脑洞大开,参考三篇研报设计了一个净逆向投资者买入占比因子,没想到效果还不错!

净逆向投资者买入占比

本文的因子，可以说是笔者瞎编的（当然也有可能出现在论文或者研报里面了，但是笔者没找到）。它参考了两篇研报，分别在过度自信，一个分层回测有点逆天的因子！、这个因子竟然连续6年IC绝对值超过0.1！和分布估计下的主动买入占比，桃子姐的因子居然在这本书中提到过！这三篇文章中复现过。

这个因子是这么胡诌出来的。

快速下跌区间内主动买入的属于“抄底”，也可以认为他们是逆向交易者。他们当中，有的是追寻巴菲特价值投资那一套搞逆向交易的，有的则可能是之前赔了不忍心割肉选择补仓。

如果是前者，那么意味着股票的价格很有可能低于公司内在价值了，买入的份额越高未来越可能上涨；若是或者，则意味着有一部分人已经套住了，从行为金融学的角度来看大部分套住的人不会轻易割肉，当他们买入的份额越低，未来下跌的空间也就越小。

至于快速上涨区间内的主动买入则属于“追涨”，他们是趋势交易者。未来趋势一旦发生变化，他们就会从“追涨”进入到“杀跌”状态，从而引起股价进一步下跌的正反馈。（没错，这叫正反馈！作为电子工程系的毕业生，笔者觉得有必要纠正一下正负反馈的概念。股价上涨，大量买入，股价进一步上涨，这叫正反馈；股价下跌，大量卖出，股价进一步下跌，这也叫正反馈；股价上涨，大量卖出，股价下跌，是负反馈；股价下跌，大量买入，股价上涨，也是负反馈。）

一个标的里，如果逆向交易者主动买入的份额大于趋势交易者，我们就可以认为这个标的将受到逆向交易者的主导，未来下跌空间有限。

计算步骤和代码

由于这个因子参考了三篇研报的思想，所以计算步骤确实有点复杂。

再加上，笔者的语言表达能力相当匮乏，所以各位看文字的时候可能会有一点点吃力，但是代码就比较简单了。

不过，在这里，笔者还是按照惯例，既给出文字描述，也贴出代码。

计算步骤

第一步，按照过度自信，一个分层回测有点逆天的因子！文章中的方法，将240分钟划分为快速上涨区间和快速下跌区间。

划分方法很简单，就是收益率大于均值+1倍标准差的是快速上涨区间，小于均值-1倍标准差的是快速下跌区间。

第二步，按照分布估计下的主动买入占比，桃子姐的因子居然在这本书中提到过！文章中的方法，计算主动买入的比例。

这里采用的是均匀分布，同时对桃子姐的计算进行了改进。改进后的公式为（close-low）/（high-low）。

第三步，参考这个因子竟然连续6年IC绝对值超过0.1！中（支撑成交量-阻力成交量）/流通股本的方式计算净逆向投资者买入占比，即（快速下跌区间主动买入-快速上涨区间主动买入）/流通股本。

代码

def process_single_day(self, idx):    file_name = self.files[idx]    date_str = file_name.split('.')[0]    full_path = os.path.join(self.file_pth, file_name)    data = BaseDataLoader.load_data(full_path, fields=['close', 'volume', 'open', 'high', 'low'])    close = data.to_dataframe('close')    vol = data.to_dataframe('volume')    rtn = close / data.to_dataframe('open') - 1    mu = rtn.mean()    sigma = rtn.std()    up_flag = (rtn > mu + sigma)    down_flag = (rtn < mu - sigma)    prob = (close - data.to_dataframe('low')) / (data.to_dataframe('high') - data.to_dataframe('low'))    vol = vol * prob    res = (vol * down_flag).sum() - (vol * up_flag).sum()    res.name = pd.to_datetime(date_str) + timedelta(hours=15)    return res

前7行，读取数据。

第8-12行，执行第一步，将240分钟划分为快速上涨分钟和快速下跌分钟。

第13-14行，执行第二步，计算每分钟主动买入的成交量。

第15行，计算快速下跌区间主动买入-快速上涨区间主动买入。

得到每日的快速下跌区间主动买入-快速上涨区间主动买入后，除以每日的流通股本即可。

def __call__(self):    res = self.run()    res = pd.concat(res, axis=1).T    cap = BaseDataLoader.load_data('../../data/capital.parquet', fields=['circulating_cap'])    cap = cap.to_dataframe('circulating_cap')    res = res / cap