摘要：截至2025年3月21日，市场风格中，微盘股/大盘股、亏损股/绩优股、低价股/高价股分别处于2019年以来99.93%、97.21%、96.41%的分位数水平。在高频选股因子中，本周多空表现最好的是量价类因子中的MPC_max因子，多空收益3.79%；本月以来
截至2025年3月21日，市场风格中，微盘股/大盘股、亏损股/绩优股、低价股/高价股分别处于2019年以来99.93%、97.21%、96.41%的分位数水平。在高频选股因子中，本周多空表现最好的是量价类因子中的MPC_max因子，多空收益3.79%；本月以来多空表现最好的是量价类因子中的MPB因子，多空收益5.12%。在行为金融学因子中，本周多空表现最好的是有限关注类因子中的ABNRETD因子，多空收益2.74%；本月以来多空表现最好的是有限关注类因子中的ABNRETAVG因子，多空收益4.49%。
市场行情回顾
市场风格中，微盘股/大盘股、亏损股/绩优股、低价股/高价股分别处于2019年以来99.93%、97.21%、96.41%的分位数水平。
行业交易拥挤度
当周行业成交占比最高的三个行业分别为电子、计算机和机械。TMT行业（电子、通信、计算机和传媒）当周行业成交额占两市总成交额的比例为33.03%。当周换手率最高的三个行业分别为计算机、机械和综合金融。PB分位数最高的三个行业为汽车、石油石化和传媒。
高频因子效果跟踪
本周MPC_max因子多空收益表现最好，多空收益3.79%，多头超额2.79%；本月MPB因子多空收益表现最好，多空收益5.12%，多头超额4.60%；今年以来Coppock因子多空收益表现最好，多空收益10.58%，多头超额13.97%；近一年VOI因子多空收益42.43%，表现最好。
行为金融学因子效果跟踪
本周ABNRETD因子多空收益表现最好，多空收益2.74%，多头超额2.40%；本月ABNRETAVG因子多空收益表现最好，多空收益4.49%，多头超额5.23%。今年以来ABNRETAVG因子多空收益表现最好，多空收益4.21%，多头超额12.12%；近一年STV_2因子多空收益28.23%，表现最好。
一、市场行情回顾
1.1
指数行情表现
截至2025年3月21日，过去一周，大盘指数中的上证指数表现最优，周度收益率-1.60%；宽基指数中的中证2000表现最优，周度收益率-1.17%；风格指数中的低价股指数(申万)表现最优，周度收益率0.36%。
1.2
风格指数对比
1.2.1 微盘股、大盘股风格
本文选取万得大盘指数、万得微盘指数分析微盘股/大盘股风格。万得大盘指数选取全部A股中市值居于前200的个股作为指数成分股，万得微盘指数选取沪深交易所上市除ST、*ST及退市警示标的以外市值最小的400只股票作为指数成分股，等权计算。两者的相对强弱在一定程度上可以反映市场对大盘股、微盘股的偏好。
本文计算2018-12-31以来微盘股指数除以大盘股指数的累积净值，微盘风格与大盘风格的对比如下：
截至2025年3月21日，微盘股/大盘股位于99.93%的历史分位数水平，处于2019年以来99%极值区间。
1.2.2 亏损股、绩优股风格
本文选取申万绩优股指数、申万亏损股指数分析亏损/绩优风格。申万绩优股指数选取100只盈利股票作为指数成分股，申万亏损股指数选取所有实际亏损的股票作为指数成分股，两者的相对强弱在一定程度上可以反映市场对企业未来的盈利改善预期以及投机偏好。
本文计算2018-12-31以来亏损股指数除以绩优股指数的累积净值，亏损风格与绩优风格对比如下：
截至2025年3月21日，亏损股/绩优股位于97.21%的历史分位数水平，处于2019年以来95%极值区间。
1.2.3 低价股、高价股风格
