如果说分红是「把利润分给股东」，那回购就是管理层用真金白银在二级市场买自己家的股票——这比分红信息含量更高。分红可以是例行公事，但回购需要董事会真金白银的授权、真的风险承担。一个 CEO 愿意在当下价格回购，隐含的判断是「我现在被低估了」。
这篇文章把「回购强度」做成一个可回测的横截面因子：
用 年化回购收益率（回购金额 / 市值，标准化） 作为信号，月度再平衡，多高回购 / 空低回购甚至净增发的公司，验证它长期为正、十分组严格单调，且因子对市场 beta 接近零——说明它不是「押市场」，而是独立的低 beta alpha。
数据声明：全文为自洽合成（管理层在认为低估时回购强度更高，且回购强度与未来收益正相关，仅用于演示方法），目的是把回购因子的构建与检验机制跑通、可复现。所有量级均为合成校准，真实市场里会被信号滞后、做空成本、幸存者偏差大幅压缩——重点看方法。
一、回购强度怎么度量：用「收益率」而非「绝对额」#
最朴素的错误是用「回购金额绝对值」排序——苹果一年回购几百亿，小公司回购几千万，绝对值毫无可比性。正确口径是回购收益率：
回购强度 = 当期回购金额 / 当期平均市值这是「给股东的资本返还占身家的比例」，跨规模可比。我们进一步做截面 z 标准化，让它在不同月份有统一量纲（和 GSI / REV 同口径）：
buyback_z = (buyback - buyback.mean(axis=0, keepdims=True)) / \
(buyback.std(axis=0, keepdims=True) + 1e-6)截面分布右偏，左侧还有负值——负值就是净增发（一边回购一边大额定增/股权激励摊薄，算下来是负返还）：
二、因子的逻辑：为什么回购能预测收益#
三个微观机制：
- 低估信号（undervaluation signal）。管理层比市场更懂公司价值。当他们认为股价低于内在价值，用闲钱回购是理性选择——所以回购强度与未来收益正相关，本质是「内部人信息」的代理变量。
- 资本返还溢价（capital return）。回购直接减少流通股本、抬升每股价值，对长期股东是实打实的回报，尤其在税优口径下优于分红。
- 供需改善。回购是市场上持续的净买盘，在流动性紧张时托底股价。
合成数据里我们把未来收益设成「随标准化回购强度正相关 + 市场因子 + 噪声」：
future = (0.004 + 0.004 * buyback_z + 0.35 * mkt
+ rng.normal(0, 0.03, size=(N, M))
+ rng.normal(0, 0.003, size=N)[:, None])三、月度再平衡的长短因子#
每月末按回购强度排序，多最高 60 只 / 空最低 60 只（空组里包含净增发公司），累计：
def ls_curve(signal, n=60):
ret = np.zeros(M)
for t in range(M):
order = np.argsort(signal[:, t])
ret[t] = future[order[-n:], t].mean() - future[order[:n], t].mean()
return np.cumprod(1 + ret)
bb_cum = ls_curve(BUY)
净值长期向上。注意它比很多动量因子「更钝」——没有大起大落，这正是低 beta alpha 的特征：它不赌方向，只赚结构性的「低估修复 + 资本返还」。
四、十分组单调性#
每月截面按回购强度切 10 组，算未来 1 月平均收益：
dec_avg = np.zeros(10)
for t in range(M):
order = np.argsort(BUY[:, t])
for d in range(10):
idx = order[d * 60:(d + 1) * 60]
dec_avg[d] += future[:, t][idx].mean()
dec_avg /= M
D1（净增发组）到 D10（高强度回购组）严格单调递增。最左组（净增发）甚至为负——这很符合直觉：一边回购一边大额摊薄的公司，长期给股东是负贡献。
