高频逐笔成交+行为金融：遗憾规避选股因子

高频逐笔成交+行为金融：遗憾规避选股因子

概括

日终收盘价对当日交易投资者的心理影响

根据行为金融学的后悔避免理论，非理性投资者在做决策时往往会避免后悔并追求自豪感，并避免承认以前的决策错误。当日收盘价作为重要的价量指标，在现有的A股高频量价数据研究中尚未得到充分探讨。在本报告中，我们通过研究发现，收盘价对当日交易的投资者具有重要的心理影响，进而影响后续的交易行为。当收盘价低于当日买入成本价时，投资者会更倾向于继续持有。高于收盘价买入的交易量越大，相对于收盘价的价格偏差就越大，股票将面临较小的抛售压力，进而产生较高的预期收益；反之，当收盘价高于当日卖出价时，投资者更倾向于坚持之前的判断不回购，成交量低于收盘价。比例越大，与收盘价的价格偏差越大，该股票面临的购买动机越弱，导致预期收益较低。利用这一现象，我们分别基于成交量占比和成交价格偏差构建了后悔避免因子，并通过对中证1000指数成分股进行测试，得到了良好的预测结果。

避免遗憾因素的改善

经过进一步思考，我们探讨了这种现象对于小额订单投资者是否有更显着的影响。我们将小于当日日均订单量的订单定义为小订单，发现这种非理性现象在小订单交易中更为明显。 IC均值有一定程度的上升，对于收盘价以下的抛售因素改善效果更为明显。此外，由于投资者在尾盘时段（14:30-14:57）的交易行为可能包含更多信息，我们将因子更改为仅考虑尾盘时段的交易，发现其预测效果进一步提高。最后将小单+后期交易两种改进方法结合起来，发现比任何一种单一的改进方法都要好。其中，卖出反弹比例因子（）和卖出反弹价格偏差因子（LCPES）表现尤为出色。 LCPES的多空年化收益率达到96.31%，夏普比率达到8.77。

结合避免遗憾因素的中证1000指数提升策略

考虑到交易费用对实际收入的影响，我们将因素降低到周频率，然后进行综合。我们发现，尽管其收益表现较日频因子有所下降，但合成因子的多空年化收益率仍达到37.12%，夏普比率为4.09。市值中和后，因子多空年化收益率为36.97%，夏普比率升至5.00。两个长期投资组合的年化超额收益率均达到10%以上，风险调整后IC均超过0.60。

经过测试发现，该因子与之前报告中的传统风格因子、量价背离因子、线性重构因子相关性较低。综合三个有效风格因素、量价背离因素、线性重构因素后，其平均IC值达到8.55%。采用六大因素综合中证1000指数增强策略，年化超额收益达到20.79%，信息比率为4.05。

风险提示

1、以上结果是通过历史数据统计、建模和计算完成的。当政策和市场环境发生变化时，存在模型失败的风险。

2、策略基于一定的假设，通过历史数据回测得出。当交易成本增加或其他条件发生变化时，可能会导致战略收益下降甚至损失。

01

后悔避免因子构建及日频率有效性验证

在之前的报告中，我们利用高频快照数据构建了量价背离因子和价格区间因子，并经过线性变换和动态修正，均取得了良好的效果。它们所反映的市场微观结构为投资者提供了新的阿尔法。来源。随着高频因子越来越受到投资者的关注，我们将继续在这一领域努力，探索更多的阿尔法因子。本报告是阿尔法掘金系列报告的第四篇。我们利用高频交易数据，从订单数和买卖信号入手，构建避免后悔因素，并利用该因素反映的非理性投资者情绪来进一步提高提升效果。将频率降为周频后，构建了满足机构投资者需求的中证1000指数增强策略。

1.1 交易完成后收盘价对投资者的心理影响

行为金融学是影响因素的重要来源之一。现有的很多高频量价因素都是以数据背后投资者的非理性行为作为其逻辑基础的。本文主要探讨当日收盘价对投资者在一天内买入卖出后会产生什么样的心理影响，以及如何影响投资者后续的交易行为。

后悔理论（ ），又称后悔避免理论（Fear of ），是行为金融学的重要理论之一。该理论认为，非理性投资者在做出决策时往往会避免后悔并追求自豪感，并避免承认以前的决策错误。例如，投资者不愿意出售已经下跌或亏损的股票，以避免投资失败带来的遗憾和痛苦。我们相信，同样，当投资者卖出股票，发现其继续上涨时，他们会避免遗憾和遗憾，也不会考虑回购。基于这个观点，我们做出以下推测：

假设一位积极买入的投资者在收盘后发现他当天购买的股票的收盘价低于其成本价。由于处置效应的存在，投资者即使出现浮亏也不愿出售。而且买入量比例越高、价格偏差越大，股票的抛售压力越小，预期收益越高。相反，如果主动卖出的投资者发现自己卖出的股票收盘价高于收盘后的卖出价，他就会倾向于坚持之前的判断，即使即使卖出，也不会考虑再次买入。随后价格反弹。买。而且销量占比越高、价格偏差越大，此类股票的购买力越小，预期收益越低。基于这一假设，我们通过交易量占比和交易价格偏差两个维度总共构建了4个因素来衡量投资者的非理性交易行为对股票预期收益的影响。

1.2 避免遗憾因子的构建

在本报告中，我们使用逐笔交易数据进行实证研究。该数据记录了市场上实时的买卖信息，包括买卖双方的订单数、交易价格、交易量等数据，可以最细粒​​度地展示交易情况。细节为投资者提供了优质的阿尔法来源。下表为某股票2021年2月1日的部分交易数据。卖出订单号和买入订单号是交易所为该订单分配的订单号。

因为在实际交易中，销售和交易必须是对称的。为了区分交易的实际买入和卖出方向，我们按照买入和卖出订单号的顺序为每笔交易数据分配一个买入和卖出标志。如果买家先下单，卖家再提交订单并撮合买单进行交易，则该笔交易实际上是主动卖出，方向将记录为卖出，反之亦然。

根据每笔交易的交易量和买卖迹象，并根据上述对收盘价时投资者行为的推测，我们构建了以下因素：

买入浮动损失比率系数（HCVOL）：

卖出反弹比率系数（LCVOL）：

买入浮动损失偏差系数（HCP）：

卖出反弹偏差因子（LCP）：

上述因素的基本思想是：高于收盘价的买入量比例越高，当日投资者的买入情绪越高，浮亏比例越高，未来的抛压越低，而预期回报越高。同理，买入价高于收盘价时与收盘价的偏差越大，投资者的浮动亏损就越严重，卖出压力就会越低，从而产生更高的预期收益。卖出量低于收盘价的比例越高，或者价格相对收盘价的向下偏离越大，投资者就会受到卖出行为的影响，不会轻易再次买回来。因此，此类个股未来将会受到影响。购买动机较低，预期回报较低。

基于以上思路，HCVOL和HCP都应该是正因子，LCVOL应该是负因子，LCP由于计算的价格偏差应该是负因子。因子值越低，后续购买动力越弱，预期收益越低。是一个积极因素。

由于A股高频交易的限制，我们这里计算每日频率因子，并以次日开盘价作为买入价。我们采用IC平均值和十组测试的方法，以2016年1月至2022年8月的中证1000指数为对象，对所有样本股进行测试。我们首先测试因子每日频率回报的预测能力。下表为四个因素的IC统计指标。可以看到，四个因素都表现出了一定的预测能力，且T值均大于2，基本符合上面的猜测。其中HCVOL、LCVOL、LCP均表现较好，平均IC值均在2%以上。

我们基于十分位组合构建了因子的多空投资组合净值。这里我们展示多空净值曲线和几个关键指标。结果发现，所有四个因素在测试日期范围内都表现良好。虽然部分因素从2021年下半年到2022年上半年经历了一定的回撤，但近期又恢复了上升趋势。总体而言，稳定性和持续性良好。另外，从多空组合的指标来看，四个因子均取得了较高的年化收益，HCVOL的夏普比率达到了5.50。

1.3 因素改进及效果比较

从上面的结果可以看出，我们的猜想基本成立。当收盘价低于买入成本价时，投资者第二天会倾向于继续持有，且买入量越大（占成交量的比例）越大，买入成本越高。入场成本（成交价格的偏差）越高，第二天的抛售压力就越低。相反，当收盘价低于卖出价时，投资者往往会继续坚持之前的卖出判断，卖出亏损（占交易量的比例）越大，卖出价就越低（交易价格偏差） ，且卖出价格越低（交易价格偏差）。购买力每天都在减弱。

