APM因子核心思想与方法构建 [page::4]

• 以股票日内上午与下午的残差收益差异为基础构建，反映知情交易者偏好。

- 通过回归剔除市场收益影响和动量因子相关影响，得到纯净APM因子。

• 因子数值越大，表明更多买入意愿，数值越小反之。

- 调仓规则为每月最后交易日，根据因子排序等权组建多空组合，设定交易成本及停牌等约束。

纯净APM因子样本内外绩效回顾 [page::0][page::1][page::2][page::3]

• 样本内(2013.4.30-2016.9.30)年化多空收益15.9%，信息比率3.77，最大回撤4.57%，月度胜率80.5%。

- 样本外(2016.9.30-2017.9.22)年化多空收益12.0%，信息比率3.54，最大回撤1.33%，月度胜率91.7%，连续8个月多空对冲收益为正。

• 汇总全样本年化收益15.0%，收益回撤比3.28，显示风险控制优异。

绩效统计与市场覆盖分析 [page::3]

| 指标 | 样本内绩效 | 样本外绩效 | 全样本绩效 |
|------------|------------|------------|------------|
| 年化收益 | 15.9% | 12.0% | 15.0% |
| 年化波动 | 4.20% | 3.31% | 4.01% |
| 信息比率 | 3.77 | 3.54 | 3.74 |
| 最大回撤 | 4.57% | 1.33% | 4.57% |
| 收益回撤比 | 3.48 | 9.02 | 3.28 |
| 月度胜率 | 80.5% | 91.7% | 83.0% |

• APM因子在不同指数样本（中证500、沪深300）中均表现出正向多空收益趋势，适用面广泛。

APM因子月度IC和多空收益序列波动 [page::2][page::5]

• 月度IC表现稳定，多数月份为正，表明因子信息有效。

- 多空对冲收益波动符合市场表现，无异常负收益长期积累。

风险提示与声明 [page::0][page::5][page::6]

• 模型基于历史数据，未来市场环境变化可能影响收益表现。

- 研究报告为参考信息，不构成投资建议，投资者需谨慎决策。

方正证券研究报告——《凤鸣朝阳，APM因子绩效回顾（2017年9月23日）》详尽解析

---

1. 元数据与报告概览

• 报告标题：《凤鸣朝阳，APM因子绩效回顾》

- 发布日期：2017年9月23日

• 研究机构：方正证券研究所，金融工程研究团队

- 核心作者：魏建榕（高级分析师），高子剑（金工首席分析师）

• 研究主题：股票市场中基于日内价格行为的选股因子——APM因子的构建及其绩效回顾

- 核心论点：
- 基于交易日上午与下午价格行为的比较，发现上午时段股票价格更能反映知情交易者的买卖意愿，进而构建APM选股因子。
- 该因子经提纯处理后（剥离其他风格因子及行业效应），表现出稳定且显著的Alpha收益，且在样本外继续表现优异。

• 报告传递的主要信息：

- APM因子为创新的选股工具，具备持续的多空对冲收益能力；
- 经过严格提纯，APM因子展现较高的信息比率和低回撤风险；
- 样本外跟踪验证提升了该因子的可信度，适合在量化投资中应用；

• 风险提示：基于历史数据，未来市场环境可能发生变化，量化模型表现不保可持续风险存在。[page::0,1,5]

---

2. 逐节深度解读

2.1 报告摘要与APM因子背景介绍

报告开篇以“凤鸣朝阳”作为寓意，形象地比喻“美好的事物发生在早晨”，对应金融市场具体为“上午价格行为相较下午更有价值的信息”。

该研究基于日内分时数据，提炼出能够捕捉知情交易者偏好的选股因子——APM因子。上午价格的涨跌更能反映机构或大户的信息优势，故更具选股价值。

初步测试（样本内，2013年4月底至2016年9月底）显示提纯后的APM因子年化多空对冲收益为15.9%，信息比率3.77，最大回撤仅4.57%，胜率高达80.5%。样本外（2016年9月底至2017年9月）跟踪收益依旧保持12.0%年化，信息比率3.54，且最大回撤尤为低至1.33%，收益回撤比跃升至9.02，表明风险控制极佳，12个月只有1个月出现负收益，过去8个月均实现正收益。

此凸显APM因子在不同时间段和市场状态下均保持稳定性及盈利能力，验证了因子的稳健性。[page::0,1]

2.2 APM因子的提纯方法（章节1.1）

为提升因子的独立Alpha价值，报告提出了“提纯”步骤，剥离因子中可由其他已知因子（风格和行业）解释的成分。方法采用横截面回归：

\[
\mathrm{APM}i = \sum{p=1}^{Num.S} \betap S{ip} + \sum{q=1}^{Num.I} \deltaq I{iq} + PureAPMi
\]

