流通股本分布方法论与模型构建 [page::2][page::3][page::4]

• 流通股本分布研究投资者不同价格持股数量，揭示供给压力与市场稳定性。

- 引入M型分布假设，强调开盘和收盘价附近成交密集，优于传统三角或均匀分布假设。

• 通过盈利盘（红色）与亏损盘（绿色）股本比例状态，展示市场获利或亏损结构。

基于FSD构建的行业轮动策略与因子体系 [page::6][page::7][page::8]

• 按中信行业拆分40个重构行业，筛选上方阻力最小且获利效应较好的前8个行业等权周度调仓。

- 因子涵盖盈利盘分布、亏损盘分布及股本年龄结构，用于横截面行业评分。

• 2018-2024年回测显示组合年化收益约20.86%，最大回撤-25.38%，夏普比率显著优于基准。

| 组合 | 收益率 | 波动率 | 最大回撤 | sharpe |
|--------------|-----------|---------|-----------|----------|
| 万得全A | -0.01% | 19.39% | -37.17% | -0.155 |
| 行业轮动组合 | 20.86% | 21.41% | -25.38% | 0.834 |

构建超跌反弹信号及其回测表现 [page::8][page::9][page::10]

• 信号基于获利股本比极低（≤10%）、股本价格断层以及底分型，反映缩量下跌后潜在反弹。

- 2017-2024年复盘40行业指数超跌反弹信号，5日平均收益4.56%，胜率71%，盈亏比1.87。

• 利用10日均线作为卖点优化后，胜率提升至76%，盈亏比提升至2.3。

| 指标 | 5日收益率 | 胜率 | 盈亏比 | 10日收益率 | 胜率 | 盈亏比 |
|----------------|-----------|-------|---------|------------|-------|---------|
| 超跌反弹信号 | 4.56% | 71% | 1.87 | 7.22% | 62% | 1.66 |
| 优化均线卖点 | — | 76% | 2.3 | — | — | — |

平台突破与顶部信号设计及回测 [page::11][page::12]

• 平台突破定义为换手率低（≤70%分位），获利盘比率提升超过30%。

- 平台突破信号5日及10日平均收益分别为3.3%、5.1%，胜率约60%，盈亏比在1.45~1.7。

• 顶部信号基于高获利盘(≥90%)加股价回调获利盘下降≥25%，信号后指数波动提升，防范回撤。

| 信号类型 | 后5日平均收益率 | 持有5日胜率 | 盈亏比 | 后10日平均收益率 | 持有10日胜率 | 盈亏比 |
|-----------|-----------------|-------------|---------|------------------|--------------|---------|
| 平台突破 | 3.30% | 62% | 1.45 | 5.10% | 61% | 1.70 |

FSD模型优化及数据扩展应用 [page::13][page::14][page::15]

• 融资融券数据反映追涨杀跌行为，净买入与股价正相关，融资买入收益率低于整体平均，盈利差距用于底部区域识别。

- Level2大单成交数据辅助细化流通股本分布计算，虽然单纯大单占比对择时较弱，但增强了模型的微观解析能力。

金融工程报告详尽分析 —— 利用流通股本分布寻找上涨信号

---

一、元数据与报告概览

• 报告标题： 《利用流通股本分布寻找上涨信号 —— 量化技术分析系列之一》

- 作者及团队： 张晗（分析师），卢开庆、梁誉耀（研究助理），均隶属于国泰君安证券金融工程团队

• 发布日期及机构： 国泰君安证券，最新信息截至2024年第一季度

- 研究主题： 利用流通股本分布（Flowing Shares Distribution，以下简称FSD）通过量化技术分析，辅助投资策略，寻找股价上涨信号。

• 主要内容简介： 本报告通过建立基于流通股本分布的技术分析框架，结合行为金融学假设，提取多因子量化指标构建投资组合与选股信号，包括行业轮动策略和个股指数择时信号，回测验证了方法的有效性，为主动管理和量化选股提供工具支持。

- 核心观点与结论：
- 流通股本价格分布能反映投资者行为，从而捕捉股价上涨的内部信号。
- 利用流通股本分布构建的行业轮动策略显著优于宽基指数，年化收益超过20%。
- 构造的超跌反弹及平台突破三大信号，具有显著的上涨预测能力和良好盈亏比。
- 模型结果仅代表历史数据中风格及行业相对强弱的预期，不直接预测点位或保证未来收益，强调风险提示及投资谨慎原则。[page::0,1]

