基于訂單聚集現象的高頻量價因子構建與回測分析

訂單聚集因子的體系化構建框架

在量化交易規模持續擴大與市場有效性提升的背景下，傳統因子的半衰期顯著縮短，依賴人工經驗的因子挖掘模式逐漸觸及瓶頸。為突破人力主觀局限，實現因子的批量化、系統化與高效迭代，本報告基于“因子簇”研究理念，以“訂單聚集效應”為核心話題，構建了一套針對訂單在時間維度上群體模式的體系化因子挖掘框架。該框架圍繞訂單分類、聚集識別、統計量提取、日內聚合四個關鍵步驟展開，旨在從原始的逐筆委托與逐筆成交數據中提取有效信息，構建“訂單聚集因子簇”。

在訂單分類環節，報告并未籠統觀察所有訂單，而是對原始逐筆委托數據進行精細化劃分，以鎖定不同交易群體的行為模式。具體而言，從操作行為（掛單與撤單）、交易方向（買方、賣方）、訂單規模（大額訂單）以及激進程度（最激進掛單）四個維度，構建了15種訂單分類方式。這種多方位、多視角的劃分，能夠更精準地刻畫與區分由大體量資金、激進交易者或高頻做市商等不同推手引發的聚集行為。

聚集識別算法與微觀特征提取

在明確觀察對象后，報告引入了固定窗口法與動態窗口法兩種機制來識別訂單聚集的時間區間。固定窗口法以固定步長（如10秒）對全天進行剛性切分，考察區間內的訂單密度突變，邏輯簡單但易受市場日內“U型”活躍度分布干擾，導致早晚盤聚集事件過多而盤中異常被遺漏。相比之下，動態窗口法通過雙閾值狀態機機制，以近期歷史為基線識別相對異常，有效規避了全局絕對閾值帶來的時段偏差，能夠自適應地捕捉訂單流相較于常態節奏的突然偏離，為因子挖掘提供更為純粹的增量信息。

在鎖定聚集窗口后，報告在區間內提取豐富的微觀量價結構特征。這些特征涵蓋委托量與成交量分布、委托-成交轉化率、價格跳躍的高階統計特征（如偏度、峰度）以及高頻量價序列的相關性等。指標定義既包括聚集區間內的絕對數值，也包括與全天均值的偏離度或相對變化。通過多維度、多深度的指標定義，構建了上千種統計量，全面刻畫訂單聚集事件的微觀結構特征。隨后，通過常規聚合（如均值、極值、分位數）與時間聚合（如時間衰減、上下午差值）兩種視角，定義了10種聚合算子，將日內多個聚集區間的信息匯總為日頻因子值。

因子簇表現與指數增強應用

通過上述四個步驟的交叉遍歷，系統性地繁衍出眾多訂單聚集因子，并經分時段篩選，最終保留了效果最優且相關性較低的50個因子，構成“訂單聚集因子簇”。回測顯示，這50個因子的年化ICIR絕對值均達到2以上。在此基礎上，選取樣本內信息比率最高的20個因子等權合成“訂單聚集綜合因子”。在2016年至2026年的回測期內，該綜合因子的月度RankIC均值顯著，多空對沖策略展現出較高的年化收益與信息比率，月度勝率穩定。

進一步地，基于訂單聚集綜合因子構建了月頻調倉的指數增強組合。在滬深300、中證500及中證1000指數增強組合中，均實現了顯著的超額年化收益。其中，中證1000指數增強組合的超額年化收益表現尤為突出，信息比率較高，日度勝率接近60%。這表明基于訂單聚集現象構建的高頻量價因子，在捕捉微觀結構信號、提升指數增強策略績效方面具有顯著價值，為量化多因子投研提供了新的有效Alpha來源。