（来源：开源金工 建榕量化研究）

报告发布日期：2026-08-28

在 A 股市场，信息优势是超额收益的重要来源之一，而“聪明钱”因子正是捕捉这类信息优势的核心工具。它通过识别具有信息优势的交易行为，帮助投资者从纷繁的成交细节中洞察主力资金动向，是量化策略获取 Alpha、理解市场微观结构的关键抓手。

在《聪明钱因子模型的 2.0 版本》（魏建榕、傅开波、高鹏，2020年）中，我们从分钟数据出发，以分钟级收益率 R_t 和成交量 V_t 构造聪明度指标 S_t，并以高 S_t 时刻的成交量加权平均价格 （VWAP） 相对全部 VWAP 的比值 Q 作为因子值。本报告在该框架基础上沿两大方向进一步拓展：一是引入市场反应对聪明时刻进行二次筛选，从时点成交量变化、前后收益差、前后成交量比、相对收盘价位置、局部密度、时间切片等维度提炼更有效信号；二是将数据维度从分钟行情延伸至逐笔成交、逐笔委托与盘口快照，构建多个参数化因子族、逾百个变体，形成“分钟 → 逐笔成交 → 逐笔委托 → 盘口”的完整聪明钱识别体系。

本报告结构安排如下：第一部分介绍 AI 赋能因子改进的整体架构与研究路径。第二部分回顾并改进分钟级聪明钱因子，优化聪明钱的时点选择。第三部分将数据维度从分钟 K 线拓展至逐笔成交、逐笔委托与盘口三类高频数据：基于逐笔成交数据，直接计算单笔成交聪明度，并引入成交强度、大单过滤等维度，从交易执行层面改进聪明钱的识别精度；基于逐笔委托数据，通过撤单比例与委托方向持续性识别机构的隐藏意图；基于盘口数据，利用买卖价差极端状态刻画市场微观结构变化，定位聪明钱的主动介入时点。第四部分将上述分钟级改进与逐笔成交、逐笔委托、盘口信息按统一框架融合，给出聪明钱因子3.0的构造形式。

01

AI 赋能下的因子改进实践

随着 AI 技术快速发展，量化因子的研究方式也在不断升级。本报告以“聪明钱因子”为例，尝试将 AI 工具贯穿因子改进全过程，构建从思路形成到因子输出的完整工作流，具体如图1所示。首先，通过大量语料的输入，让 AI 学习市场微观结构知识，辅助发散并筛选聪明钱的识别维度；其次，依托 AI 完成因子代码编写、参数化族设计及多版本变体批量生成；最后，通过代码审查、数值核对与逻辑复盘等环节把控质量，并结合回测结果持续迭代优化因子。

02

聪明钱因子：分钟数据层面的再思考

2.1 聪明钱2.0构造流程及绩效回顾聪明钱因子模型的核心问题是：如何识别聪明钱的交易。大量的实证研究表明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”的基本特征。基于这个考虑，我们在《聪明钱因子模型的 2.0 版本》构造了用于度量交易聪明度的指标S（表1，步骤2），指标S 的数值越大，则认为该分钟的交易中有越多聪明钱参与。借助指标S，我们通过以下方法筛选聪明钱的交易：对于特定股票、特定时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%视为聪明钱的交易（表1，步骤3）。

后文将聪明钱 2.0 因子作为改进的基准（以下简称“Baseline 因子”）。该因子回测绩效如下：RankIC 为-6.4%，多空收益为16.82%，多空信息比率为2.09。（回测设置：区间为 2021/07/01–2026/04/30；剔除 ST、停牌及上市不满 60 个交易日的股票；因子做市值行业中性化；月度调仓，双边千三扣费，10 分组；全市场回测以中证全指为多头超额基准，宽基内回测以对应宽基指数为基准。后文回测保持不变）

2.2 分钟级聪明钱因子的再刻画

分钟层面的聪明钱识别不能仅依赖单一聪明度指标，还需引入多个市场反应维度进行辅助判断。为此，我们选取时点成交量变化、前后收益差、前后成交量比、相对收盘价位置、局部密度、时间切片六类候选维度，测试高聪明度时刻的市场反应特征，并参数化比较“先按聪明度筛选再按市场反应分高低”与“先按市场反应分位再按聪明度筛选”两种构建路径，以寻找最优组合。具体如图3所示。