---

二、逐节深度解读

1. 流通股本分布方法论介绍

1.1 研究目的及基本假设

• 目的在于通过分析不同价格档位的流通股本数量分布，了解投资者的盈利与亏损结构，进而判断市场潜在的卖压或买盘动力。

- 假设基础：
- 市场参与者的交易行为映射为持仓成本分布。
- 通过成交量和股价数据推断持股的换手和分布，假设投资者以换手率进行股本交换，虽然存在偏差但适用于部分市场状态。
- 集中度及活跃股本冠以市场流动性和稳定性的风向标意义。

这一部分明确了FSD将投资者持仓成本作为了解市场动力的核心变量，将价格行为与供需关系深度关联，是报告后续所有信号构建的理论基石。[page::2]

1.2 模型构建办法及M型分布创新

• 模型核心步骤是以某日价格为基准，将换手率作为股本流动比例，逐日累积构建股本价格分布矩阵。

- 关于日内成交价的分布，传统分布假设为均匀或三角形，报告创新提出使用基于数据的M型假设，即成交集中在开盘价和收盘价，分别给予20%和7%的权重，其余价格均匀分布。
- 该假设基于2024年2月26日至3月26日万得全A指数的五分钟成交额统计，体现了更贴近实际的微观市场结构[图1、图2、图3]。

该创新增强了流通股本价格分布的现实贴合度，提高模型解释力和预测准确性。[page::3,4]

1.3 流通股本分布展示示例

• 以计算机行业指数为案例，展示了2024年2月5日与3月23日两个截面股本分布。

- 可清晰观察到2月5日获利盘比率不足10%，反映价格经历了显著下跌，而到了3月23日，获利盘比例大幅增加，股价上涨显著（约50%），绿色亏损盘缩小，红色获利盘明显扩张[图4、图5]。

这直接显示流通股本分布可作为市场情绪与获利水平观察窗口，有助于捕捉股价阶段性底部及上涨动力状态。[page::4,5]

2. 基于FSD的行业轮动策略

2.1 行业板块重构

• 传统行业划分无法满足新经济形态的需求，比如新能源和人工智能的跨行业融合。

- 采用中信二级行业作为底层基础，筛选得到40个覆盖主流及细分行业的跟踪标的，包括部分一级行业指数。

• 表1（分两页展示）涵盖文化娱乐、通信设备、消费电子、半导体、非银金融、银行等多个行业，涵盖广泛，体现了较强的行业覆盖和结构化研究思路[表1、表2]。

该行业重构为后续基于FSD因子构建和行业轮动策略奠定基础。[page::5,6]

2.2 基于FSD因子构建

• 报告定义详细的盈利盘因子，分层统计不同层次收益占流通股本比例（从0%-10%、10%-20%直至50%以上）。

- 同时定义亏损盘类似层次因子，及获利盘比率、亏损盘比率等综合指标。

• 还包括短期股本盈利变化、股本平均获利水平，股本换手率及股本“龄”指标，用于分析持仓的时序结构和活跃度[表2].

此部分因子构建除了静态成本分布更结合了动态变化特性，充分体现了行为金融的连续观察理念。[page::6,7]

2.3 行业轮动策略构建与回测表现

• 行业轮动策略的核心逻辑是“股价总选择阻力最小方向运动”，即寻找上方阻力小且获利盘较多的行业维持投资。

- 实施方面，从40个行业中按因子得分选取前8个进行等权组合，周度调仓，假设无交易冲击成本，回测时间2018年至2024年3月。

• 回测结果显示该组合年化收益率约20.86%，同期万得全A指数为负收益，且最大回撤、波动率和夏普比率指标均明显优于基准[图6、表3]。

结论表明，基于FSD的因子筛选对行业轮动策略具备较强信息含量和超额收益价值。[page::7,8]

