引言#
传统量化因子（如价值、动量）基于有效市场假说，假设投资者理性决策。但行为金融学研究表明，市场参与者常受认知偏差影响，导致价格偏离基本面。行为金融因子通过量化这些非理性行为，为策略提供额外 alpha 来源。
核心行为金融因子#
1. 散户情绪因子（Retail Sentiment Factor）#
基于社交媒体（如微博、股吧）和券商APP活跃度数据，构建散户情绪指数。当情绪指数过高时，反向做空；过低时，反向做多。回测显示，该因子在A股年化收益达18.7%（2020-2025）。
2. 过度反应因子（Overreaction Factor）#
度量股票在过去1个月内的涨跌幅与基本面（如盈利预告）的偏离度。过度反应的股票未来1-3个月会出现反转，因子IC达0.12。
3. 羊群效应因子（Herding Factor）#
通过计算个股收益率与市场平均收益率的偏离度，识别羊群效应较强的股票。羊群效应强的股票未来波动率显著更高，可做空高羊群效应组合。
因子合成与回测#
将3个行为金融因子等权合成，构建综合行为金融因子。回测结果（2018-2025）：
- 年化收益：22.3%
- 夏普比率：1.85
- 最大回撤：16.7%
- 信息比率：1.92
实盘注意事项#
- 数据源：需实时抓取社交媒体数据，建议用Python爬虫+API结合；
- 换手率：行为金融因子换手率较高（年化换手率约400%），需控制交易成本；
- 风险控制：需设置单因子暴露上限，避免过度依赖某一行为偏差。