其中，$S{ip}$为第$i$支股票在第$p$个风格因子的暴露，$I{iq}$为行业因子暴露，$PureAPMi$为回归残差，即纯净的APM因子。

风格因子由传统9个扩展至11个，涵盖Beta、动量（长期和短期）、盈利性、成长性、价值、杠杆、规模、波动性、流动性以及“非线性规模”，该增补提升了纯度，确保APM因子剩余部分尽可能反映因子独有的信息。

通过这样的分解，保证了所分析的APM因子并非其他已知因子的混合，而是一个真正的新颖Alpha因子。该提纯方法是标准业界做法，确保因子纯度与解释力。[page::1]

2.3 绩效表现回顾（章节1.2与图表分析）

绩效概览

• 样本内绩效（2013.4.30-2016.9.30）：年化收益15.9%，信息比率3.77，最大回撤4.57%，收益回撤比3.48，月度胜率80.5%；

- 样本外绩效（2016.9.30-2017.9.22）：年化收益12.0%，信息比率3.54，最大回撤1.33%，收益回撤比9.02，月度胜率91.7%；

• 全样本合计：年化收益15.0%，年化波动4.01%，信息比率3.74，最大回撤4.57%，收益回撤比3.28，月胜率83.0%。

图表1（图2页）：纯净APM因子多空对冲收益曲线（全市场）

• 曲线上蓝色部分为样本内表现，红色为样本外表现，棕色柱状表示最大回撤；

- 收益曲线稳步上升，样本内波动相对较大、回撤峰值出现于2015年中；

• 样本外收益线虽然斜率略有下降，但持续稳健增长，最大回撤显著缩小，表现出更优的风险控制能力。

- 趋势表明APM因子在“真实”环境中的持续选股能力和风险曲线良好，印证了其策略有效性。

图表2与图表3（图2页）：每月IC与每月多空对冲收益

• IC（月度信息系数）多为正，说明因子的预测能力整体稳定；

- 负IC出现较少，且幅度有限，因子关联性强劲；

• 每月多空对冲收益多为正，胜率较高。偶有小幅负收益，但整体稳定度高，契合年化表现。

图表4（图3页）：绩效统计数据一览表

• 统计数据验证了前述定性描述；

- 该表重要性在于提供了量化指标对因子效能及风险的衡量，辅助投资决策。

图表5、6（图3页）：APM因子在中证500、沪深300成分股上的表现

• 收益曲线走势与全市场表现大体一致；

- 最大回撤部分略有差异，但总体维持在可控范围；

• 说明APM因子具有跨不同市场和成分股的适用性和稳定性。

综上，绩效数据和图表一致证实APM因子具有显著的选股Alpha，且其风险控制能力强，样本外验证尤为令人信服。[page::2,3,4]

2.4 APM因子的构造细节（章节2与4）

通过量化的具体计算流程，报告明确为：

1. 对指定窗口日期（N=20日），分别计算每个股票上午及下午的日收益率，

2. 进行单因子回归剔除市场影响后，计算各时段残差$\varepsilon$，

1. 通过残差差值$\deltat = \varepsilon^{am}t - \varepsilon^{pm}t$衡量上午与下午表现差异，

4. 设计统计量$stat = \frac{\mu(\deltat)}{\sigma(\deltat)/\sqrt{N}}$反映差异的显著性，

1. 进一步对$stat$与20日动量因子$Ret20$做横截面回归，剔除动量影响，最终以残差$\varepsilon_j$作为最终APM因子，

6. 因子值越大反映知情交易者越倾向于做多，值越小则越倾向做空。

这一构造过程结合了高频分时数据和经典因子剔除策略，同时精细处理了动量因素的干扰，合理保证了因子的独立有效。

回测规则设置完善：

• 标的为非ST股且流通时间超过60天；

- 双边交易费率设置；

• 调仓时间为月初；

- 避免涨跌停交易限制。

回测期间因子表现出20.5%年化收益，信息比率2.47，最大回撤9.26%，月胜率65.9%，收益回撤比2.21，持续展现稳健选择能力。

此部分既有数学统计方法的严谨诠释，也包括实务操作细节，帮助理解因子的内在逻辑和实用性。[page::4]

2.5 RankIC月度序列分析（章节5及图表7、8）

• RankIC描绘了APM因子每月的排序相关性表现，多数月份为正值，且偶尔出现的小幅负值分布合理，显示因子稳定性良好；

- 长期来看，因子不同分组收益排名逐渐分化，最大与最小因子组收益差距扩大，表明因子有较强的横截面预测能力；

• 从图表趋势看，因子在市场不同阶段依然能较好捕捉Alpha，验证了报告论断。

---

3. 风险因素评估

报告指出的主要风险在于：

• 历史数据不足以完全保证未来市场表现： 量化模型基于既往数据拟合，未来市场可能出现结构性变动导致策略失效；

- 交易实施风险： 包括调仓时流动性不足、涨跌停限制等影响因子实际操作；

• 因子公募化风险： 若因子广泛应用，Alpha可能会逐渐被消解。

风险提示简洁但关键，强调量化投资固有不确定性，提醒投资者理性使用模型与历史表现数据。[page::0,1,5]

---

4. 估值分析

本报告为因子绩效回顾，未涉及具体估值方法与目标价设定，故该部分无适用内容。

---

5. 批判性视角与细微差别

• 对因子提纯的依赖与假设稳健性： 虽然采用多因子横截面回归剥离众多主流风格因子，但“非线性规模”等扩展风格因子较新，是否完全覆盖其他隐藏因子尚有探讨空间；

- 样本内与样本外表现的差异： 样本外最大回撤明显低于样本内，收益略减，表明因子实际运行或许较理想模型更保守；不过这也显示了优秀的风险控制；

• 交易成本假设： 仅设立双边千分之三佣金，未考虑滑点、冲击成本等实际交易摩擦，实际收益率可能有所差异；

- 因子相关性剥离的限制： 动量因子的剥离提高了因子独立性，但因子间非线性交互和市场情绪等复杂因素未涵盖；

• 图表中的样本内外分割点被明确标定，但对某些图表如图8的具体统计检验指标未详述，细节完整性稍缺。

整体而言，报告内容严谨，数据详实，结论合理，但投资者应重视模型局限性及实际交易风险。[page::1,4,5]

---

6. 结论性综合

方正证券研究所的《凤鸣朝阳，APM因子绩效回顾》报告通过高频、日内价格行为的创新研究，提出了APM因子——一个源自上午与下午股价残差差异的选股工具。经过对风格因子和行业因子的严格提纯，该因子展现了卓越的选股Alpha捕捉能力。

核心绩效指标显示：

• 在2013年4月底至2016年9月底的样本内，APM因子实现年化15.9%的多空对冲收益，信息比率3.77，最大回撤4.57%，月度胜率高达80.5%；

- 2016年9月底至2017年9月22日的样本外验证中，年化收益略下降至12.0%，但最大回撤大幅缩减到1.33%，收益回撤比高达9.02，表明风险调整后的收益极为出色；

• IC值稳定且多数月份为正，表明因子具备持续的预测能力；

- 跨市场验证显示APM因子在中证500和沪深300成分股均表现稳定；

• 因子构造基于统计学严格设计，剔除动量影响，有效体现了“知情交易者”活跃于上午交易时间这一核心假设；

该报告不仅提供了第一手的量化因子性能数据，还详细阐述了因子构建和提纯的繁复流程。图表充分支撑文字结论，呈现收益曲线、IC分布、绩效统计一目了然。

与此同时，报告公正披露量化策略存在的历史依赖风险和市场结构变动带来的潜在失效可能，提醒投资者审慎应用。

总体而言，APM因子代表方正证券在金融工程领域的创新突破，具有较强的实用价值和投资吸引力。结合不同时间段和市场的测试反馈，本报告肯定其作为有效量化选股工具的地位。

---

图表重要解读示例

• 图表1（样本内外纯净APM因子收益曲线）:

- 通过蓝色和红色曲线的连贯上升趋势，显现因子在历史与未来数据中的持续盈利能力；
- 棕色最大回撤柱形也反映了2015年股市动荡对因子回撤的考验；
- 样本外低回撤伴随稳定增益尤为突出。

• 图表2（每月信息系数IC）:

- 大多数月份为正，表明因子具有良好的预测相关性；
- 个别负值月份显示市场噪声及短期因子失效，属于正常波动。

• 图表3（每月多空收益）:

- 多数月份收益为正，最大值达到4%，证实了APM因子的月度盈利回报能力。

• 图表4（多空对冲统计）:

- 年化收益和波动率指标结合，体现出收益稳定且风险可控的优越特征；
- 样本外数据指标进一步证明了模型的稳健性。

• 图表5、6（指数样本成分表现）:

- 适用性和稳定性被多指数成分数据所证实。

---

结语

报告以严谨的数据分析和详实的图表佐证，客观评估并呈现了APM因子在中国股市环境下的表现。该因子通过对市场日内交易的高频数据深度挖掘，展示了较为独特且持久的Alpha来源，具有较高的研究与应用价值。投资及量化团队可结合报告提供的方法论，进行后续的策略开发与调整。同时，报告中对模型局限及风险的坦诚，让投资者对实际操作中的不确定性有了清晰认识，体现了研究团队的专业与责任感。

---

参考标注

本文内多处结论均来自报告原文，如APM因子构造及绩效数据详见[page::0,1,2,3,4,5]，风险提示来自报告相关章节[page::0,1,5]，图表文字具体数据均摄取自对应页码[page::2,3,5]。

报告