调仓年化ICIR最高为2.009，月均多空收益3.57%；随调仓周期增加表现弱化。故优选周频调仓筹码收益调整因子 [page::11][page::12]。

• 筹码收益调整因子和反转因子存在负相关，互补性强。通过合成筹码收益调整因子多头端与反转因子空头端构建筹码收益增强因子(holdingret_enhanced)，IC均值显著提升到9.91%，年化ICIR2.76，月频多空年化收益36.6%，信息比率2.405，回撤与胜率表现出色 [page::13][page::14]。

• 合成因子在周频维度测试同样表现优异，IC均值6.90%，年化ICIR3.823，周频多空年化收益60%，信息比率3.17，最大回撤17.1%，胜率66%，较月频空头收益有显著提升，换手率也相对更高 [page::14][page::15]。

• 在沪深300、中证500和中证1000成份股的分域测试中，月频因子在沪深300内年化多空收益24.2%，信息比1.311，周频因子在中证1000内表现更优，年化多空收益达52.3%，信息比2.981，最大回撤 8.9%，表现最稳定且优异 [page::16]。

筹码结构视角下的动量反转融合 | 开源金工 — 详尽分析与解读

---

一、元数据与报告概览

• 标题： 筹码结构视角下的动量反转融合

- 作者： 开源证券金融工程首席分析师魏建榕，资深分析师张翔等

• 发布机构： 开源证券金融工程团队

- 发布时间： 2025年4月17日-18日

• 研究主题： 基于筹码结构的量化选股因子研究，融合反转与动量特征，构建筹码收益增强因子，实现选股策略收益稳定提升。

- 核心观点：
- 以筹码结构为切入点，改进传统反转因子多头端表现不足的问题。
- 筹码收益因子动态反映市场情绪，实现动量与反转效应的切换择时。
- 结合筹码收益调整因子与反转因子形成增强因子，显著提升多空收益和因子稳定性。

• 目标： 深入刻画筹码结构估计及作用原理，验证其在不同市场状态下的择时优势及预测能力，推动股票选股模型迭代。

整体来看，报告围绕筹码结构如何补足传统因子不足展开，系统梳理数据处理方法及实证表现，展现该因子具备显著的投资实用价值和量化择时增量信息。[page::0,1]

---

二、逐节深度解读

2.1 反转因子局限及筹码结构引入动机

• 反转因子分析：

- 传统反转因子(ret20，即近20日涨幅的反转效应)能较好捕捉价格过度反应后均值回归，但其多头端表现不足，表现为多头股的升势辨识度弱，造成信号利用率下降。
- 从因子IC和十分组收益分布看，反转因子空头端区分效果明显，表现为涨幅高的组未来收益显著较差，反转效应清晰（图1、2、3、4）。
- 反转性阶段性失效现象明显，2017年、2020-21、2023年均有显著失效期。

• 筹码结构引入原因：

- 20日前价格基准（反转因子锚点）存在估计偏误，缺乏市场共识锚定，导致多头端表现弱。
- 筹码结构能通过估算市场资金在不同价格上的持仓分布，推算投资者持仓成本，从而构建有效的价格锚定，有助于精准判断价格偏离持仓成本的幅度，刻画买卖力量平衡。

总结：筹码结构提供了更市场化的持仓成本估计，有望弥补反转因子多头识别不足，实现因子性能提升。[page::1,2]

2.2 筹码结构估算方法及个股示例

• 筹码结构估算方法：

- 利用历史成交均价和成交额，结合日换手率递减权重，假设“筹码均匀换手”，递推计算过去250日筹码的留存分布。
- 公式：$RsdAmt{T-k}^T = Amt{T-k} \times \prod{T-k+1}^T (1 - Turnoveri)$，对成交均价与对应存量筹码作加权，得到筹码成本分布。
- 忽略250日以前筹码，考虑换手减弱。

• 个股示例： 以比亚迪为例显示筹码分布，绿色区域为浮亏筹码，红色为浮盈筹码，展现筹码持仓的价格分布与浮盈亏结构，辅助分辨投资者持仓强弱和市场心理（图5）。

该估计方案基于数据的可获得性，虽有强假设，但能较好反映市场筹码结构，形成价格认知和投资者行为的代理变量。[page::2,3]