本文选取申万高价股指数、申万低价股指数分析低价/高价风格。申万高价股指数选取200只高价股票作为指数成分股，申万低价股指数选取200只低价股票作为指数成分股，两者的相对强弱在一定程度上可以反映市场对不同价位股票的偏好。
本文计算2018-12-31以来低价股指数除以高价股指数的累积净值，低价风格与高价风格对比如下：
截至2025年3月21日，低价股/高价股位于96.41%的历史分位数水平，处于2019年以来95%极值区间。
1.3
行业交易拥挤度分析
行业交易拥挤度指的是市场参与者交易某个行业股票的趋同程度。一般来说，某一个行业的趋同交易者数量越多、趋同交易金额越大，那么该行业的交易拥挤度就越高。本文使用2019-12-31至今的交易数据以及估值数据衡量30个中信一级行业的交易拥挤度。
1.3.1行业周度成交分析
行业成交额占比指的是行业周度成交额占两市周度成交额的比例。
行业换手率指的是行业周度成交额占行业总市值（最近一个交易日）的比例。
截至2025年3月21日，当周行业成交占比最高的三个行业分别为电子、计算机和机械。当周换手率最高的三个行业分别为计算机、机械和综合金融。
综合来看，TMT行业（电子、通信、计算机和传媒）当周行业成交额占两市总成交额的比例为33.03%。
1.3.2 行业估值分析
选取PE_LYR、PE_TTM和PB作为行业估值指标，计算公式如下：
截至2025年3月21日，PB分位数最高的三个行业为汽车、石油石化和传媒。
二、高频选股因子介绍及分类体系
2.1
高频选股因子简介
随着国内市场传统因子选股的广泛应用，对公司的基本情况、财务状况以及日间量价关系等低频数据的挖掘已经趋于饱和，以往有效因子也逐渐失效，市场对新信息的挖掘提出了迫切的需求。高频数据中蕴含了丰富的市场交易信息，它能带我们通过数据窥探知情交易者的隐藏信息，也让我们更近距离地感受市场交易者的情绪，从而帮助我们更准确地拿捏市场股票价格的走势。
2.2
高频选股因子分类体系
之前总共写了八篇高频因子报告《高频量价选股因子初探》、《买卖报单流动性因子构建》、《高频订单失衡及价差因子》、《多层次订单失衡及订单斜率因子》、《流动性因子系统解读与再增强》、《高频选股因子分类体系》、《流动性高频因子再构建与投资者注意力因子》、《技术指标因子高频化》，并根据上述的因子构建了分类体系。根据因子的意义分为订单失衡类、量价类、流动性类、资金流类和高频技术指标类，具体的分类如下表所示：
2.3
行为金融学选股因子简介
传统上，我们理解市场，是基于经济学中关于理性人的假设，将市场分为强有效市场、半强有效市场和弱有效市场三种类型，然而有效市场理论并不能解释市场当中长期存在的异象；为了解释这些令人匪夷所思的不理性现象，上世纪70年代，行为金融学派诞生了，行为金融的观点认为人是非完全理性的，金融市场的非理性行为在价格变动中扮演了极其重要的角色，而且非理性的行为会重复地出现，人的种种难以解释的非理性行为，导致了繁荣和萧条交替，这使得资产价格总是超过其价值的附近区间。从金融市场的实际情况来看，确实有很多投资者在市场中长期跑赢了市场。
2.4
行为金融学因子分类体系
本文根据两篇行为金融学报告《流动性高频因子再构建与投资者注意力因子》和《投资者有限关注及注意力捕捉与溢出》中的因子构建了分类体系。根据因子的意义分为有限关注类和注意力理论类，具体的分类如下表所示：
2.5
高频因子低频化的方法
我们采用下面的具体流程把高频因子转为我们常用的月度低频选股因子。首先因为股票的盘口挂单强弱受到市场总体走势的影响，因此我们需要对各股票进行截面标准化以剔除市场对个股的影响。
然后我们把标准化后的分钟因子转换成日因子，我们采用了等权的方法。下面是日因子的构造方法，其中N为第j天总共的分钟数:
为了剔除每天市场的影响，对每天的日频进行标准化。股票k第j天的因子值，为横截面因子均值，表示横截面因子的标准差：
