基于订单聚集现象的高频量价因子构建与回测分析

订单聚集因子的体系化构建框架

在量化交易规模持续扩大与市场有效性提升的背景下，传统因子的半衰期显著缩短，依赖人工经验的因子挖掘模式逐渐触及瓶颈。为突破人力主观局限，实现因子的批量化、系统化与高效迭代，本报告基于“因子簇”研究理念，以“订单聚集效应”为核心话题，构建了一套针对订单在时间维度上群体模式的体系化因子挖掘框架。该框架围绕订单分类、聚集识别、统计量提取、日内聚合四个关键步骤展开，旨在从原始的逐笔委托与逐笔成交数据中提取有效信息，构建“订单聚集因子簇”。

在订单分类环节，报告并未笼统观察所有订单，而是对原始逐笔委托数据进行精细化划分，以锁定不同交易群体的行为模式。具体而言，从操作行为（挂单与撤单）、交易方向（买方、卖方）、订单规模（大额订单）以及激进程度（最激进挂单）四个维度，构建了15种订单分类方式。这种多方位、多视角的划分，能够更精准地刻画与区分由大体量资金、激进交易者或高频做市商等不同推手引发的聚集行为。

聚集识别算法与微观特征提取

在明确观察对象后，报告引入了固定窗口法与动态窗口法两种机制来识别订单聚集的时间区间。固定窗口法以固定步长（如10秒）对全天进行刚性切分，考察区间内的订单密度突变，逻辑简单但易受市场日内“U型”活跃度分布干扰，导致早晚盘聚集事件过多而盘中异常被遗漏。相比之下，动态窗口法通过双阈值状态机机制，以近期历史为基线识别相对异常，有效规避了全局绝对阈值带来的时段偏差，能够自适应地捕捉订单流相较于常态节奏的突然偏离，为因子挖掘提供更为纯粹的增量信息。

在锁定聚集窗口后，报告在区间内提取丰富的微观量价结构特征。这些特征涵盖委托量与成交量分布、委托-成交转化率、价格跳跃的高阶统计特征（如偏度、峰度）以及高频量价序列的相关性等。指标定义既包括聚集区间内的绝对数值，也包括与全天均值的偏离度或相对变化。通过多维度、多深度的指标定义，构建了上千种统计量，全面刻画订单聚集事件的微观结构特征。随后，通过常规聚合（如均值、极值、分位数）与时间聚合（如时间衰减、上下午差值）两种视角，定义了10种聚合算子，将日内多个聚集区间的信息汇总为日频因子值。

因子簇表现与指数增强应用

通过上述四个步骤的交叉遍历，系统性地繁衍出众多订单聚集因子，并经分时段筛选，最终保留了效果最优且相关性较低的50个因子，构成“订单聚集因子簇”。回测显示，这50个因子的年化ICIR绝对值均达到2以上。在此基础上，选取样本内信息比率最高的20个因子等权合成“订单聚集综合因子”。在2016年至2026年的回测期内，该综合因子的月度RankIC均值显著，多空对冲策略展现出较高的年化收益与信息比率，月度胜率稳定。

进一步地，基于订单聚集综合因子构建了月频调仓的指数增强组合。在沪深300、中证500及中证1000指数增强组合中，均实现了显著的超额年化收益。其中，中证1000指数增强组合的超额年化收益表现尤为突出，信息比率较高，日度胜率接近60%。这表明基于订单聚集现象构建的高频量价因子，在捕捉微观结构信号、提升指数增强策略绩效方面具有显著价值，为量化多因子投研提供了新的有效Alpha来源。