五、关键检验：它是 alpha 还是市场押注？#
很多「因子」其实只是市场 beta 的马甲——市场涨它就涨。我们用因子月度收益对市场月度收益做回归，看 beta 和截距：
factor_ret = np.array([future[np.argsort(BUY[:, t])[-60:], t].mean()
- future[np.argsort(BUY[:, t])[:60], t].mean()
for t in range(M)])
b1, b0 = np.polyfit(mkt, factor_ret, 1)
结果：
- 拟合 beta ≈ 0.01，几乎为零。因子收益和「下个月市场涨跌」几乎不相关。
- 截距显著为正（合成下约 +1.28%/月），这正是 alpha 的定义：不靠市场、独立赚到的那部分。
这一点在操作上极有价值：回购因子可以和市场组合叠加而不增加方向性风险——它提供的是「和市场低相关的收益来源」，是组合分散化的好拼图。
六、真实的四类陷阱（必须说清楚）#
陷阱一：信号滞后（reporting lag）。 回购金额只在季报/年报披露，且常滞后 1~2 个月才进入数据库。若用「已披露回购」在披露日当天交易，实际信息是旧的——正确做法是信号在披露月确定、下个调仓点才用，别假装实时可得。
它和「股息率因子」不是一回事#
很多人把回购和分红混为一谈，但两者信息含量不同：
- 股息率 高度连续、可预测，市场早已 price in，低信息增量。
- 回购强度（尤其 意外 的回购计划上调）是离散事件、管理层有主动裁量权，信息含量更高。
实证里「回购强度」因子常比「股息率」因子有更干净的溢价，正是因为前者更贴近「内部人当下的低估判断」，后者更像「历史惯例」。
不同利率环境下的表现差异#
回购因子在低利率、信用宽松时最强（公司现金流充裕、融资成本低，敢大笔回购）；在加息、信用收缩时走弱，且杠杆回购型公司可能反转为负贡献。所以它不是「全天候」因子，更适合在宽松周期超配、紧缩周期减配——这和《量化紧缩与央行资产负债表》那篇的流动性框架是一致的。
陷阱二：做空约束。 因子要「空低回购 / 空净增发」。但低回购组常是成长股、小盘股，做空成本高甚至借不到券。空腿在实盘里往往建不起来，于是「多高回购」半截策略才是最常见的落地形态。
陷阱三：幸存者偏差。 持续高强度回购的公司通常是现金流充裕的赢家，它们活下来的概率本就更高；而净增发、最终退市的样本从指数里消失，让历史回测的空头收益被高估。用「point-in-time」数据库（含已退市股票）才能缓解。
陷阱四：回购贷款 / 杠杆回购。近年流行「发债回购」（如美股 2010s 的低息债回购潮）。这种回购不完全是「低估信号」，也可能是财务杠杆操作——一旦利率上行，这类公司的回购 Alpha 会反向变成风险。因子里应剔除「靠大幅加杠杆支撑的回购」。
七、落地路径（真实数据怎么做）#
- 取回购数据：A 股用交易所「回购股份」公告 + 财报「库存股/回购支出」；美股用 Compustat
PRSTKC（回购支出）/ 流通股变动倒推。 - 算回购收益率：
回购支出 / 平均市值，滚动 TTM 求和，避免单季噪声。 - 标准化 + 分层：截面 z 分数，月末排序，多高组空低组（或只做多高组）。
- 剔除杠杆回购：用资产负债率或「回购/经营现金流」过滤，避免把加杠杆当低估。
- 行业中性化：回购强度在高现金流行业（如白酒、互联网）天然偏高，建议对行业哑变量回归取残差，避免「买行业」马甲。
八、小结#
回购强度因子的核心一句话：回购是管理层用真金白银给自家股票投票，是少数「内部人真有信息」的资本动作信号。用年化回购收益率标准化做成月度再平衡横截面因子，验证十分组严格单调、长短因子长期为正，且因子对市场 beta 近零、截距显著为正——它是独立的低 beta alpha，而非市场押注。四道坎（信号滞后、做空约束、幸存者偏差、杠杆回购）每一道都在真实落地时砍一刀，但正因如此它才没有被套利干净。对想要「和市场低相关收益来源」的组合来说，回购强度是一块值得长期放在工具箱里的拼图。
代码与配图均由自洽合成数据真实计算生成，可复现；真实量级请以你的数据重跑为准。