最后我们把日因子转换成月因子，需要对过去信息进行汇总，在这里使用衰减加权的方法，对于月频，采取使用过去20个交易日的因子值，考虑到信息的时效性的问题，离换仓日越远的信息有效性越弱，所以采用衰减加权的方法，具体方法如下：
2.6
因子测试框架
本报告当中的所有因子测试都使用以下框架进行测试：
回测时间：2010年2月-2025年3月
样本池：全市场
股票筛选：剔除在调仓日的停牌、涨跌停、上市未满半年和ST股票
调仓时间：月频调仓（每个月的最后一个交易日）
因子处理：极值处理（剔除3倍标准差之外的样本）、缺失值处理（直接剔除）、中性化处理（市值、行业）
多空收益分析分位数：10分位
因子类型：高频衰减加权因子
基准指数：中证全指
三、高频因子表现
3.1
订单失衡因子
3.1.1 订单失衡因子全历史表现
截至2025年2月28日，订单失衡类因子全历史多空月频净值曲线如下：
订单失衡因子全历史多空收益在14%-20%区间以内，其中，SOIR因子表现最好，多空年化收益19.22%，夏普比率2.77，最大回撤5.59%，IC均值-4.84%，年化IR达到2.61。
3.1.2 订单失衡因子近期表现
截至2025年3月21日，订单失衡类因子近1年多空日频净值曲线如下：
在订单失衡类因子中，本周VOI因子多空收益表现最好，周度多空2.70%，多头超额2.78%；本月VOI因子多空收益表现最好，多空收益2.91%，多头超额3.43%；今年以来VOI因子多空收益表现最好，多空收益2.80%，多头超额5.54%；近一年VOI因子多空收益表现最好，多空收益42.43%。
3.2
高频技术指标类因子
3.2.1 高频技术指标因子全历史表现
截至2025年2月28日，高频技术指标类因子全历史多空月频净值曲线如下：
高频技术指标因子全历史多空收益在12%-27%区间以内，其中，BIAS因子表现最好，多空年化收益26.37%，夏普比率2.84，最大回撤5.55%，IC均值-5.87%，年化IR达到2.74。
3.2.2 高频技术指标因子近期表现
截至2025年3月21日，高频技术指标类因子近1年多空日频净值曲线如下：
在高频技术指标类因子中，本周PSY因子多空收益表现最好，多空收益3.17%，多头超额3.00%；本月Coppock因子多空收益表现最好，多空收益4.88%，多头超额4.69%；今年以来Coppock因子多空收益表现最好，多空收益10.58%，多头超额13.97%；近一年RSI因子多空收益表现最好，多空收益23.23%。
3.3
量价类因子
3.3.1 量价因子全历史表现
截至2025年2月28日，量价类因子全历史多空月频净值曲线如下：
量价因子全历史多空收益在15%-27%区间以内，其中，MPC因子表现最好，多空年化收益26.66%，夏普比率2.73，最大回撤7.51%，IC均值-6.42%，年化IR达到2.81。
3.3.2量价因子近期表现
截至2025年3月21日，量价类因子近1年多空日频净值曲线如下：
在量价类因子中，本周MPC_max因子多空收益表现最好，多空收益3.79%，多头超额2.79%；本月MPB因子多空收益表现最好，多空收益5.12%，多头超额4.60%；今年以来MPB因子多空收益表现最好，多空收益9.96%，多头超额13.60%；近一年MPB因子多空收益表现最好，多空收益34.55%。
3.4
流动性类因子
3.4.1 流动性因子全历史表现
截至2025年2月28日，流动性类因子全历史多空月频净值曲线如下：
流动性因子全历史多空收益在6%-24%区间以内，其中，ESI因子表现最好，多空年化收益23.16%，夏普比率2.33，最大回撤7.47%，IC均值7.25%，年化IR达到2.58。
3.4.2 流动性因子近期表现
截至2025年3月21日，流动性类因子近1年多空日频净值曲线如下：
