24、交易量与因子模型：交易量因子

多因子模型中的量价因子

做量化这些年，我越来越觉得交易量是个被低估的宝贝。很多人盯着价格K线看半天，却忽略了成交量里藏着的秘密。说白了，价格是结果，交易量是过程——没有量的配合，价格的变动往往不可持续。

我记得刚入行那会儿，带我的老交易员说过一句话：「量在价先」。当时不太理解，后来在实盘里摔了几次跟头才明白，这短短四个字背后是几十年的经验沉淀。

交易量因子的理论基础

为什么交易量能成为因子？核心逻辑其实很简单：

• 信息流假说：交易量反映了信息进入市场的速度。量突然放大，说明有「聪明钱」在行动
• 流动性溢价：交易量低的股票，买卖价差大，持有成本高，需要更高的预期收益来补偿
• 分歧度指标：高交易量往往意味着市场参与者对价格走势存在较大分歧

我个人习惯把交易量因子分成两类：一类是「绝对量」，比如日均成交量；另一类是「相对量」，比如量比、换手率。实战中，相对量的预测能力往往更强。

常见的交易量因子构造方法

嗯，这里我直接上干货。以下是我在项目中常用的几种构造方式：

因子名称	计算公式	逻辑解释
换手率因子	成交量 / 流通股本	衡量股票的交易活跃度
量比因子	当前成交量 / 过去N日均量	捕捉成交量的异常变化
成交额因子	成交量 × 均价	考虑价格因素后的资金流量
Amihud非流动性因子	|日收益率| / 日成交额	衡量价格对交易量的敏感度

我曾经踩过一个坑：直接用原始成交量做因子。结果回测曲线漂亮得不行，一上实盘就崩。后来才发现，原始成交量受股本大小影响太大，必须做标准化处理。换手率才是更稳定的选择。

量价因子的组合策略

单独用交易量因子，效果其实一般。真正厉害的是把量和价结合起来。我常用的组合方式：

• 量价背离：价格上涨但成交量萎缩，往往是趋势衰竭的信号
• 量价齐升：价格和成交量同步放大，趋势延续的概率较高
• 放量突破：价格突破关键位时伴随成交量放大，突破的有效性更强

多因子模型中的权重分配

在多因子模型里，交易量因子通常不会单独占很大权重。我个人习惯给它10%-20%的权重，剩下的分配给动量、价值、质量等因子。为什么？因为交易量因子的稳定性不如基本面因子，但它能提供独特的「信息增量」。

举个例子：两个股票基本面一模一样，但一个交易量持续放大，另一个交易量萎缩。你选哪个？我肯定选前者——至少说明有人在关注它。

交易量因子的知识体系

下面这张图是我自己整理的交易量因子知识框架，方便大家理解各个概念之间的关系：

代码实现示例

最后，分享一段我在项目中实际用过的Python代码，用来计算换手率因子和量比因子：

import pandas as pd
import numpy as np

def calc_volume_factors(df, window=20):
    """
    计算交易量因子
    df: 包含['volume', 'close', 'shares_outstanding']的DataFrame
    """
    # 换手率因子
    df['turnover'] = df['volume'] / df['shares_outstanding']
    
    # 量比因子（当前量 / 过去N日均量）
    df['volume_ma'] = df['volume'].rolling(window).mean()
    df['volume_ratio'] = df['volume'] / df['volume_ma']
    
    # Amihud非流动性因子
    df['return'] = df['close'].pct_change()
    df['dollar_volume'] = df['volume'] * df['close']
    df['amihud_illiq'] = abs(df['return']) / df['dollar_volume']
    
    # 标准化处理
    df['turnover_z'] = (df['turnover'] - df['turnover'].mean()) / df['turnover'].std()
    
    return df

交易量因子这块，说白了就是「跟着聪明钱走」。但聪明钱不会举着牌子告诉你它在哪，你得从数据里自己找线索。多因子模型给了我们一个系统化的框架，但最终决策还是要靠你对市场的理解。