1.3.1 小订单改进

进一步，我们思考这些因素所反映的投资者行为对所有投资者的影响是否相同？如果将因素分解，大小投资者的表现会一致吗？由于小额订单一般来自个人投资者，他们表现出的非理性行为和情绪会更加显着，这可能会进一步强化由此产生的定价偏差，给我们留下改善因素的机会。

目前，WIND提供的交易统计以4万元、20万元、100万元为门槛，将交易分为小单、中单、大单、超大单。但在构建因子时，为了保证不同股票之间的可比性，简单地用固定值来划分大小单显然是不合理的。考虑到每笔交易的交易量可能是一个大订单被拆分成多个小订单，我们首先对相同订单号的交易进行汇总，得到真实的订单交易量。以图1中的数据为例，如果买入订单号的订单实际成交量为400，并且执行了4个不同的卖出订单，则其实际成交量应记录为400。另外，如果交易是一个买单被拆分成多个卖单，则记录为买方交易，否则记录为卖方交易。我们通过这种方式来确定每笔交易的买入和卖出方向。最后计算当日所有实际交易量的平均值作为区分大单和小单的阈值，将四个因素改为仅考虑小单进行测试。它的构建方式如下：

小单因素（）买入浮动亏损比例：

抛售反弹占一个小的单一因素（）：

买入浮动损失偏差小订单系数（HCPS）：

小单因子抛售反弹 (LCPS)：

使用小单因素改善的四个因素的IC指标以及十点小组测试的几个关键指标如下。可以看到，与因子因子相比，四个小单因子的平均IC值都有一定程度的提升，且风险调整后的IC也有所不同。度数增加。 LCPS的风险调整IC达到0.45。

从多空组合指标来看，与LCPS相比，因子有明显提升。多空夏普比分别升至3.53和3.25，但HCPS和HCPS的改善效果并不好。

1.3.2 后期交易改进

由于A股的T+1交易机制，人们普遍认为后期交易期间的交易行为包含较多的私人信息。尾盘买入的投资者不会受到短期波动的影响，倾向于继续持有。期间卖掉的，不会轻易回购。我们考虑将交易日下午2点30分（含）至下午2点57分（不含）定义为尾盘时段，考察上述四个因素在尾盘时段的表现。 HCVOL和LCVOL计算的交易量占比可以分为尾盘交易量占比和全天交易量占比。具体施工方法如下：

买入浮亏比尾盘因子（全天）（）

买入浮动损失率后期交易因子（后期交易）（）

尾盘卖出反弹比例(全天)()

尾盘卖出反弹比例(尾盘)()

买入晚盘浮动亏损偏差因素（HCPE）

后期交易卖出反弹因素（LCPE）

利用尾盘改进的六因子IC指标和十点组测试测试的几个关键指标如下。可以看出，与原因因素相比，6个尾盘因素的平均IC值都有一定程度的提升，其中买入浮亏占比因素在尾盘方面效果较好。尾盘成交占全天成交比例，而卖出反弹比因子在尾盘成交占全天成交比例方面效果较好。

从多空组合的各项指标来看，后期各项因素的改善都呈现出较为明显的改善。其中，LCPE多空夏普比率达到8.15，多头组合年化超额收益率为13.70%。这在一定程度上可以解释，尾盘交易中包含了更多的附加信息，投资者会更倾向于坚持之前的判断，不易受到收盘价的干扰，从而使得尾盘交易中的避免遗憾因素更好。交易后期。表现。

1.3.3 小订单+后期交易改进

综上所述，本文研究的后悔避免因子能够揭示投资者的非理性行为，在中小投资者和交易后期表现较好。接下来，本文尝试利用小单+后期交易的双重限制模型来提高因子效应。其中，对于尾盘，根据上述测试结果，尾盘交易占买入浮亏占尾盘交易的比例（ ）和尾盘交易占卖出反弹的比例（ ）为全天都选择建造。

因子的具体构建方法这里不再赘述。下面列出了IC和十组测试指标。可以发现，4个小单+后期交易改善因素最终表现出较强的盈利能力，优于此前任何一个单一因素。改进的方法。其中，LCPES的表现尤为突出。 LCPES的多空年化收益率为96.31%，夏普比率达到8.77。

