小单资金流残差因子

由small_q创建，最终由small_q更新于2026-06-03 03:47 被浏览 1 用户

小单资金流残差因子——一个用来捕捉"散户异常情绪"的信号。

听起来很高大上，但逻辑其实很朴素：

散户（小单）在疯狂买入或疯狂卖出一只股票，但这种行为又无法用股价本身的涨跌来解释——这就是一个值得关注的信号。

先聊聊背景：什么是资金流？

在 A 股，每一笔交易都可以按照挂单金额分为四类：

资金流向就是统计每类资金的净流入（买入 - 卖出）。

小单净流入多 → 散户在买；小单净流出多 → 散户在卖。

第一步：计算小单资金流强度

光看净流入金额不够用，因为不同股票体量差异很大。我们需要一个标准化的指标：

$\text{资金流强度} \ S_t = \frac{\sum_{近20日}(\text{小单买额} - \text{小单卖额})}{\sum_{近20日}|\text{小单买额} - \text{小单卖额}|}$

白话解释：

• 分子：过去 20 天，散户总体是净买入还是净卖出（有方向）
• 分母：过去 20 天，散户每天"动静"的绝对值之和（只看大小）
• 结果：一个介于 -1 到 +1 之间的数字

举个例子：

• $S_t = +0.8$：散户过去 20 天持续猛买，情绪很高涨
• $S_t = -0.8$：散户过去 20 天持续在卖，情绪很悲观
• $S_t \approx 0$：散户买卖相对均衡，没有明显倾向

第二步：为什么不直接用 $S_t$，还要多做一步？

这里有个关键问题：散户跟涨跟跌是很正常的行为。

一只股票涨了 30%，散户跑去追买，$S_t$ 自然会很高——但这个高并不是因为散户有什么"独特判断"，只是在跟着涨幅走而已。

如果直接用 $S_t$，你衡量的其实是"股票涨了多少"，而不是"散户行为有多异常"。

解决方案：回归 + 取残差

在每一天，对全市场所有股票做一个截面回归：

$S_t = a + b \times \text{近20日涨跌幅} + \varepsilon_t$

• 用涨跌幅解释资金流强度，把"正常跟涨跟跌"的部分去掉
• 剩下的残差 $\varepsilon_t$，才是无法被涨跌幅解释的散户异常行为

这个 $\varepsilon_t$ 就是我们的最终因子。

类比理解：就像考试成绩和学习时间高度相关。如果一个学生花了很多时间学习却考了低分，这个"异常"才值得关注——残差因子就是在找这种"异常"。

代码实现

在 BigQuant 平台上，用 DAI SQL 几行就能搞定：

WITH base AS (
    SELECT
        date, instrument,
        -- 每日小单净资金流
        active_buy_amount_small - active_sell_amount_small AS net_small
    FROM cn_stock_prefactors
    WHERE st_status = 0 AND suspended = 0
),
intensity AS (
    SELECT date, instrument,
        -- 滚动20日资金流强度
        m_sum(net_small, 20) / m_sum(ABS(net_small), 20) AS small_st,
        -- 近20日涨跌幅
        close / m_lag(close, 20) - 1 AS ret20
    FROM base
)
SELECT date, instrument,
    -- 截面回归取残差 = 最终因子
    c_regr_residual(small_st, ret20) AS factor
FROM intensity

三个核心函数：

• m_sum(x, 20)：时间序列上向前滚动求 20 日之和
• m_lag(close, 20)：取 20 日前的收盘价
• c_regr_residual(y, x)：截面 OLS 回归，返回残差

https://bigquant.com/codesharev3/5a852c8e-8ea2-4ac3-b825-f11508e64735

\