高频资金流分布因子的构建方法 | 开源金工

来源：市场投研资讯

（来源：建榕量化研究）

报告发布日期：2026-09-04

01

资金流分布蕴含选股信息

1.1 资金流强度指标与分布

我们在专题报告《分钟资金流因子的构建方法》（魏建榕、高鹏）、《分钟主动资金流中的选股信息》（魏建榕、高鹏）中，基于卖单和买单委托金额信息，将买单和卖单划分为超大单、大单、中单、小单四类，进一步按照逐笔成交信息汇总得到每1分钟四类订单交易信息。如果不区分主动成交和被动成交，将所有成交的买卖订单都进行汇总，可以得到不同资金流的分钟买入金额、卖出金额和净流入金额。如果对逐笔成交进行主动成交和被动成交区分，单独对主动成交资金流进行汇总，可以得到不同资金流的分钟主动买入金额、主动卖出金额和主动净流入金额（图1）。本文以分钟频率大单主动资金流为例，进行资金流分布因子构建。

在进行资金流分布因子构建之前，我们需要对分钟资金流强度进行衡量。表1展示了四类资金流强度指标——净流入指标、ACT指标、净流入占比指标、SIGN指标的对比情况。净流入指标直接使用分钟资金净流入绝对金额作为强度指标，不同股票之间的净流入水平会有差异；ACT指标、净流入占比指标均对不同股票的净流入绝对金额进行了标准化；SIGN指标去除了净流入强度信息，直接取净流入方向作为强度衡量。

我们选取了2026年7月份贵州茅台分钟频率大单主动资金流，分别计算了净流入指标、ACT指标、净流入占比指标、SIGN指标，并将四类资金量强度指标分布图进行对比（图2）。可以发现，四类资金流强度指标分布存在差异：净流入指标存在绝对金额量纲，ACT指标标准化后取值介于-1至1之间，SIGN指标相对ACT指标和净流入占比指标只保留了强度方向而过滤了强度水平。

1.2 资金流分布因子构造

我们以分钟频率大单主动资金流为例，进行资金流分布因子的构造。在获取股票1分钟大单主动资金流信息后，计算1分钟大单主动资金流强度指标：净流入指标、ACT指标、净流入占比指标、SIGN指标。对每类强度指标，分别计算20个交易日1分钟大单主动资金流强度序列的均值、标准差、偏度、峰度指标。进一步分别将均值、标准差、偏度、峰度指标在截面上回归股票的20日涨跌幅，所得残差分别为均值因子、标准差因子、偏度因子、峰度因子，记为mean因子、std因子、skew因子、kurt因子。具体因子构造步骤见表2：

上述4类强度指标搭配4个分布指标，我们共计得到16个资金流分布因子，表3展示了16个资金流分布因子的绩效指标。可以看出，SIGN指标的4个资金流分布因子表现最优，mean因子、std因子、skew因子、kurt因子信息比率分别为3.53、4.39、3.46、4.41，整体表现显著优于净流入指标、ACT指标、净流入占比指标的资金流分布因子。在后续资金流分布因子构建中，我们均使用SIGN指标来衡量分钟资金流强度。

SIGN指标构造得到的mean因子、std因子、skew因子、kurt因子中，kurt因子表现最优，这里我们展示SIGN指标下绩效表现最优的kurt因子五分组多空对冲曲线（图3）。kurt因子IC均值为-0.036、ICIR为-3.7、RankIC均值为-0.05、RankICIR为-4.07、多空对冲年化收益为18.3%、信息比率为4.41，多头组合年化收益为19.7%。从图3可看出，kurt因子多头组合收益表现优异，多空收益偏向多头组合，空头组合收益区分度不高，多空曲线稳健向上整体表现优异。

02

资金流分布因子改进思路

2.1 资金流分布时段因子

实证研究表明，机构资金偏好在上午甚至是上午开盘时段进行交易，不同类型投资者对日内交易时段的偏好存在明显差异，因此不同时段的资金流蕴含了不同的信息。我们将日内交易时段划分为第1小时、第2小时、第3小时、第4小时，筛选出过去20日特定时段资金流信息，构造得到不同时段的资金流分布因子。具体因子构造步骤见表4：

