重拾自信选股因子 2.0——从过度自信到重拾自信

创建于 2025-07-15T17:10:59.345343+08:00 更新于 2025-07-15T17:24:31.085101+08:00

摘要

本报告基于行为金融学经典DHS模型，创新构造了反映投资者过度自信的CP因子和进一步反映过度修正的重拾自信RCP因子。通过高频分钟数据提取股票快速上涨和下跌时间点差，CP因子表现稳健，回测期内年化收益13.79%，信息比率1.98。RCP因子剔除日内收益影响后表现更优，年化收益19.17%，信息比率2.94。报告进一步优化因子合成方法，推出新RCP_new后因子信息比率提升至2.91，纯净因子表现更优，且在沪深300和中证500指数成份股上均表现出色，支持其在指数增强组合中的应用价值。[page::0][page::3][page::6][page::9][page::11][page::13][page::17]

速读内容

行为金融学视角下的过度自信因子构建 [page::3][page::5]

基于经典DHS模型，定义CP因子（信心持久度）通过高频分钟收益率辨识快速上涨和快速下跌区间的时间差，指标值越大体现股票利好越强。

- 月度IC均值0.030，年化ICIR 2.23，10分组多空对冲年化收益13.79%，信息比率1.98，最大回撤率9.27%。

CP因子具有明显的经济意义，因子值越大，未来股票表现越优。

重拾自信因子的提出与构造方法 [page::8][page::9][page::10]

观察到过度自信后的股价回调可能出现过度修正问题，分为两类股价走势以区分后续反弹潜力。

- 构造RCP因子：对CP因子剔除日内收益（横截面正交）得到残差作为新因子，剔除第二类股票影响，仅保留未来存在补涨潜力的股票。

RCP月度IC均值提升至0.038，年化ICIR 3.11，10分组多空对冲年化收益19.17%，信息比率2.94，最大回撤7.57%，表现优异明显优于CP因子。

因子改进与纯净因子表现 [page::11][page::12][page::13]

采用标准化而非排序值方法结合CP、RCP均值和标准差因子，构造新CPnew和RCPnew因子，信息比率分别达到2.09和2.91，新RCPnew纯净因子相比原纯净因子信息比率由1.76提升至2.37，表现全面 improved。

- 代表性绩效指标：
| 因子 | 年化收益率 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|------------|------------|------------|----------|----------|------------|
| RCP | 19.17% | 6.52% | 2.94 | 83.50% | 7.57% |
| RCPnew | 20.69% | 7.12% | 2.91 | 81.55% | 7.95% |
| 纯净RCP | 8.58% | 4.88% | 1.76 | 67.65% | 3.16% |
| 纯净RCPnew| 10.69% | 4.51% | 2.37 | 73.53% | 2.79% |
纯净 RCP 因子 10 分组多空对冲净值走势

因子收益分解与多样样本验证 [page::14][page::15][page::16]

多空收益分解显示空头和多头均对整体收益贡献显著，空头年化超额收益10.53%，多头9.50%。

- RCP因子在沪深300和中证500成分股中均表现优异，年化收益和信息比率均高于传统因子Vol20及Ret20。

不同回看天数（20、40、60日）对因子表现影响不大，稳定性好。

| 样本空间 | 因子 | 年化收益率 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|---------|--------|------------|------------|----------|----------|------------|
| 沪深300 | Vol20 | 0.38% | 23.67% | 0.02 | 53.40% | 54.80% |
| | Ret20 | 8.56% | 25.33% | 0.34 | 58.25% | 46.33% |
| | CP | 10.70% | 14.71% | 0.73 | 56.31% | 37.90% |
| | RCP | 11.64% | 13.39% | 0.87 | 54.37% | 40.22% |
| 中证500 | Vol20 | 3.60% | 22.75% | 0.16 | 54.37% | 47.71% |
| | Ret20 | 3.49% | 21.18% | 0.16 | 49.51% | 42.38% |
| | CP | 10.66% | 11.71% | 0.91 | 66.02% | 31.02% |
| | RCP | 13.25% | 10.80% | 1.23 | 69.90% | 31.54% |

指数增强组合构建及效果验证 [page::17][page::18]

