APM 因子构造机制 [page::3]

• 通过回归上午和下午的股票收益率与指数收益率残差差值，构建统计量 stat 反映日内价格行为差异。

- 为消除动量因子影响，使用横截面回归剔除动量因子部分，残差作为最终纯净的APM因子。

纯净 APM 因子多空对冲绩效表现 [page::4][page::5]

| 指标 | 全市场选股 | 中证500成份内 | 沪深300成份内 |
|---------------|------------|-------------|-------------|
| 年化收益 | 10.8% | 6.1% | 8.7% |
| 年化信息比 | 4.86 | 1.40 | 1.83 |
| 最大回撤 | 0.52% | 3.69% | 3.17% |
| 月度胜率 | 91.3% | 60.9% | 69.6% |

• 2013年5月起的全样本多空对冲策略表现优秀，样本外2016年10月至今依然稳定，显示良好的因子稳定性和风险调整后的收益水平。

- 在中证500和沪深300子市场中，因子表现有所下降，但依旧具备较好的选股能力和风险控制水平。

量化策略总结 [page::3][page::4]

• APM因子利用日内价格行为差异，特别是上午更反映知情交易者多空偏好，通过严格回归剔除风格及行业影响，确保因子纯净性。

- 构建的多空对冲组合基于因子分组（等分5组），做多最高组，做空最低组，等权持仓，每月调仓。

• 策略回测区间覆盖2013年至今，平均年化收益和信息比率均较高，且最大回撤极低，胜率超过90%，表明策略稳健 [page::0][page::4][page::5]。

凤鸣朝阳，APM 因子绩效回顾报告详尽分析

---

一、元数据与报告概览

本报告题为《凤鸣朝阳，APM 因子绩效回顾 20180902》，由东吴证券研究所的证券分析师魏建榕、高子剑及研究助理陈实联合撰写，发布日期为2018年9月2日。报告聚焦于一种基于日内股价行为的选股因子——APM因子，围绕其构造方法、绩效表现及相关风险进行深入探讨。该因子强调了股价在上午与下午交易时段差异所隐含的选股信息量，推断上午股价变动因知情交易者活跃度更高，反映市场“信息效率”不同寻常的表现，从而捕捉选股信号。

核心论点是，APM因子构造有效且经历时较长时间检验后表现稳健，多空对冲策略取得了显著超额收益，同时剔除常见风险因子后的纯净APM因子显示出高信息比率和低最大回撤，适用于全市场及主要指数成分股（中证500、沪深300）[page::0] [page::3] [page::4]。作者想传达的主要信息是，该因子基于独特的日内交易行为差异，能在中国股票市场实现持久、高质量选股收益，具备重要的应用价值。

---

二、逐节深度解读

1. APM因子介绍

报告从“凤鸣朝阳”的典故引入，形象比喻早盘交易的独特价值，指出“股票市场上午价格行为较下午表现出更多信息量”，理由是“知情交易者更倾向于上午交易”，这为考虑日内时段差异构建选股因子提供了理论基础。

具体构造方法如下：

• 选定最近N=20个交易日，对于每只股票，将该日早盘（上午）和下午的收益率分别记为 $rt^{am}$ 与 $rt^{pm}$，同样对应指数收益率 $Rt^{am}$ 和 $Rt^{pm}$。

- 将40组（20天内早下午数据）股票收益率对指数收益进行回归，得到40个残差 $\varepsiloni$，其中上午残差为 $\varepsilont^{am}$，下午为$\varepsilont^{pm}$。

• 计算残差差值$\deltat = \varepsilont^{am} - \varepsilont^{pm}$，以衡量剔除市场影响后股价行为上午与下午的差异。

- 设计统计量 $stat = \frac{\mu(\deltat)}{\sigma(\deltat)/\sqrt{N}}$ ，反映这一差异的显著性，数值越大代表上午表现明显好于下午。

• 因 $stat$ 与动量因子存在较强正相关，进行横截面回归以剔除动量因子影响： $statj = b \cdot Ret20j + \varepsilonj$，其中 $Ret20$ 为过去20日收益，最终残差 $\varepsilonj$ 即为APM因子数值。

为进一步净化因子，将APM因子对传统风格因子（Barra模型的10个风格因子）和行业因子（申万一级行业哑变量）进行回归，提取残差作为“纯净的APM因子”（PureAPM），目的是排除其他风险或风格因子的混杂影响，提升因子独立性和有效性[page::3] [page::4]。

此部分详细展现了因子构造的数学逻辑和统计检验方法，确保因子由实证数据支撑且经过多重回归剔除关联因素，理论扎实且可操作。

2. APM因子绩效回顾

此章节呈现了纯净APM因子在不同市场范围内的历史表现：

• 全市场（全部A股）

2013年5月起：
- 年化多空对冲收益率15.0%
- 信息比率4.40（显示因子收益的风险调整后表现极佳）
- 最大回撤仅0.72%（回撤控制极为优秀）
- 月度胜率达92.9%（在绝大多数月份因子表现为正）
样本外（2016年10月至今）：年化收益10.8%，信息比率4.86，最大回撤0.52%，月度胜率91.3%，仍表现良好。

• 中证500成分股

2013年5月起：
- 年化收益12.0%
- 信息比率2.44
- 最大回撤3.69%
- 月度胜率76.8%
样本外表现下滑至6.1%年化收益，信息比率1.40，月度胜率60.9%。

• 沪深300成分股

2013年5月起：
- 年化收益12.6%
- 信息比率1.94
- 最大回撤4.94%
- 月度胜率73.2%
样本外表现为年化收益8.7%，信息比率1.83，月度胜率69.6%。