3. 利用流通股本分布构建指数择时框架

择时目标包含高位卖出、防止顶部回调，以及低位买入和趋势延续确认。报告提出三种主要信号类型：

3.1 超跌反弹信号

• 基于行为金融学中“处置效应”，在大幅缩量调整导致流通股本断层时，获利盘非常少，投资者对反弹阻力小。

- 典型案例：2024年2月计算机指数经历超过20%跌幅，月均换手率仅2%（正常为3%），导致获利盘不足10%。

• 超跌反弹信号触发条件包括：获利股本比例≤10%，当前价与上方20%区间内股本分布≤15%，同时出现底部分型。

- 信号的历史表现优异，后续5日平均收益4.56%，胜率71%，盈亏比1.87，持有10日收益提升至7.22%，胜率略减但依旧较好。

• 通过引入10日均线卖点，信号胜率和盈亏比均有改善。[图7-10，表4]

该信号有效捕捉了股价的阶段性底部反弹机会，对短期择时具有重要价值。[page::8-10]

3.2 顶部信号识别

• 市场高位时，投资者获利盘极多（≥90%），如回调获利盘比率下降大于25%，表明短线资金出现亏损，预示阻力增强。

- 例子：计算机指数高位信号的分布。

• 顶部信号后指数波动率提升至正常水平的两倍，但跌幅均较小（约1%），虽然未明显识别大幅回撤，但能提高组合整体的风险调整收益率（夏普率）。

- 说明顶部信号有助于控制波动、降低风险，但不会精确预测大跌。[图10、图11]

顶部信号是风险管理工具，有助于组合风险控制和波动性管理。[page::10,11]

3.3 上涨中继确认信号：平台突破

• 定义为低成交量伴随获利盘比率大幅增加（≥30%），表明持股信心强，卖压未释放，股价将继续上涨。

- 案例：2019年2月农业指数，2个交易日换手1.6%导致获利盘由40%升至70%。

• 量化回测显示信号后5日、10日平均收益分别为3.3%、5.1%，胜率均超过60%，利用均线卖点进一步提高收益和盈亏比至近7%和2.15[图12、表5]。

平台突破信号能有效确认中短期上涨趋势的延续，对趋势跟踪策略具有补充价值。[page::11,12]

4. 模型优化尝试

4.1 利用场内融资（信用交易）信息

• 融资买入净额与股价表现呈强正相关，市场处于追涨特征明显。

- 融资买入的平均收益较整体流通股本平均收益偏低，尤其跌市融资盘平仓阶段，两者收益差异扩大，低于历史5%分位时往往是底部信号。

• 该融资收益差距指标可作为底部辅助性识别因子[图12、13]。

此举将融资盘行为信息加入FSD，更加精准捕捉市场情绪变化和资金流特征。[page::13]

4.2 利用Level2大单成交数据

• Level2详细的逐笔交易数据允许把成交拆分为大单（100万以上）、中单和小单，在计算股本分布时加以区分。

- 研究发现计算机指数自2018年以来，利用Level2数据与传统假设模型产生的FSD平均价偏差仅约±5%，影响信号设计有限。

• 此外，股价涨跌与大单成交占比相关，但大单成交比例本身受市场环境流动性影响较大，且大单易拆单交易，信号的可靠性较低。

该优化虽带来更细致数据，但实质提升有限，强调大单成交占比对择时的局限。[图14、15] [page::14,15]