另外，我们还考察了四个改进因素的IC衰减情况，发现四个因素的IC衰减速度存在较大差异。具体情况如下图所示。与卖出反弹因素相比，两个买入浮亏因素衰减得更快。

1.4 思考与结论

从以上因素的构建过程以及改进后的测试结果，我们可以得到以下基本结论：

1.5 日频综合因子表现

在获得上述通过小单+后期交易改善的四个因子后，我们进一步考虑通过因子合成来增强其收益表现和稳定性，以减少单个因子阶段性失效带来的波动。我们首先检查四个因素的等级相关系数。从下表可以看出，HCVOL和LCVOL具有较强的负相关性，其他因素的相关性较低。我们考虑通过综合来提高投资组合的绩效。

在因子合成之前，我们首先通过分位数变换对因子进行标准化，然后将四个因子进行等权重合成。中和合成因子的行业市值后，得到每日频率合成因子。从下表所示的IC指标来看，与四个因素相比，综合后的风险调整后的IC都有一定程度的提高，分别达到0.64和0.77。

同时，多空净值的收益水平和稳定性也有了一定程度的提升，单调性也非常明显。合成因子多空夏普比率达到10.60，多头组合年化超额收益为31.38%。中和市值行业后，合成因子业绩进一步提升。多空夏普比率为12.17，多头组合年化超额收益为31.49%。

02

降尺度后避免遗憾因子的表现

2.1 周频率因子的 IC 和分位数组合表现

从上述日频因素的表现可以看出，收盘价对投资者交易行为的心理影响对次日股票收益截面差异具有良好的预测作用。但对于机构投资者来说，每日频次调仓的手续费较高，难以获得实际收益。因此，我们将上述每日频率因素降级为每周频率并检查其表现。

考虑到因素衰减较快，具体降频方法，我们采用加权移动平均法，即最近连续五个交易日，越近的交易日赋予越高的权重。对中证1000指数成分股，每周调整仓位，测试每周第一个交易日开盘价。 IC和分位数组合的主要指标如下。可以看到，四个因子在降低到周频率后，表现基本都有所下降。其中，HCPES由于衰减速度过快，直接在周频率位置调整周期中失败。

从多空组合指标来看，收益表现相比日频情况也出现了明显衰减。不过，两个抛售反弹因素和LCPES仍然保持良好的回报表现。多空年化收益率分别为17.77%和36.04。 %。夏普比率为 1.93 和 3.05。

2.2 周频率合成因子的表现

从下表相关系数可以看出，上述表现较好的因素与LCPES的相关性较低，仅为-0.32。因此，我们用同样的方法将两个因素同等权重地结合起来。

从因子的各项指标来看，平均IC值均在4%以上，风险调整后的IC均在0.60以上，较单一因子的IC有一定的提升。

从多空组合指标来看，第十组单调性较好，多空年化收益率达到37.12%，夏普比率为4.09。中和该因素的行业市值后，多空年化收益率为36.97%，夏普比率提升至5.00，两者多头组合的年化超额收益率也达到10%以上。然而，仍然可以清楚地看到，因子空头组合贡献了大部分多空回报。

03

结合避免遗憾因素的中证1000指数提升策略

3.1 基于后悔避免因子的中证1000指数增强策略

为了探究本文构建的避免遗憾因子的实际交易效果，我们首先基于该因子构建了中证1000指数增强策略。回测期间为2016年1月至2022年8月，每周根据每周第一个交易日开盘价调整仓位。每次均等权重买入前5%的股票，并以中证1000指数为基准进行比较。同时，为了有效降低换手率过高对策略收益的负面影响，我们增加了换手率缓冲调整方法，以降低仓位调整成本。在处理率为千分之二时，测试结果如下。

可以看出，基于避免遗憾因子的中证1000指数增强策略相对基准优势明显，超额净值稳步提升。该策略年化超额收益为7.71%，信息比率为1.01，最大超额回撤为13.57%。

3.2 避免后悔因子与传统风格因子的相关性

此外，我们希望探讨本文发现的后悔避免因素与其他类型因素之间的相关性，以检验它是否提供了真正独立的阿尔法。我们首先计算了合成的每周后悔避免因子与传统风格因子之间的等级相关系数。从下面的数据可以看出，该因素与风格因素的相关性较低，相关性最高的是动量因素。只有动量因子具有最高的相关性。是0.11。与之前报告中的量价背离因子和线性重构因子也有较低的相关性。其与线性重构因子的相关系数为0.11，也处于较低水平。

