🎯 今日核心问题
- A股的「低波动异象」为什么主要通过「低换手」体现,而不是「低波动率」?换手率因子怎么构造才不退化成小市值因子的马甲?
- Amihud 非流动性指标在A股为什么必须对 ST、北交所、次新股单独处理,才能避免因子被极端值绑架?
📖 精读提纲
【一】波动因子:三个口径,含义并不相同
日收益标准差(vol_63/vol_252)最朴素,衡量价格不确定性。低波动异象指低波动股票的风险调整后收益反而更高——违背 CAPM,但全球包括A股长期存在。原因是投资者偏好「彩票型」高波动股,愿意为它付溢价,导致高波动股定价过高。
特质波动率(IVOL)是把市场因子和行业因子回归掉后的残差波动,比总波动更「纯」,因为剔除了 beta 部分。做法:对每只股票过去 252 日日收益跑 r_i = a + b_m*r_m + b_ind*r_ind + e,取残差标准差。计算量大,实操可简化为只回归沪深300。
振幅是日内高低价差均值,反映日内博弈激烈程度,A股特有且有效。振幅高意味着多空分歧剧烈,后续收益往往更差。它和换手率相关性高,但振幅更接近「博弈噪声」。
【二】换手率:A股最强的负向因子,最容易被市值污染
换手率 = 成交量 / 流通股本。A股 1 个月平均换手率的截面 IC 长期在 -0.05 到 -0.08(负的,换手越低越好),是最稳定因子之一。经济含义三层:低换手意味着持股者稳定、分歧小;高换手往往对应主题炒作后期,接盘资金质量差;流动性太好的股票,投资者接受更低收益。
陷阱是换手率和市值高度负相关:小盘股流通盘小,少量资金就能换手。不控制市值,换手率因子的收益里有很大一块是「小市值溢价」,而后者在注册制、退市常态化后已结构性断裂(2021 年后小盘股内部分化,壳价值消失)。所以换手率必须做市值中性化,或至少和市值因子一起检验。
构造细节:用月度平均换手而非单日(单日噪声太大);用自由流通股本而非总股本(A股大量国有股不流通);剔除上市不足 60 日的次新股(首月换手常年在 10% 以上,会把分布拽偏)。
【三】成交额与 Amihud 非流动性指标
成交额是最直接的流动性代理,但它是规模指标而非比率,直接排序等于买大票。所以它主要不是因子,而是可投资域过滤器:日均成交额低于 2000-3000 万的股票,冲击成本会吃掉因子收益。
Amihud 非流动性:ILLIQ = 平均(|日收益| / 日成交额),含义是「单位成交额推动的价格变动幅度」,值越大越不流动。优点是不依赖股本数据。A股用它有四个必处理点:单位统一(用元,否则差 8 个数量级)并做 log1p 消除右偏;极端值(微盘股单日成交几十万,比值能爆到几千,必须 clip);ST 股(±5% 限制使 |收益| 天然小,会显得「流动性好」)单独处理或剔除;北交所流动性与主板不同量级,单独算。
【四】常见误区
- ❌ 用「总股本」算换手。应当用自由流通股本。akshare 快照里的「换手率」已是流通口径,注意单位是百分数。
- ❌ 把成交额当因子排序。它抓的是规模,不是流动性溢价,要当因子必须做「成交额/市值」比率化。
- ❌ 波动率窗口用太长。252 日波动变化缓慢,月度调仓几乎不动;63 日版本对近期变化更敏感,A股实证 IC 通常更高。
- ❌ 忽略停牌对波动率的扭曲。停牌用前收盘填会人为压低波动率,必须先用有效交易日占比过滤。
💻 代码示例
import akshare as ak
import pandas as pd
import numpy as np
# ── 假设已加载:close(后复权)、high、low、amount(元)、turnover_pct
# 这里演示全市场截面构造,代码可直接套用到多股票面板
def build_liquidity_factors(close, high, low, amount, turnover, mktcap,
window=63, min_valid=0.8):
"""输入均为 DataFrame(日期 x 股票),返回因子字典"""
ret = close.pct_change(fill_method=None)
valid = ret.notna().rolling(window).sum() >= window * min_valid
out = {}
# 1) 波动率:63 日年化日收益标准差
out["vol_63"] = ret.rolling(window).std().where(valid) * np.sqrt(252)
# 2) 振幅:日内 (high-low)/前收 的均值
amp = (high - low) / close.shift(1)
out["amp_63"] = amp.rolling(window).mean().where(valid)