上述所有因子的 RankIC 对比如图4所示。整体来看，Baseline 因子存在一定改进空间。

在分钟层面的改进族中，我们筛选出两个绩效较优的因子：

一是 Smart_PriceImpact（聪明价格冲击因子），先计算分钟聪明度S_t，再在高S_t 样本中筛选前后收益差较大的时刻计算 Q。其 alpha 来源于：真正的聪明钱交易往往会在短时间内引起市场价格反应，前后收益差是识别这种信息驱动型价格变化的工具，从而在高S_t中二次确认出真正具有信息含量的聪明钱时刻；该因子RankIC为-7.00%，多空年化收益为 19.69%，信息比率为2.20。

二是 Smart_VolDecay（聪明钱成交量衰减因子），先计算分钟聪明度S_t，再在高 S_t样本中筛选发生后成交量相对前序显著萎缩的时刻计算 Q。其 alpha 来源于：缩量说明该价格变动并非由散户追涨杀跌驱动，更可能来自信息优势方的定向交易，从而在高 S_t 中进一步筛选出真正具有信息含量的聪明钱时刻；该因子RankIC为-6.24%，多空年化收益为 17.49%，信息比率为2.41。

最终方案将两个因子等权合成，得到 Smart_Minute_Enhanced（分钟聪明钱增强因子），合成后 RankIC 为 -6.89%，多空对冲年化收益为 20.50%，信息比率为 2.41。该因子相较于 Baseline 有一定幅度的提升，说明引入价格冲击与成交量衰减两个维度的二次筛选能够有效增强分钟级聪明钱因子的选股能力。

03

聪明钱因子改进：Level-2层面数据的再思考

在该部分，我们将聪明钱因子的识别粒度从分钟 K 线进一步下沉到 L2 高频数据，依次从逐笔成交、逐笔委托与盘口快照三个维度展开。在逐笔成交维度，我们直接基于单笔收益率与成交量构造聪明度指标，将识别对象下沉至单笔成交，并引入成交强度与大单过滤筛选有效成交；在逐笔委托维度，我们通过撤单比例、委托方向持续性及前后委托差异捕捉委托层面的隐藏信息；在盘口维度，我们则以买卖价差为核心，从绝对价差、相对价差、相对价差变化率三个方向刻画流动性紧张与信息交易行为。三个维度均以参数化方式构建因子族，为最终合成提供候选。如图7所示。

这里同样可以产生许多的变体，后续我们对于每一大类内部选择相对表现较优异、逻辑比较通顺的因子做举例。

3.1  聪明钱因子改进：逐笔成交维度

在分钟级聪明钱因子中，我们主要认为高 S_t 代表聪明钱。然而，并非所有聪明钱都采取激进的瞬时冲击方式成交——部分信息优势方出于控制冲击成本、隐藏交易意图等考虑，会选择以较为温和、缓慢的节奏执行大额交易。这种耐心执行模式下，单笔成交的价格变动有限，导致 S_t 偏低，但成交背后的信息含量可能并不低，这一特征在逐笔成交维度更能体现。

基于此，我们构建 Smart_TradeFlow_Patient（聪明耐心执行因子）：先基于逐笔成交数据计算单笔聪明度 S_t，选取 S_t 较低的尾部样本，再在其中筛选有大单参与的时刻计算 Q。该因子从全新维度刻画那些不追求短期价格冲击、而以较大规模耐心执行的交易行为，拓展了聪明钱因子的识别边界。

其中，若仅使用低 S_t 样本而不区分大单参与，因子选股效果较弱，RankIC 仅为 -0.63%；而在叠加大单筛选后，Smart_TradeFlow_Patient的 RankIC 提升至 -3.61%。这一对比说明，大单参与是识别耐心执行型聪明钱的关键条件。

进一步地，我们发现相较于只用Smart_Minute_Enhanced因子，加入Smart_TradeFlow_Patient因子后绩效进一步提升，二者有互补之处。