为此，我们考虑将避免遗憾因素与中证1000指数表现良好的其他因素综合起来，构建中证1000指数增强策略。经过我们的考察，我们发现共识预期（）、增长（）和技术（）这三个风格因素在中证1000指数上表现较好。从下表可以看出，我们综合三个因素后得到的结果（ CGT）平均 IC 值为 5.92%，风险调整后 IC 为 0.80。结合前人报告的研究成果，我们将量价发散因子（CGTC）和线性重构因子（）这三个因子进行综合，最后与避免遗憾因子（）进行综合，来测试该要素收益带来的增量。发现最终综合因子IC指数进一步提高，平均值为8.55%，风险调整后IC达到1.06。

我们对六因素组合进行了十组测试。从多空组合的指标可以看出，相比因子组合，收益表现有了显着的提升。多空头年化收益率达到75.43%，夏普比率达到6.68，多空头组合的年化超额回报率也达到23.50%。

为了进一步检验因素的实际盈利能力，我们利用综合其他因素的避免后悔因素构建了中证1000指数增强策略。回测期间为2016年1月至2022年8月，每周根据每周第一个交易日开盘价调整仓位。每次均等权重买入前10%的股票，并以中证1000指数为基准进行比较。同时，为了有效地减少过度离职率对战略收益的负面影响，我们添加了一种营业额缓冲率调整方法，以降低位置调整成本。以二千分表的处理速率，测试结果如下。可以看出，基于综合因素的增强策略具有明显的超额回报，并且超额净值正在稳步上升。增强策略的年度超额回报率为20.79％，信息比为4.05，最大超额降低为3.82％。

从每年看，该策略在所有年份都取得了积极的超额回报，并且每年的超额回报均超过5％。可以看出，自2016年以来，该因素一直保持良好的稳定性。

注意：2022年截至2022年8月31日。

对于每周职位调整的策略，处理费直接影响策略的整体收入绩效。为此，我们在不同的处理速率下进行了比较，还针对不同处理速率优化了离职率缓冲区的参数。从下面的图中可以看出，随着处理率的提高，战略收入逐渐下降。但是，在更严格的处理率为三分之三的情况下，年化的超额回报率仍为18.35％，信息比率达到3.68，这是最大的超额率。回撤为5.31％。

04

总结

通过研究，我们发现，作为重要的锚定价格，日期结束价格对投资者的心理学有重要影响。当购买价格高于当天的收盘价时，交易量的比例越高，价格偏差越大，股票面临第二天将面临的销售压力越小，预期的未来收益越高。当售价低于当天的收盘价时，交易量的比例越高，价格偏差越高，第二天股票面临的购买力越低，预期的未来收益就越少。我们将这种现象构建为股票选择因素，发现它在每日和每周频率上都取得了良好的效果。通过进一步使用小订单和较晚的交易来改善因素，这些因素的预测效应得到了极大的改善。合成频率因子的年度长短回报率达到94.93％，夏普比率为10.60。将频率降低到每周频率之后，长和短的年度回报率为37.12％，夏普比率为4.09。中和后，长短的年度回报率为36.97％，夏普比率达到5.00。

通过检查综合遗憾避免因素和其他因素之间的相关系数，我们发现它是高度独立的，并提供了独特的α益处。通过综合共识期望，增长和技术的三种样式因素，以量价变化因素，上一个报告中的线性重建因子以及本报告中的遗憾避免因素，我们构建了CSI 1000指数增强策略，具有出色的性能。从2016年1月到2022年8月，其处理费为二千分表，该策略的年化超额回报率达到20.79％，信息比率达到4.05。即使使用三分之三的更严格的处理费，该战略的年化超额回报率仍然为18.35％，信息比率为3.68。

风险提示

1。以上结果通过历史数据统计，建模和计算完成。当政策和市场环境发生变化时，存在模型故障的风险。

2。该策略基于某些假设，是通过对历史数据进行回测。当交易成本增加或其他条件变化时，可能会导致战略回报甚至损失的下降。

►►►

研究报告信息

本文摘自“ Alpha 4：基于交易数据的遗憾避免因素”，由中国证券监管委员会于2023年2月27日发布。有关详细的分析内容（包括风险警告等），请参阅报告。 。如果由于报告的摘录而存在任何歧义，则报告的完整版本应占上风。

（本报告的分析师：Gao 执业证书编号：S03）

►►►