# 3) 换手率:月度均值(已是百分数,除以100转为小数)
out["turn_63"] = (turnover / 100).rolling(window).mean().where(valid)
# 4) Amihud 非流动性:mean(|ret| / amount),amount 用「元」
illiq = ret.abs() / amount.replace(0, np.nan)
# 先截断单日极端值,避免微盘股单日爆值污染均值
illiq = illiq.clip(upper=illiq.quantile(0.999))
out["illiq_63"] = illiq.rolling(window).mean().where(valid)
out["log_illiq"] = np.log1p(out["illiq_63"] * 1e9) # 缩放后再取对数
# 5) 流动性冲击成本近似:换手率 / 市值 的比值
out["turn_over_cap"] = (out["turn_63"] / np.log(mktcap))
return out
# ── 市值中性化:把换手因子对 log(市值) 回归取残差 ───────────────
def size_neutralize(factor_row, mktcap_row):
d = pd.concat([factor_row, np.log(mktcap_row)], axis=1, keys=["f", "s"]).dropna()
if len(d) < 50:
return pd.Series(dtype=float)
X = np.c_[np.ones(len(d)), d["s"].values]
beta, *_ = np.linalg.lstsq(X, d["f"].values, rcond=None)
resid = d["f"].values - X @ beta
return pd.Series(resid, index=d.index)
# ── 可投资域过滤:这一步比因子本身更影响实盘可行性 ───────────────
def tradable_mask(amount_20d, close, name_series, list_days):
m = (amount_20d >= 2e7) # 日均成交额 >= 2000 万
m &= (close > 0)
m &= ~name_series.str.contains("ST|退", na=False)
m &= (list_days >= 60) # 上市满 60 个交易日
return m
# ── 单期检验:换手率与市值因子的相关性有多高 ────────────────────
# 如果 |corr| > 0.5,说明换手因子大半是市值的影子,必须中性化
# row_f = turn_63.iloc[-1]; row_cap = mktcap.iloc[-1]
# print("corr(turn, log_cap) =", np.corrcoef(
# row_f.dropna().align(np.log(row_cap), join="inner")[0],
# row_f.dropna().align(np.log(row_cap), join="inner")[1])[0, 1])
✏️ 今日动手
- 用本地全A股数据算出四个流动性因子(vol_63、amp_63、turn_63、log_illiq),各自算一次截面 IC(对下月收益)。预期:
turn_63和log_illiq的 IC 为负(越不流动/换手越高,后续越差),vol_63也是负的。 - 做市值中性化对照:
turn_63中性化前后 IC 各是多少?如果中性化后 IC 从 -0.07 掉到 -0.03,说明有一半收益来自小市值。这个数字必须记录,它决定了你第4周要不要把市值因子单独拿掉。 - 检查 Amihud 的量纲:打印
illiq_63的 min/median/max。如果 max/median 超过 1e4,说明极端值没处理干净,回去调整 clip 的分位。 - 用 40 万账户的实际约束反推:单票仓位 2 万(按 20 只等权),日均成交额下限该设多少?按「单日下单不超过成交额的 1%」估算,给出你组合的流动性下限数字,写进
tradable_mask()。
🔖 明日预告
明天把所有因子拉到同一张检验台上:IC / IR 到底怎么算、Rank IC 和普通 IC 的区别、五分组回测怎么读、单因子 IC 0.03 到底是有效还是噪声——这是本周最重要的一天,也是你判断「哪个因子值得进策略」的唯一标准。