2.3 筹码收益因子及市场赚钱效应动态择时

• 筹码收益因子定义和表现：

- 筹码收益为当前价格相对于筹码加权平均持仓成本的超额收益指标。
- 因子在全市场选股中表现为周期性出现动量或反转特征，表现出依赖市场状态的非线性反应。
- 牛市阶段（如2017年、2019-2021年）呈现动量现象；熊市阶段则表现反转特征（图6、7、8、9）。

• 市场赚钱效应（market holding return）：

- 通过全市场筹码收益加权平均，反映整体盈利或亏损状态。
- 该指标作为投资者情绪和风险偏好的代理：
- 赚钱效应好（正）：投资者自信，增加风险偏好（risk-on），对应市场惯性动量。
- 赚钱效应差（负）：投资者风险偏好下降（risk-off），触发反转行为。
- A股长期赚钱效应偏负，造成偏向反转效应（图10）。

• 构建筹码收益调整因子：

- 筹码收益因子乘以上述市场赚钱效应符号，实现择时调整：
$holding\ret\adj=holding\ret \times sign(mkt\holding\ret)$。
- 因子IC从4.55%提升至6.67%，多空组合收益和排序显著改善，验证动态择时的增量价值（表1、图11、12、13、14）。

• 细节： 因A股赚钱效应大部分时间负，导致该因子多头表现优越，空头表现较强，多空组合收益约25.1%年化，信息比率1.464，最大回撤10.3%（表2）。

总结：将宏观市场赚钱效应引入筹码收益调节，实现对动量和反转效应动态切换，显著提升因子预测能力和策略表现。[page::3,4,5]

2.4 筹码收益调整因子参数敏感性及增量信息验证

• 回溯期敏感性：

- 对回溯计算跨度测试20-500日，250日窗口性能最佳，均衡多空超额收益和因子稳定性（图15、表3）。
- 回溯期过短（20日）捕捉信息不足，过长（500日）因子信息滞后。

• 与传统均线因子的差异：

- 将均线收益因子（价格相对均线的偏离）做同样赚钱效应择时调整进行对比，均线因子表现次于筹码收益调整因子，尤其是多头端区分度较弱，空头端优势明显（表6，图18）。
- 筹码成本作为更精准持仓锚定，提升了多头端区分能力。

• 超跌个股案例验证：

- 个案比较（中国中铁、百润股份）体现筹码收益因子更准确预测未来股价走势，尤其区分超跌个股未来趋势（图19、20）。

• 市场赚钱效应切分阈值优化：

- 选取不同切分阈值测试，最优阈值为-2%（即亏损2%为转折点），调整占比37.5%，此时因子IC均值7.55%，年化ICIR1.821，收益最大（表7、10）。
- 剔除靠近阈值的不确定月份后，因子表现持续上升，表明明确的风险偏好阶段下信号更强。

• 切分频率调仓测试：

- 从1周频至12周频遍历测试，短频率动量择时信号更活跃，1周频ICIR最高，考虑交易成本折中选用周频调仓（表10、图26-29）。
- 周频对应年化单边换手约8倍，高于月频3.58倍，代表更频繁持仓调整。

• 因子相关性验证：

- 筹码收益调整因子与Barra动量、反转因子均呈负相关(-15%)，与其他风格因子相关性极低(<10%)，体现良好的独立性和互补性（图21）。

总结：筹码收益调整因子参数选择合理，择时依赖市场赚钱效应动态阈值，结合周频调仓实现较高稳定性和预测能力，提供了明显超过传统均线因子和单一反转因子的增量信息。[page::5,6,7,8,9,10,11]

2.5 筹码收益增强因子构建与表现

• 增强因子构建逻辑：

- 反转因子在空头端区分度强，筹码收益调整因子在多头端表现优异，两者互补。
- 因子IC分布图显示两者不同时间段轮流显著（图30）。
- 组合公式：
$$holding\ret\enhanced = ret20 \times (1 - ret20) + (1 - ret20)\times holding\ret\_adj$$