基于沪深300和中证500成分股，构建4个投资组合（波动率最低10%、反转因子最低10%、CP因子最高10%、RCP因子最高10%），均为月度换仓。

- RCP因子构建组合表现最佳，沪深300组合年化收益14.29%，波动率23.58%，信息比率0.61，均优于其他组合。

中证500组合中RCP组合略低于CP组合收益但波动率更低，表现稳健。

| 组合 | 年化收益率 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|----------|------------|------------|----------|----------|------------|
| Vol20 | 12.07% | 29.15% | 0.41 | 51.55% | 43.74% |
| Ret20 | 12.14% | 27.59% | 0.44 | 53.61% | 39.51% |
| CP | 11.95% | 24.20% | 0.49 | 57.29% | 46.15% |
| RCP | 14.29% | 23.58% | 0.61 | 57.29% | 39.59% |

深度阅读

金工专题报告《重拾自信选股因子 2.0——从过度自信到重拾自信》详尽分析

---

1. 元数据与概览

报告标题：《重拾自信选股因子 2.0——从过度自信到重拾自信》

作者与发布机构： 证券分析师高子剑，东吴证券研究所

发布日期： 2022年9月15日

研究主题及范围：
本报告作为东吴金工“行为金融拥抱选股因子”系列的第一篇，聚焦行为金融中的典型预期偏差——过度自信，基于经典的DHS模型，创新构造并改进选股因子，尝试用行为金融视角挖掘量化选股因子的有效性。

报告核心论点与贡献：

利用分钟级高频数据设计了过度自信因子（CP），通过捕捉股价利好超涨和回调的时间差距，反映投资者过度自信的行为特征。

- 在此基础上，考虑过度自信之后的“过度修正”(过度悲观)，构建了第二代重拾自信因子（RCP），去除了日内收益的影响，选股效能明显提升。

针对初版因子中捨弃的信息，设计了改进版本（RCPnew），采用标准化方法结合均值和标准差因子，进一步提升纯净因子表现。

- 因子在全市场和沪深300、中证500成分股均有稳健表现，且对指数增强组合构建具有参考意义。

主要绩效数据亮点：
过度自信因子CP：月度IC均值0.03，ICIR 2.23，10分组多空收益年化13.79%，波动率6.95%，信息比率1.98，最大回撤9.27%。

- 重拾自信因子RCP：月度IC均值0.038，ICIR 3.11，多空年化收益19.17%，波动率6.52%，信息比率2.94，最大回撤7.57%。

改进版RCPnew在剔除常用风格及行业影响后，年化收益10.69%，信息比率2.37，超越旧版纯净因子1.76的表现。

风险提示包括未来市场风险、单因子模型稳定性风险及数据测算误差等[page::0,3,6].

---

2. 逐节深度解读

2.1 引言

报告开篇阐述了行为金融因子构建的背景及意义。传统量化模型多基于历史数据且假设投资者理性，但现实中投资者行为常非理性，且情绪行为难以改变。行为金融理论为因子设计提供新视角。该系列首篇聚焦过度自信这一常见的投资者认知偏差，基于DHS模型，利用股价行为特征量化这一偏差，进而设计选股因子。初版因子组合表现优异，胜率高达81.55%[page::3].

2.2 过度自信因子的构建

DHS模型介绍：
DHS模型由Daniel, Hirshleifer, Subrahmanyam于1998年提出，解释短期动量与长期逆转，基于投资者对私人信息过度自信（即高估其私人信号精度），导致股价先被高估再校正。模型划分四个时期：

0期：所有投资者收到相同信息和财富禀赋。

- 1期：知情交易者收到私人内幕噪声信号（$\varepsilon$）。

2期：所有投资者接收到公共信息（$\eta$）。

- 3期：真实价值$\theta$显现。

投资者过度自信使得第一期价格$P1$偏离真实价值，第二期$P2$部分纠正但仍估值过高，第三期$P3$价回归至真实价值[page::3,4].

CP因子设计逻辑：
基于DHS模型的动态，报告提出利用“利好超涨”和“股价回调”两个时间点间的差距（时间差）作为投资者过度自信程度的代理，即CP（Confidence Persistence，信心持久度）。时间差越大代表知情交易者持续推高价格时间越长，过度自信程度越高，投资者愿意持续拥抱利好。反之，时间差短说明消息真实性较低，市场反应不持久。

CP因子具体计算步骤：
以当天9:30-11:30及13:00-15:00区间内243分钟为单位，计算每分钟股价收益率。

- 分析240个分钟收益率的均值和标准差，定义超过$\text{mean}+\text{std}$为快速上涨区间，低于$\text{mean}-\text{std}$为快速下跌区间。

分别计算两区间分钟序号中位数，下跌中位数减上涨中位数得到日频CPIntraday。

- 以过去20个交易日CPIntraday的均值及标准差为月度CPMean和CPStd，经过市值中性化处理，转化为排序并相加，形成最终月度CP因子。

CP因子表现：
回测期2014-2022年8月，月度平均IC 0.030，ICIR 2.23，10分组多空对冲年化回报为13.79%，信息比率1.98，最大回撤9.27%。

- 图3-5显示10分组多空净值走势，因子分组越大（CP越高），股票表现越好，符合经济逻辑。

表1详述了CPMean、CPStd及CP在收益率、波动率、胜率等方面的表现，CP综合指标最佳[page::5,6,7].

2.3 重拾自信因子的构建

过度修正假设：
基于DHS，报告进一阶段假设：知情交易者在声明利好消息后不仅会过度自信推高股价（过度反应），随后股价回调时可能出现过度悲观，即过度修正。
第一类股价走势形态（图6红色）为：开盘涨幅不被收盘确认，收盘大幅回落，后期必然进行补涨，代表市场“重拾自信”。

- 第二类形态（图6黑色）为：回调幅度较小，涨幅大部分提前兑现，后续难以补涨。

首代CP因子无法区分两类情况，RCP因子设计的目的是剔除第二类股票。

RCP构造方法：

日频：对第一代因子CPIntraday进行日内收益率的横截面正交化，去除当日股价走势影响，得到残差RCPIntraday。

- 月频：以过去20个交易日RCPIntraday均值和标准差，做市值中性化，得到RCPMean和RCPStd。

两因子排序后求和得到月度RCP因子。

RCP因子表现：

回测期同样为2014-2022年8月，月均IC 0.038，ICIR 3.11，10分组多空年化回报19.17%，波动率6.52%，信息比率2.94，最大回撤7.57%，月胜率83.5%。

- RCP优于CP，表现更稳定且收益更高，符合重拾自信股票补涨预期。

图7-10以及表2呈现详细多空净值走势和绩效指标对比[page::8,9,10].

2.4 RCP因子的改进

动机与思路：
原RCP因子构建采用因子排序值合成，导致部分选股信息损失。注意到RCPMean和RCPStd的相关系数仅-0.14，存在可提升的空间。

改进方法：

将均值与标准差月度因子标准化（减均值除以标准差），用两者差值作为新的CPnew和RCPnew因子。

- 该方法保留原始信息的连续性，避免因子排序带来的离散化损失。

改进后绩效比较：

新RCP因子月度IC均值0.040，ICIR 3.27，略优于原RCP

- 多空对冲年化收益20.69%，信息比率2.91，月度胜率81.55%，最大回撤7.95%

新因子在纯净化处理（剔除市场风格和行业）后，表现更为优异，信息比率从1.76提高至2.37，说明改进显著增强了因子的选股能力与稳定性。

- 图12-16及表3-5详细展示了改进前后的比较和纯净因子表现[page::10,11,12,13].

2.5 纯净重拾自信因子表现

为了验证因子并非简单反映市场常用风险因子，报告与Barra风格因子进行相关性分析，发现新旧RCP因子与传统因子的相关系数都较低，保持了独立性。
基于传统因子和28个申万行业虚拟变量做回归，将残差作为纯净因子，表明新因子纯净化处理后表现依然强劲，说明新因子保留了更多的独特信息。
改进后纯净RCP因子比改进前复合因子表现更优，尤其在信息比率、最大回撤指标上优势明显。这对投资组合稳定性提升具有积极意义[page::12,13].

---

3. 图表深度解读

图1：DHS模型简介（第5页）

展示DHS模型下的时间点划分：0-3期的投资者信息接收和股票价格的演化过程，形象说明过度自信引发的股价动态，从内幕噪声影响到公开信息再到真实价值，图解清晰支持理论基础[page::5].

图2：CPIntraday构造示例（第6页）

该图通过日内分钟收益率柱状图，红色标识快速上涨区间，绿色标识快速下跌区间，突出实际计算过程。利用涨跌区间的分钟序号差得到CPIntraday，具体示例中计算出CP为-78，直观展示了因子的微观构建逻辑[page::6].

图3-5：CP因子各成分10分组多空净值走势（第7页）

图3（CPMean）显示随着因子分组提升（由1至10），净值增长更快，且10-1差值日益扩大，表明CP均值对收益有明显预示能力。

- 图4（CPStd）显示标准差因子表现稍逊于均值因子，但仍具备分层能力。

图5（综合CP）结合均值与标准差，表现最佳，净值曲线最为陡峭，10-1组差值最大，映射出该因子较高的选股区分力。

此组图整体证明CP因子经济含义合理，符合模型预期，分组因子值越高对应股票未来收益越好[page::7].

表1：CP因子10分组多空绩效指标（第7页）

量化指标显示CP因子年化收益13.79%、波动率6.95%、信息比率1.98，向上击败CPMean和CPStd单因子，最大回撤9.27%也保持合理，支持该因子具备稳定选股能力[page::7].

图6：利好消息当天股价两类走势示意（第8页）

直观展示两类典型股价反应：

红线表示过度修正（先大涨后大跌，收盘低于开盘），后续有补涨潜力。

- 黑线表示过度调整较轻微，涨幅基本兑现，未来难补涨。

该图为RCP因子设计提供直观市场情景，帮助理解后续因子筛选思路[page::8].

图7-10：RCP因子及成分分组多空净值走势（第9-10页）

图7（RCPMean）、图8（RCPStd）均展示出10分组分层明显，净值走势随着因子值趋势一致。

- 图9为RCP综合因子，净值涨幅较CP更为显著，10组领先明显。

附图10、11为双因子细分年化收益率表，显示两个成分因子交叉分组的收益分布，辅因子排序影响年化收益，逻辑自洽。

这组图反映RCP因子在多维度指标组合下的稳健表现和信息量[page::9,10,11].

表2：RCP及CP因子绩效指标对比（第10页）

清晰量化了两个因子的细节差异，RCP因子全面领先CP，年化收益19.17%，信息比率2.94，最大回撤7.57%，证明模型改进后的巨大提升[page::10].

图12-13：新CP和新RCP因子10分组及多空净值走势（第11页）

标准化合成的新因子使净值涨速更快，尤其新RCP达到20%以上年化收益，图形走势更为顺滑凸显稳定性，视觉差异明显[page::11].

表3：新旧因子对比（第12页）

数据证明新CP和新RCP因子较旧版更优，尤其新RCP超过20.69%年化收益，保持信息比率接近原版，且最大回撤有所改善，见证合成方法的有效提升[page::12].

图14-16及表5：纯净RCP因子表现和对比（第13页）

图14、15展示纯净因子净值走势，新因子均优于旧因子。

- 图16对比二者表现，纯净因子间收益差距扩展，体现改进后的纯净RCP含有更强选股信号。

表5说明纯净RCPnew因子信息比率显著高于RCP纯净旧因子，最大回撤更低，月度胜率也有所提升，表明在剔除市场风格后依然具备稳定收益潜力[page::13].

图17：RCPdeRet20因子多空净值走势（第14页）

该图展示剔除了传统20日反转因子影响的新RCP因子，表现优异且最大回撤降低至6.31%，确认新因子不简单反映传统反转效应，而是独立考量的行为金融因子[page::14].

表6-8：年化及参数敏感性分析（第15-16页）

分年度统计显示RCP因子在不同年份总体表现一致，尤其在2014、2015年及2021年表现突出。
不同回看窗口（20日、40日、60日）实验显示参数选择在一定范围内对因子表现影响不大，因子稳定性高[page::15,16].

表9：多空分解收益（第16页）

RCP因子多空收益分解：空头选股表现反而优于多头收益（10.53% vs 9.50%），且空头信息比率更高，表明因子在做空低质量标的上效率较高，整体策略更全面[page::16].

