金融工程研究：主动买卖单的批量成交划分法

　　主动买卖单的划分方法可以分为逐笔算法和批量成交划分法两大类。

    　　逐笔算法是把每一笔交易都进行主动买卖的划分，得到的是离散型的交易分类结果；ELO（2012）提出的批量成交划分法（BVC）是对一个区间内的总成交量进行主动买卖划分，得到的是连续型的分类结果。

    　　BVC算法更适用于委托驱动市场。

    　　在电子委托交易市场中，存在大量高频交易、订单拆分、隐藏订单、交易记录顺序错乱、订单延迟、委托撤单等噪音，使用BVC算法可以有效降低由于对订单过度拆分而导致的主动买卖方向划分错误的影响。

    　　BVC算法得到的净主买占比OI与股价涨跌幅的匹配程度更好。

    　　（1）相关性更强：两种算法下的日度回归R2分别为54%和36%，相关系数分别为73%和59%。

    　　（2）方向判断更准确：BVC算法对于净主买方向判断错误的概率更小，判断错误时给出的数值也更小，这在月频层面和股价上涨时体现地尤其明显。

    　　基于BVC算法构造的净主买占比OI，净换手率NTO均是可以提供额外增量信息的有效Alpha因子。

    　　月频层面剔除了所有常规大类因子后，BVC算法得到的OI5因子全市场IC为-2.14%，ICIR为-1.03，多空年化收益达12%；NTO20因子全市场IC为-2.89%，ICIR为-1.63，多空收益14%，均有显著的选股效果。而订单流算法得到的两因子正交化后均无效。

    　　BVC算法的OI和NTO因子使用中短周期来计算效果更强。

    　　基于过去5-20个交易日构造的因子均有效，60和120个交易日基本无效。

    　　BVC算法的OI和NTO因子在小市值股票池中因子效果更强因子ICIR绝对值排序：全市场>中证500>沪深300，在沪深300中无效。

    　　BVC算法的OI和NTO因子衰减速度比反转和流动性因子要慢。

    　　构建月频组合时，使用这两个因子的组合换手率会低于反转和流动性类因子。

    　　BVC算法的OI和NTO因子的短线选股能力与反转不相上下。

    　　因子持有期越短效果越好。BVC算法得到的OI5因子持有1天的ICIR为-10.06，NTO5为-10.27。

    　　BVC算法对冲击成本Istar模型的整体解释力更高。

    　　方程1的解释度大幅提升（2%VS 17%），方程2有所降低（11% VS 9%）。

    　　风险提示

    　　量化模型基于历史数据分析得到，未来存在失效的风险，建议投资者紧密跟踪模型表现。

    　　极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。