---

5. 风险提示及声明

• 报告模型完全基于公开历史数据，不构成点位预测或投资建议。

- 市场系统性风险、宏观产业政策变化可能导致规律失效。

• 模拟组合难完全复制实际投资情形，主要证明方法有效性。

- 明确免责声明，强调投资需谨慎，报告版权归国泰君安证券所有，严禁无授权使用。

---

三、图表深度解读

• 图1至图3：展示不同日内成交价分布假设，实际统计的日内成交额分布明显偏向于M型，数据充分支持模型改进假设（开盘及收盘价成交最密集），提高精准度。

- 图4、图5：计算机行业两日期股本分布直观展示了获利盘与亏损盘结构变化，强数据支撑流通股本获利情况作为股价趋势判断重要指标。

• 图6、表3：行业轮动组合净值回测曲线和收益指标清晰表明FSD因子选股策略持续优于大盘，最大回撤减少且夏普提升，全方位体现策略有效性。

- 图7至图10，表4：超跌反弹信号包含示例股本断层图，及历史信号分布与统计收益，解释了由股本断层引发的超跌后反弹的投资机会。

• 图11、图12，表5：顶部信号及平台突破信号通过实例及量化结果展示其实际识别能力和收益表现。

- 图13、图14、图15：融资净买入、融资收益差距及大单成交占比与价格走势相关性，反映出辅助优化的市场情绪指标和交易行为特点。

---

四、估值分析

本报告重点为技术量化信号构建与策略回测，未包含传统的估值模型如DCF或PE详细估值分析，侧重于因子效用和择时信号性能验证。

---

五、风险因素评估

• 历史数据的规律不保证未来有效，系统性风险可能使模型瞬间失效。

- 宏观政策和产业环境的重大变化会影响模型适用性。

• 信号未必精准预测顶底，误判可能导致短期损失。

- 组合回测未考虑市场冲击成本和实际操作摩擦，实际收益有差异。

• 流通股本分布模型的核心假设（换手率驱动股本交换等）存在一定偏差，特定市场条件下不适用。

- 辅助信息如融资数据、Level2数据虽提升模型但带来的信号稳定性提升有限。
报告已提醒以上风险并建议投资者审慎权衡及专业咨询。[page::0,15]

---

六、批判性视角与细微差别

• 模型假设的理想化需注意，比如股本交换完全依赖于换手率可能过于简化真实交易动因，影响某些市场状态下的效果。

- 日内成交M型假设虽基于数据，但实际受行情和个股差异影响较大，模型在不同环境需调整。

• 滤除冲击成本的回测提供的是理想状态表现，实际投资中成本、流动性影响不可忽视。

- 顶部信号波动性大但收益未显著负，说明该信号更多是风险管理工具，不能作为卖出信号的唯一依据。

• 融资及Level2数据的引入虽然理论上增强模型，但报告也清晰说明其实际带来的边际效益有限，体现了作者的严谨态度。

- 报告描述方法论时多次提及“行为金融学”作为理论支持，体现对投资者心理的关注，增强了量化信号的人文逻辑基础。

• 总体上报告在方法论展示、数据支持及信号设计上逻辑清晰、严密，客观性强，反复强调风险和模型局限[page::2,14,15]

---

七、结论性综合

本报告构建并回测了以流通股本价格分布为核心的量化投资框架，通过以下主要贡献强化了技术分析和择时预测的科学性与实操性：

• 基于投资者持仓成本分布刻画市场内部结构，精确反映投资者的盈亏分布及交易心理，揭示供需本质。

- 创新引入日内成交M型分布假设，增强股本分布模型的现实贴合度。

• 通过40个重构行业指数构建量化轮动策略，年化收益20%，表现远超宽基，验证了FSD因子在行业选择中的有效性。

- 成功设计超跌反弹、顶部及平台突破三类核心上涨信号，其中超跌反弹信号后续一周平均上涨近5%，胜率高达70%，平台突破信号亦表现稳健，顶部信号虽收益不显著负但有助降低组合波动。

• 配合融资买入及Level2大单成交数据优化FSD，虽然边际提升有限，但体现了量化研究对深度数据的充分利用。

- 严格风险提示与声明保障投资者知情权，并强调本模型基于历史数据，不构成单纯的投资推荐。

整体而言，报告严谨、数据驱动、结合行为金融学与微观结构，系统地展示了一个实用且科学的基于流通股本分布的量化技术分析体系，不仅丰富了技术分析工具箱，也为主动管理与行业轮动策略提供了新范式和实践样本。报告最后给予的行业轮动组合与个股择时信号的经验证明，显示该方法有望用于实盘主动管理，具备较强的实际价值和推广潜力。[page::0～16]

---

图片引用目录：

• 图1、2、3：流通股本日内成交假设分布与实际统计对比

- 图4、5：计算机指数流通股本分布实例

• 图6：行业轮动组合净值回测

- 图7、8：超跌反弹股本断层示例

• 图9、10：超跌信号历史分布

- 图11：顶部信号示例

• 图12：平台突破股本分布变化

- 图13、14、15：融资净买入、收益差距与大单成交占比与价格关系

---

总结： 本报告以严谨的数据统计和微观结构分析为基础，通过流通股本分布发现并量化了多个股价上涨的“硬信号”，有效打破传统技术分析过度依赖主观判断的局面，为投资者提供了科学性强且可实操的择时工具和行业轮动框架，对于成熟的机构投资者和积极管理型资金具有很高的参考和应用价值。[page::0-16]

报告