可以观察到，APM因子在全市场表现最为优秀，覆盖范围越窄（主要指数）净收益和信息比率呈现下降趋势，但仍优于多数传统因子，且最大回撤控制总体较好，尤其在全市场中体现出极低的最大回撤和极高的月度胜率，说明其收益平稳且风险较低[page::0] [page::4]。

---

三、图表深度解读

图1：纯净的APM因子多空对冲净值

图表显示自2013年4月26日至2018年8月31日，分别展示了：

• 黑色曲线：全市场多空对冲策略净值走势

- 蓝色曲线：中证500成分股多空对冲净值

• 灰色曲线：沪深300成分股多空对冲净值

净值均从1开始，逐渐上升。全市场策略表现最强，净值由初始1增长到约2.1，表现最为稳健且波动最小；中证500和沪深300增值幅度稍逊，且出现波动更明显。图中虚线分隔“样本内”（2013.5—2016.10）与“样本外”（2016.10之后）阶段，样本外期表现略有放缓，但整体趋势依然向上，展现良好的时序稳定性。

此图形形象说明了APM因子投资组合从过去到现在的净值成长路径，验证了文本中的高年化收益和较低回撤描述。净值增长的平滑曲线增强投资者对模型持久有效性的信心[page::5]。

表1：纯净的APM因子多空对冲绩效（样本外，2016年10月至今）

| | 全市场选股 | 中证500成份内 | 沪深300成份内 |
|---------------|------------|---------------|---------------|
| 年化收益 | 10.8% | 6.1% | 8.7% |
| 年化信息比率 | 4.86 | 1.40 | 1.83 |
| 最大回撤 | 0.52% | 3.69% | 3.17% |
| 月度胜率 | 91.3% | 60.9% | 69.6% |

此表体现了APM因子在样本外期仍具有较强表现，尤其在全市场范围，年化收益保持在两位数，信息比率维持高位，最大回撤极低，月度胜率持续保持在90%以上，显示出极强的策略稳定性。中证500表现最弱，可能受成分限定和流动性等因素影响，但依然呈现正的超额收益和合理风险控制，为因子跨市场普适性提供实证基础[page::5]。

---

四、风险因素评估

报告唯一明示的风险提示系“量化模型收益测试基于历史数据，市场未来可能发生较大变化”，即提醒读者量化因子模型具备时效性，市场结构和投资者行为变动可能使历史表现难以复制，存在模型失效风险。

此外，在构造因子时已剔除了常见风险因子的影响，故未特别强调其他系统性风险。因子高度依赖于日内交易模式和知情交易者行为，若市场流动性结构改变或交易时间行为发生变化，可能影响因子的有效性。

报告未具体提供针对上述风险的缓解策略或概率评估，提示投资者需结合实际操作和市场动态审慎使用该因子[page::0][page::5]。

---

五、批判性视角与细微差别

• 因子依赖于“知情交易者倾向上午交易”这一行为假设，虽理论有依据，但行为模式是否稳定存在不确定性，尤其市场机制、监管政策等环境变化可能影响；

- 虽通过回归剥离了动量、风格、行业因子影响，但残差因子仍可能捕获部分未识别的风险因子或市场风格，解释力有限；

• 绩效报告着重正面，未详述市场极端情况下因子表现，且最主要的风险提示较为简略；

- 样本内外划分较晚（2016年10月份），样本外时间较短（约2年），长期稳定性仍待观察；

• 回撤指标极低，尤其是全市场0.52%，可能令读者质疑回撤定义或计算周期，报告未详细说明计算方法。

整体上，报告展现了稳健且具创新性的量化选股策略研究，但读者应警惕模型复杂性和适用限制，结合其它分析方法综合判断。

---

六、结论性综合

东吴证券研究所在本报告中系统介绍了基于“凤鸣朝阳”寓意构造的APM因子，重点突出股价上午与下午交易时段差异赋予的选股信息量。通过严谨的回归方法和多重因素剔除，获得纯净的APM因子，并据此构建多空对冲组合。

从2013年至2018年，尤其在全市场范围，APM因子展现了优异的选股能力：年化收益率高达15.0%，信息比率4.40，最大回撤极低（0.72%），伴随极高月度胜率（92.9%）。即使在样本外期（2016年10月以后），因子依然显示10.8%的年化收益和4.86的信息比率，稳定性突出。

主要指数（中证500、沪深300）内因子绩效相对全市场有所下降，但依然保持积极的风险调整收益和较低的回撤。图表直观呈现了近6年来因子净值的稳健增长路径。

风险提示强调，历史表现无法完全预测未来，模型存在失效风险，投资需谨慎。报告整体风格严谨科学，充分展示了APM因子的理论基础、构造流程及实证效果，为投资者提供了一个创新且证据充分的量化选股工具。

总之，APM因子作为基于日内时段价格行为差异的量化因子，兼具理论创新、数据支撑和实证验证，值得关注和深入研究，是中国A股量化投资领域的重要成果之一。

---

附：报告主要表格和图表引用

• 图1：纯净的APM因子多空对冲净值 （等分5组，第五组对冲第一组）

• 表1：纯净的APM因子多空对冲绩效（样本外，2016年10月至今）

| | 全市场选股 | 中证500成份内 | 沪深300成份内 |
|---------------|------------|---------------|---------------|
| 年化收益 | 10.8% | 6.1% | 8.7% |
| 年化信息比率 | 4.86 | 1.40 | 1.83 |
| 最大回撤 | 0.52% | 3.69% | 3.17% |
| 月度胜率 | 91.3% | 60.9% | 69.6% |

数据来源：WIND资讯，东吴证券研究所[page::5]

---

全文完

报告