前言
市场就像一个茂密的森林，市场里的不同投资者在森林扮演着不同的角色，有人是兔子，有人是狮子，而活得最久的是，聪明而又谨慎的猎人。
“聪明钱”代表着能从这个市场获利的少数，今天我们尝试从分钟数据里面去追踪“聪明钱”的动向！
1.“聪明钱”因子S
( 本研究根据方正金工研报——从分钟行情数据到选股因子实施 )
聪明钱在交易过程中往往呈现“单笔订单数量更大，订单报价更为激进”的特征。
对于特定股票，特定时间段的所有分钟行情数据，将其按照指标S从大到小进行排序，将成交量累积占比前20%视为聪明钱交易。
S值为就是聪明值，其中 Rt 为第 t 分钟的涨跌幅，Vt 为第 t 分钟的成交量
(归一化函数的目的是为了 后面画图方便)
（数据处理后）
通过获取数据计算出S值后，对数据进行归一化处理方便后面画图根据S值的大小，同时对相应的成交量数据进行排序，选取累积成交量达到20%的各时刻的交易作为聪明钱交易。假如经排序后第10个交易达到总成交量的20%，则取前10个为“聪明钱交易”，这里经过计算是取前6分钟。
(s值排序后计算成交量占比达到20%的交易日)
（此处因代码过于冗余而省略画图代码）
（S值与成交量组成散点图）
（通过对S值进行排序后成交量图）
2.“聪明钱”的情绪因子Q
因子Q实际上反映了在该段时间段中聪明钱参与交易的相对价位
因子Q的值越大，表明聪明钱的交易越倾向于出现在价格较高处，这是逢高出货的表现，反映了聪明钱的悲观态度；
因子Q的值越小，则表明聪明钱的交易多出现在价格较低处，这是逢低吸筹的表现，是乐观的情绪
（Q值的计算）
3.验证思路
（定义计算月度收益函数）
为考察聪明钱情绪因子Q的选股能力，选取时间段为04/30/2013～05/31/2016 由于数据提取十分缓慢，以中证800指数成份股为股票池，并且剔除了股票池中的当期停牌股，且该股票池基本不包括新股与ST股，基本满足原作者的选股要求。
计算思路：
1. 在每个月的最后一个交易日，取所有股票最近10个交易日的分钟行情数据，计算每只股票的情绪因子Q
2. 计算每个月的因子值与次月的信息系数（IC）与秩相关系数(Rank IC)，统计显著性表现情况
信息系数（Information Coefficient, IC）
表示所选股票的因子值与股票下期收益率的截面相关系数，通过IC值可以判断因子值对下期收益率的预测能力，IC值是决定因子是否具有持续性收益。
通常IC大于3%或者小于-3%，则认为因子比较有效。常见的 IC有两种，一种是Normal IC（类比皮尔森相关系数概念），另一个是Rank IC （类比斯皮尔曼相关系数）
信息系数越大，该因子越有效
（计算相关系数）
（信息系数判断标准）
（IC值结果）
计算出来的结果并不符合预期，在方正金工研报中的情绪因子Q与下期收益率显著负相关占主导地位，但本文反而正相关更有优势。且Normal IC表现出来的特征相比于Rank IC有更好的结果，正相关特性更加强烈。
可能我追踪到了傻瓜钱......
相比于通过秩相关系数的值进行显著性判断，我们这里从另一个维度（恰当与否值得商榷）考虑使用P值来判断显著性，看看是否能达到研报中的预期结果。
（P值相关的筛选与评判标准）
（P值结果）
根据信息系数和秩相关系数的结果显示，我们发现秩相关系数显著为正的有9个（蓝色），显著为负的有7个（品红色），不显著的有22个（浅色）
情绪因子Rank IC基本为负的特性并没有发现，与方正金工的研究结果大相径庭。
通过对每期因子值进行排序，将整个股票池的股票等分为若干组，比较每组的收益情况
本文将整个股票池平均分为10个篮子 ，计算了每个篮子对应的因子平均收益率，（如果情绪因子Q表现理想，则正常情况下，因子平均收益在不同篮子之间应该呈现出显著差异，且呈单调变换）
多么神奇的事情，竟然基本全部是正收益（情绪因子Q最小的那组收益稍微为负），目瞪口呆。
但是，正收益最高的分组对应的收益率平均下来也不过1.2%，其他分组都不超过1%，说明该因子并不存在显著的获益能力，因为一般而言持有大盘指数的etf也能获得微微的正收益。
写到这里，再进行回测用来检验实际表现情况的心情都没有了。也许真的追踪到了“假钱”....
联系客服