表10及图18-19：其他样本空间表现及投资组合构建（第16-17页）

RCP因子在沪深300、中证500均表现良好，且均优于传统波动率、反转及过度自信CP因子。

- 投资组合构建中，基于RCP因子的10%极端组合在沪深300年化收益14.29%，波动率23.58%，优于其他因子组合。

中证500虽然略逊CP收益但波动和回撤显著更低，显示其更稳定适合组合优化。

- 图18-19和表11-12清晰展示组合净值表现及对应指标对比，证实因子实际应用潜力[page::16,17,18].

---

4. 估值分析

本报告作为选股因子研究，未涉及传统的估值模型（如DCF、市盈率等），主要基于因子表现（信息比率、IC、收益率、波动率等统计学指标）衡量因子有效性及风险调整后的收益表现。
报告重点在于因子构建逻辑、统计检验和实证表现，对因子改进采用标准化方式提升因子信号强度。融合市值中性化和回归去噪手段，体现了因子的独立性和有效性。

---

5. 风险因素评估

报告明确列出三大风险：

未来市场变化风险：历史表现不保证未来有效，市场结构、行为变化可能削弱因子适用性。

2. 单因子模型风险：单因子策略波动可能较大，实际应用需搭配多因子及风控手段降低风险。

数据测算误差风险：因子计算依赖高频数据，存在结构性误差、噪声影响等潜在风险。

风险评估结构清晰，识别准确，未见明确的风险缓解策略，建议在实际操作中结合风险控制和多因子框架[page::0,18].

---

6. 审慎视角与细微差别

因子构建的前提假设较强，基于DHS行为偏差模型及股价信息传递机制，虽然经典但简化了市场复杂性。

- 数据处理步骤依赖多次排序与正交，存在信息损失或信号扭曲风险，报告通过改进因子合成手段予以缓解，但因子优化仍需持续验证。

因子月频构造回顾期固定为20日，敏感性分析显示结果稳健，但不同市场环境下需进一步检测。

- 纯净化过程剔除了常用风格和行业影响，因子与传统风格低相关，验证了因子独立性，但若投入组合需考虑风格暴露平衡。

报告未涉及因子实盘交易成本、流动性影响等微观结构问题，建议后续研究强化。

- 一些细节如因子对极端市场的表现（牛熊市切换）、因子组合策略构建与仓位管理未展开，存在应用层面的扩展空间。

---

7. 结论性综合

本报告创新地结合行为金融学经典DHS模型和高频分钟数据，设计了反映投资者“过度自信”和随后的“重拾自信”行为偏差的两代选股因子CP与RCP，并提出了改进版本RCPnew，进一步提升了信息含量和选股能力。回测结果显示：

过度自信CP因子具备稳定的选股能力，年化多空对冲收益达13.79%，波动率6.95%，信息比率1.98，最大回撤9.27%。

- 进一步剔除日内收益影响形成的重拾自信RCP因子显著提升收益表现，年化收益19.17%，信息比率2.94，最大回撤7.57%，月度胜率超过83%。

改进的RCPnew因子通过标准化均值与标准差组件组合，保留了更多日频信号信息，纯净因子剔除行业和风格影响后，表现跃升至10.69%收益率，信息比率2.37，显示了出色的风险调整能力和稳定性。

- 多空收益分解揭示因子具备良好的做多和做空效能，空头策略表现尤为强劲，提升了选股的多维效率。

在沪深300及中证500市场中，因子同样展现出强劲的适用性，构建的基于RCP因子的投资组合收益优于传统波动率和反转组合，具有指数增强的潜力。

- 各类图表细致阐释了因子的构造逻辑和演进过程，回测指标数据充分支持因子设计的理论依据与实证结论。

总体而言，报告充分证明了利用行为金融视角，在时间序列和横截面同时挖掘投资者过度自信及其修正行为，可以有效提升股票择时和选股能力，且该因子在后续改善和市场多样化检验中依然保持稳健，为行为金融在量化投资策略中的应用示范提供了范本。但投资者在实际使用时应注意报告揭示的市场变动、不确定性风险和模型固有局限，结合多因子及风险管理框架综合应用。

---