3.2  聪明钱因子改进：逐笔委托维度

在逐笔委托维度，撤单相关因子的测试效果较弱，此处不展示。相比之下，基于委托方向前后变化的因子表现较好。我们据此构建 Smart_OrderFlow_Impact（聪明委托流冲击因子）：以单笔委托为锚点，衡量其前后委托方向的差别比例，选取方向变化较大的样本作为聪明钱，并使用该部分计算 Q。其 alpha 来源于：当一笔委托下单后显著改变了市场委托方向时，说明该委托对委托簿产生了实质性影响，方向差别比例越大，对应的信息优势方主动介入特征越强，聪明钱的信息含量越高。    

我们将差别比例按 4 分组测算，差别最大组因子的RankIC为-4.29%，其次为-2.53%，再者为0.58%，差别最小组为3.71%，验证了委托方向变化对聪明钱识别具有显著的区分能力。(注：后续在处理过程中，我们也尝试了不同因子的组合，但是相较于只使用差别最大组做出的因子而言，并无明显提升)

绩效方面，Smart_OrderFlow_Impact的RankIC为-4.29%，RankICIR为-4.15，多空对冲年化收益为20.05%，信息比率为3.28。

3.3  聪明钱因子改进：盘口维度

在盘口维度，买卖价差是衡量流动性与交易成本的重要微观结构指标。绝对价差较小意味着盘口报价接近、流动性较好、交易成本较低，机构投资者等具有信息优势的交易方更倾向于在此类环境中执行交易；而绝对价差过大往往意味着盘口报价分歧大或流动性紧张，交易成本上升，噪音成分更高。因此，我们构建 Smart_Tick_Spread（聪明价差因子）：基于 Level-2 盘口快照计算绝对价差 Spread = Ask1 - Bid1，选取绝对价差较低、流动性较好的样本作为聪明钱，并计算 Q。其 alpha 来源于：在流动性充裕、交易成本较低时发生的成交，更可能来自机构投资者的主动交易，而非流动性补偿或情绪驱动的噪音交易，从而提升聪明钱的识别精度。

绩效方面，Smart_Tick_Spread 的 RankIC 为 -7.55%，RankICIR 为 -2.74，多空对冲年化收益为 17.93%，信息比率为 1.45。其相对于Baseline因子绩效并无明显提升，而且因子的波动较大，所以后续在合成时并没有考虑这一因子。

04

聪明钱因子改进：综合维度

4.1 聪明钱3.0因子定义

综上所述，我们将聪明钱的识别维度从分钟层面拓展至逐笔成交、逐笔委托与盘口层面，形成分钟、成交、委托、盘口四大类候选因子。各维度从不同角度刻画聪明钱行为：分钟层面关注聪明时刻的市场反应，逐笔成交层面捕捉耐心执行的大额交易，逐笔委托层面识别对委托结构有冲击的委托流，盘口层面则筛选流动性充裕环境中的成交。各维度代表性因子的绩效对比如图12所示，最终通过合成有效维度得到增强后的聪明钱3.0因子。

绩效方面，聪明钱3.0 的 RankIC 为 -7.21%，RankICIR 为 -4.30，多空对冲年化收益为 27.59%，信息比率为 3.21。

4.2  不同成分股下的测算

进一步地，我们探讨了聪明钱3.0因子在其他样本空间中的表现。月频调仓下10分组测试效果如表8所示。聪明钱3.0在沪深800内RankIC为-4.63%，多空年化收益9.24%、信息比率1.48；在中证1000内10日RankIC为-5.35%，多空年化收益11.98%、信息比率1.72。

4.3  与Barra因子相关性测算

如图13所示，聪明钱3.0因子除了流动性和残差波动之外，和Barra因子相关性幅度基本都在20%以内。

05

风险提示

模型基于历史数据测算，市场未来可能发生重大改变。

更多交流，欢迎联系:

开源证券金融工程团队 | 魏建榕 傅开波 高鹏 胡亮勇 王志豪 盛少成 蒋韬 常津铭 赵睿