• 因子表现（以$-2\%$市场赚钱效应阈值为例）：

- 月频因子IC均值9.91%，年化ICIR2.76，月胜率80%，多空组合月均多头超额1.19%，空头-1.56%，多空收益2.75%（图31、32）。
- 十分组表现稳定，兼具两因子优势，多空组合年化收益36.6%，信息比率2.405，最大回撤10.3%，卡玛比率3.556（图33、34，表12）。

• 周频增强因子：

- IC均值6.90%，年化ICIR3.823，胜率71.8%（图35、36）。
- 多空组合年化收益60%，信息比率3.17，最大回撤17.1%（图37、38；表13）。
- 相较月频，周频在空头收益的区分力更强，多头表现相近。

• 换手率对比及分年度表现：

- 月频平均年换手3.58倍，周频8.14倍，表现稳定（表14）。
- 自2016年以来两频率因子多空超额都很稳定，2020年后周频空头优势更加明显（图39、40）。

总结：通过多头端筹码收益调整与空头端反转因子合成，构建出的增强因子在多空表现、收益率和信息比率均优于单因子，展示了因子互补和选股策略深化的强大价值。[page::12,13,14,15]

2.6 因子在不同资产域的验证与风险提示

• 分域表现：

- 月频与周频在沪深300、中证500、中证1000三个指数成分股均表现良好，但在中证1000表现尤为稳定且显著优于其他指数（图41、42）。
- 具体数据：
- 沪深300月频年化多空收益24.2%，信息比率1.311。
- 中证500周频年化多空收益22.5%，信息比率1.195。
- 中证1000周频最高，多空收益52.3%，信息比率2.981（表15）。

• 风险提示：

- 所有模型基于历史数据回测，未来市场结构、行为和动态可能发生变化。
- 投资者应注意因子在极端环境或结构变迁期间可能失效。

---

三、图表深度解读

• 图1-4（反转因子表现）

- 反转因子IC均值6.16%，表现越来越差，累计RankIC持续下行；空头端超额收益强，多头端表现差（图1-4），验证反转因子多头乏力且阶段性失效问题。

• 图5（筹码结构示意）

- 比亚迪的筹码分布展示筹码成本及浮盈亏分布，绿色为浮亏，红色为浮盈，反映市场所处的资金成本区间，有助于捕捉市场支付意愿。

• 图6-9（筹码收益因子表现）

- 筹码收益因子呈现周期性反转及动量特征，IC均值4.55%，阶段性效应明显，十分组分布排序较均匀但表现季节性波动。

• 图10（市场赚钱效应历史变化）

- 长期负赚钱效应导致市场更易反转，极少数正赚钱效应对应风险偏好切换。

• 图11-14（筹码收益调整后表现）

- 调整后IC均值提升至6.67%，多空表现显著改善，最大回撤降低，排序更稳定。

• 图15-16、表3、4（参数和择时调整）

- 回溯区间250天最佳；市场赚钱效应加持的反转因子择时后多空月均收益和IC均有提升，最大回撤下降。

• 图18-20（均线对比案例）

- 均线因子择时后有所提升，但多头区分度弱，案例分析显示筹码成本更能辨识超跌后是持续超跌还是反转超涨。

• 图21（因子相关性）

- 筹码收益调整与反转、动量反因子负相关，独立性强，符合互补特性。

• 图22-25（筹码收益调整最新测试）

- 十分组多空年化收益32.5%，信息比率1.98，有效控制回撤。

• 图26-29（周频调整）

- 周频调仓表现进一步优化，多空年化收益47%，信息比率2.35，最大回撤19.1%。

• 图30-34（增强因子及月频表现）

- 因子整合效果显著，多空组合年化收益36.6%，信息比率2.41，最大回撤10.3%，排序稳定。

• 图35-40（增强因子周频表现与年度统计）

- 周频因子信息比提升至3.17，多空收益60%，相较月频表现更强，年度表现平稳，风险可控。

• 图41-42（分域多空收益）

- 中证1000表现最佳，显示在中小盘或更细分市场中筹码因子有效性更强。

---

四、估值分析

报告主要聚焦于因子构造与实证测试，未涉及传统估值模型（DCF、市盈率等）构建，核心贡献在于市场行为金融视角下实现因子动量与反转择时，精细化刻画筹码分布及持仓成本，实证验证其显著的增强选股能力。

---

五、风险因素评估

• 模型基于历史数据，未来市场环境、政策、投资者结构、流动性等因素变化可能影响因子效率。

- 筹码持仓成本估算依赖换手率等假设，非完全真实持仓分布可能导致测算偏差。

• 策略在极端行情或市场状态快速切换阶段可能出现调整失灵和阶段性失效。

- 交易频率（如周频）相对较高，可能导致交易成本、滑点风险的增加，实际执行需考虑成本控制。

• 因子信号依赖市场赚钱效应，极端头部或尾部效应需额外关注。

---

六、批判性视角与细微差别

• 报告核心假设为以换手率均匀替代历史持仓筹码，虽实用但存在估计误差，可能影响筹码结构的精度。

- 筹码收益调整因子虽有择时优势，但对市场赚钱效应的界定、阈值选择依赖历史经验，多数时间赚钱效应负，反映市场特质，可能限制模型通用性。

• 增强因子虽综合两主要信号，但组合方式设计较为简单，后续可探索非线性或机器学习方法优化策略效果。

- 报告缺少对实际交易成本、滑点、规模适应性的深入讨论，量化策略落地时需补充。

• 反转因子和筹码因子的反相关性虽可互补，但考虑到市场因子机理复杂，未来可能出现多时点二因子同时表现疲软的风险，需进一步分解市场状态。

---

七、结论性综合

本报告系统地提出并验证了基于筹码结构的持仓成本估计方法，突破了传统反转因子多头端性能不足的瓶颈。从市场状态（赚钱效应）动态择时入手，实现筹码收益因子的动量与反转效应精准切换，构建了表现稳定且信息含量显著提升的筹码收益调整因子。

进一步，报告创新性地融合筹码收益调整因子与传统反转因子，构建筹码收益增强因子，因子IC均值月频达9.91%，年化ICIR高达2.76，十分组多空年化收益36.6%，信息比率2.41，最大回撤10.3%，月胜率达73%。周频版本表现更优，多空年化收益达到60%，信息比率3.17，最大回撤17.1%，显示了因子在不同频率、市场区间的良好适应性和稳健性。

乖离传统均线收益因子，筹码收益因子以持仓成本为代表的市场共识锚点为选股提供独特视角，有效提升了多头行情中个股超跌反弹的捕捉能力。如个股中国中铁与百润股份案例所示，筹码收益因子更准确判断超跌后的后续行情。

分域测试显示，因子在中证1000等中小市值区间表现最佳，适合更细分市场结构挖掘。

报告最后指出，尽管模型展现良好历史表现，风险仍然存在：模型基于历史数据，未来市场结构演变不确定；换手率估算筹码存在强假设；交易成本与流动性风险待详细研究。

综上所述，筹码结构因子与反转因子的融合为选股策略增添了重要的微观结构信息和行为金融特征，推动量化选股方法的进一步迭代和完善，具有较高的理论价值和应用前景。[page::0-16]

---

参考关键图表举例

• 图1-4： 反转因子长期IC呈下降趋势，多头端表现不佳。

- 图5： 比亚迪筹码成本分布直观展示筹码浮盈亏状态。

• 图10： A股市场赚钱效应长期偏负，支持反转因子风格。

- 图11-14： 筹码收益调整因子明显改善IC及多空收益。

• 表1、2、3、7、10、15： 各类因子指标比较及参数敏感性，展现筹码收益调整因子和增强因子优越性能。

- 图30-34，图35-40： 增强因子月频及周频IC及十分组收益表现。

• 图41、42： 增强因子在沪深300、中证500、中证1000不同市场中的有效性。

---

补充说明

• 本报告多处结论均基于Wind及开源证券研究所2016年初至2025年3月末的市场数据。

- 因子IC（信息系数）作为选股信号预测能力的重要指标，为标准排名相关系数。

• 月/周频调仓带来不同的交易成本及频率权衡，投资者需结合实际策略设计权衡使用。

---

综上所述，报告通过筹码结构深化反转因子研究，技术方法与实证意义并重，呈现了较为系统的中国市场选股策略研究成果，值得在实际量化投资中进一步尝试与优化。

报告