在流动性类因子中，本周CPQSI因子多空收益表现最好，多空收益1.74%，多头超额2.74%；本月CPQSI因子多空收益表现最好，多空收益2.46%，多头超额4.00%；今年以来CPQSI因子多空收益表现最好，多空收益3.49%，多头超额9.11%；近一年CPQS因子多空收益表现最好，多空收益22.41%。
3.5
资金流类因子
3.5.2 资金流因子近期表现
截至2025年3月21日，资金流类因子近1年多空日频净值曲线如下：
在资金流类因子中，本周BAM因子多空收益表现最好，多空收益2.39%，多头超额1.13%；本月SACov因子多空收益表现最好，多空收益3.12%，多头超额4.96%；今年以来BNI因子多空收益表现最好，多空收益5.22%，多头超额8.64%；近一年PTOR因子多空收益表现最好，多空收益14.91%。
四、行为金融学因子表现
4.1
有限关注类因子
4.1.1 有限关注类因子全历史表现
截至2025年2月28日，有限关注类因子全历史多空月频净值曲线如下：
有限关注因子全历史多空收益在11%-26%区间以内，其中，ABNRETAVG因子表现最好，多空年化收益25.81%，夏普比率2.49，最大回撤10.14%，IC均值-8.58%，年化IR达到3.64。
4.1.2 有限关注因子近期表现
截至2025年3月21日，有限关注类因子近1年多空日频净值曲线如下：
在有限关注类因子中，本周ABNRETD因子多空收益表现最好，多空收益2.74%，多头超额2.40%；本月ABNRETAVG因子多空收益表现最好，多空收益4.49%，多头超额5.23%；今年以来ABNRETAVG因子多空收益表现最好，多空收益4.21%，多头超额12.12%；近一年ABNRETAVG因子多空收益表现最好，多空收益25.82%。
4.2
注意力理论类因子
4.2.1 注意力理论因子全历史表现
截至2025年2月28日，注意力理论类因子全历史多空月频净值曲线如下：
注意力理论因子全历史多空收益在12%-29%区间以内，其中，SPILLTURN因子表现最好，多空年化收益28.31%，夏普比率2.58，最大回撤7.71%，IC均值8.40%，年化IR达到3.30。
4.2.2 注意力理论因子近期表现
截至2025年3月21日，注意力理论类因子近1年多空日频净值曲线如下：
在注意力理论类因子中，本周SPILLRET因子多空收益表现最好，多空收益2.20%，多头超额1.32%；本月SPILLTURN因子多空收益表现最好，多空收益3.50%，多头超额3.82%；今年以来GRAB_AMT因子多空收益表现最好，多空收益3.00%，多头超额8.71%；近一年STV_2因子多空收益表现最好，多空收益28.23%。
研究均基于历史数据，对未来投资不构成任何建议。文中的因子分析均是以历史数据进行计算和分析的，未来存在失效的可能性。市场的系统性风险、政策变动风险等市场不确定性均会对策略产生较大的影响。另外，本报告聚焦于因子的构建和效果，因此对市场及相关交易做了一些合理假设，但这样可能会导致基于模型所得出的结论并不能完全准确地刻画现实环境，在此可能会与未来真实的情况出现偏差。而且数据源通常存在极少量的缺失值，会弱微增加模型的统计偏误。
陈升锐：中信建投金融工程及基金研究组联席首席分析师，芝加哥大学金融数学硕士，8年证券基金从业经验（3年公募基金量化投资和5年证券研究工作经验），2018年加入中信建投研究所，曾任中信建投金融工程分析师和金融产品组负责人，2018、2019、2020年Wind金牌分析师金融工程第2名、第2名、第5名团队核心成员。
姚紫薇：中信建投金融工程及基金研究首席分析师。上海财经大学管理学硕士，厦门大学统计学学士，在基金研究、资产配置、产品设计、财富管理等领域均有长期深入研究。曾担任招商证券基金评价业务负责人，多次获得“新财富”金融工程方向前三（团队核心成员）。
来源：点滴财学