小单资金流残差因子

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：

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

• $$\begin{gathered} S_t \\ approx0 \end{gathered}$$：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：

• 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 $varepsilo{n}_t$，才是无法被涨跌幅解释的散户异常行为

这个 $varepsilo{n}_t$ 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