第1小时构造的资金流分布时段因子选股效果整体更优。对比不同时段构造的资金流分布因子选股效果可以发现（表5）：mean因子、std因子、skew因子、kurt因子的4个时段因子效果均单调下降，第1小时资金流分布因子选股效果最优。综合选股绩效指标来看，第1小时的std因子和kurt因子表现优异：std因子IC均值为0.035、ICIR为3.73、RankIC均值为0.054、RankICIR为4.59、多空对冲年化收益为17.6%、信息比率为4.62，多头组合年化收益为19.8%；kurt因子IC均值为0.033、ICIR为-3.51、RankIC均值为-0.053、RankICIR为-4.51、多空对冲年化收益为17.5%、信息比率为4.5，多头组合年化收益为19.9%。从第1小时的std因子和kurt因子五分组选股表现来看（图4，图5），两因子多头组合收益表现优异，多空收益偏向多头组合，空头组合收益区分度不高，多空曲线稳健向上。最终的std因子和kurt因子采用第1小时资金流数据进行构建。

2.2 资金流分布情景因子

本部分我们按照市场情景状态进行划分，选出特定的交易时刻，对所有股票的这些相同的交易时刻，进行大单分钟主动资金流情景因子构造。市场情景状态划分方法上，首先选择过去20日第1小时分钟信息，计算上证指数分钟指标（1分钟涨跌幅、5分钟涨跌幅、符号成交额 ），挑选出指数分钟指标靠前的50%交易分钟，并选取个股对应分钟的大单主动资金流信息，构造得到大单分钟主动资金流情景因子。具体因子构造步骤见表6：

符号成交额情景指标的资金流分布因子效果整体更优。对比不同情景指标构造的资金流分布因子选股效果可以发现（表7）：符号成交额构造的因子表现整体更优，其中mean因子和skew因子表现优异：mean因子IC均值为0.036、ICIR为4.07、RankIC均值为0.046、RankICIR为4.16、多空对冲年化收益为16%、信息比率为4.29，多头组合年化收益为17.7%；skew因子IC均值为-0.035、ICIR为-4.05、RankIC均值为-0.045、RankICIR为-4.2、多空对冲年化收益为15.8%、信息比率为4.21，多头组合年化收益为17.5%。从符号成交额情景的mean因子和skew因子五分组选股表现来看（图6，图7），两因子多头组合收益表现优异，多空收益偏向多头组合，空头组合收益区分度不高，多空曲线稳健向上。最终的mean因子和skew因子采用符号成交额情景指标进行构建。

我们计算资金流分布的mean因子、std因子、skew因子、kurt因子之间的因子相关性（表8）。综合来看，mean因子和skew因子之间相关性、std因子和kurt因子之间相关性超过80%，其他因子两两之间相关性不算太高，可以考虑将不同因子进行合成使用。

03

其他相关讨论

3.1 资金流分布因子回看天数

我们对上述资金流分布的mean因子、std因子、skew因子、kurt因子，测算不同回看天数的选股表现（图8，图9）。可以发现，随着回看天数由5天增加至30天，mean因子、std因子、skew因子、kurt因子选股效果先升后降。其中，mean因子、std因子、skew因子的最优回看天数为15天，rankICIR分别为4.23、4.78、-4.26、kurt因子的最优回看天数为20天，rankICIR为-4.51。

3.2 资金流分布因子路径选择

我们在高频数据低频化因子构建中，会存在路径选择问题：由最初逐笔频率数据最终得到月度频率因子过程中，会经历逐笔频率—分钟频率—日度频率—月度频率的降频过程。在上述资金流分布因子构建过程中，我们先是将逐笔频率数据汇总至分钟频率，然后将分钟资金流直接计算得到月度因子。在得到分钟频率资金流后，我们可以先计算每日分钟资金流的日内分布得到日频特征，后续计算日间分布得到最终月频因子。

具体因子构建上，我们首先计算日内分布得到日频的mean特征、std特征、skew特征、kurt特征，再进一步计算日频特征的日间分布（均值、标准差、偏度、峰度）得到最终16个资金流分布因子。从构造得到的16个资金流分布因子的表现来看（表9）：不同分布路径的mean-mean因子和skew-mean因子表现优异，信息比率分别为3.33和3.44。

3.3 资金流分布因子不同样本空间表现

我们测算了资金流分布因子在偏大市值的沪深300指数和中证500指数样本股中的选股效果。在沪深300指数样本中，std资金流因子和kurt资金流因子表现较优，rankICIR分别为2.07和-2.01，信息比率分别为2.16和2.12。在中证500样本中，mean资金流因子和skew资金流因子表现较优，rankICIR分别为2.44和-2.36，信息比率分别为2.1和2.03。

可以发现，资金流因子在沪深300和中证500样本中选股效果较优，多空对冲曲线均呈现向上趋势，（图10，图11）。相较来看，近几年高频量价因子在沪深300和中证500样本中选股效果均有一定失效，而资金流分布因子在沪深300和中证500样本中选股效果维持稳健。

模型基于历史数据测算，市场未来可能发生重大改变。

感谢实习生陈宇灿（中山大学）对本报告的贡献。

更多交流，欢迎联系: