龙虎榜席位因子：营业部数据的信息含量

A 股有一项全球罕见的信息披露制度：股票日涨跌幅、换手率、振幅达到标准就登上”龙虎榜”，交易所当晚公示买卖前五名营业部席位的成交金额。这意味着每个交易日收盘后，你能看到异动股背后最大的五个买家和五个卖家坐在哪里——机构专用席位、拉萨东环路（散户之王）、著名游资常驻的营业部，各自的净买卖金额一目了然。

结论先放这：龙虎榜的信息含量不在榜单本身，而在席位的身份与历史战绩。8000 个上榜事件的受控模拟给出清晰的分化：一线游资净买入的股票次日 +1.32%，但 20 日 -1.68%——快钱抬轿、兑现、离场的完整周期；机构专用席位买入的股票次日只有 -0.07%，20 日却 +1.15%——慢变量在长窗口才显形。用前半段历史给 300 个席位打分，后半段样本外检验：评分五分组收益单调，Q5-Q1 价差 1.4%，席位历史战绩是样本外可持续的信息。但跟单策略的结局完全取决于过滤器：只跟机构专用席位（持有 20 日）事件日均 +1.01%、胜率 56%；无差别跟单一切上榜股，事件日均 -1.11%、胜率 28%——因为上榜事件的基线就是负收益（关注度反转），不加过滤的跟单是在为别人的出货接盘。

龙虎榜为什么可能有信息#

有效市场的第一反应是：公开信息不该有 alpha——榜单当晚所有人都看得到。但龙虎榜有三个特殊之处让它区别于普通公开数据。

第一，它披露的是身份，不是价格。 价格信息瞬间被套利，但”谁在买”是一种关于交易者类型的信息。行为金融的大量证据表明不同类型投资者的后续收益系统性不同：机构建仓是基本面慢信息，游资接力是短期博弈信号，散户扎堆是反向指标。席位就是交易者类型的代理变量。

第二，它的解读有门槛。 榜单是原始名单，把”中信证券上海溜柏路”映射到”某顶级游资”需要长期跟踪积累的席位画像库——这正是信息优势的来源：数据公开，但加工能力不公开。

第三，上榜事件本身是个负 alpha 池。 能上榜的股票刚经历极端波动，关注度和情绪处于峰值，后续平均是均值回归的（本文模拟中基线设为次日 -0.3%、20 日 -0.8%，与实证文献的关注度反转一致）。这反而是机会：在负基线的池子里，正向信息的过滤价值被放大了。

实验设计：四类席位的数据生成过程#

给每类席位设定不同的信息含量 γ 与作用周期，让数据生成过程忠实于市场对这些角色的共识认知：

SEAT_TYPES = {
    "机构专用":   dict(gamma=0.012,  style="fundamental"),  # 慢信息，20日显形
    "一线游资":   dict(gamma=0.018,  style="momentum"),     # 快钱，1-2日兑现
    "普通营业部": dict(gamma=-0.004, style="retail"),       # 散户扎堆，弱负信息
    "量化席位":   dict(gamma=0.000,  style="noise"),        # 打单通道，无方向信息
}

# 每个上榜事件：主导买方类型 + 净买入强度 + 关注度反转基线
for i in range(n_events):
    info = gamma * net_buy[i]
    base1, base5, base20 = -0.003+noise, -0.006+noise, -0.008+noise  # 负基线
    if style == "momentum":       # 游资：短期兑现，长期反转
        day1[i]  = base1 + info * 1.6
        day20[i] = base20 - 0.006
    elif style == "fundamental":  # 机构：慢变量复利
        day1[i]  = base1 + info * 0.3
        day20[i] = base20 + info * 2.6

注意这是模拟不是实证——我们把市场共识写进数据生成过程，然后检验基于榜单可构建的策略能否把这些结构提取出来，以及提取过程中会踩哪些坑。

实验一：谁在买，比买了多少重要#

按主导买方席位类型分组，统计上榜后三个窗口的平均收益：

这张矩阵是整篇文章的核心，三个结构值得逐个咀嚼：

游资是”次日现象”。 +1.32% 的次日收益在四类中一骑绝尘，但到 5 日就翻负、20 日 -1.68%。这是游资模式的完整素描：上榜当天用大单证明存在感 → 次日跟风盘涌入抬轿 → 游资兑现离场 → 没有基本面支撑的价格花三周慢慢跌回去。跟游资的单只有一天的窗口，且你必须比跟风盘更快。

机构是”20 日现象”。 次日 -0.07% 意味着机构买入在短期完全没有可见信号——机构不拉板、不吸引注意，甚至刻意拆单压低冲击。但 20 日 +1.15% 显著为正：基本面信息需要时间被市场消化。跟机构的单需要的不是速度，是耐心。

普通营业部与量化席位全窗口皆负。 前者是散户扎堆的反向指标；后者是打单通道，席位上频繁出现只说明该通道量大，与方向无关——量化席位在近年榜单中占比越来越高，这正在系统性稀释榜单的信息密度（陷阱三详述）。

实验二：席位评分的样本外检验#

上面的分类依赖”知道谁是游资谁是机构”。更普适的做法是让数据自己说话：给每个席位记账，用历史战绩打分。模拟 300 个席位、12000 次上榜，每个席位有隐藏技能；用前一半样本计算各席位的历史平均上榜后收益作为评分，用后一半做样本外检验：

# 样本内：每个席位的历史平均战绩
seat_score = groupby(seat_id[:half]).mean(outcome[:half])

# 样本外：按评分五分组，检验后一半事件的收益
grp = np.digitize(seat_score[oos_seat], quantiles)

样本外五分组收益：Q1 -0.51%、Q2 -0.05%、Q3 -0.07%、Q4 +0.02%、Q5 +0.88%，Q5-Q1 价差约 1.4%，评分与样本外收益相关性 0.085。两个要点：

一，单调性成立，说明席位战绩不是纯运气——有真实技能差异的席位，历史记录能预测未来表现。这为”游资画像库”这门生意提供了统计基础。

二，相关性只有 0.085——信号真实但极噪。单个席位单次上榜的收益噪声（±4.5%）远大于技能差异（±0.6%），意味着可靠的席位评分需要大量历史样本（本模拟中每席位平均 20 次上榜）。对新出现的席位、或刻意换席位操作的游资，评分体系天然滞后——这也是游资频繁”搬家”换营业部的动机之一。

实验三：金额只有配上身份才有意义#

散户看龙虎榜最常犯的错是只看净买入金额：“买一净买 2 个亿，强！“双排序实验直接检验这个直觉——按席位质量（机构+游资 vs 普通）和净买入强度（大额 vs 小额）分四组：

5 日收益：高质量×大额 -0.11%、高质量×小额 -0.42%、普通×大额 -1.06%、普通×小额 -0.86%。

注意普通席位组里，大额净买比小额更差。这不是笔误：普通营业部的大额净买入，最常见的成因是散户在情绪顶点集体涌入——金额越大，说明跟风越疯狂，反转越深。净买入金额本身不是信息，是放大器：放大高质量席位的正信息，也放大散户扎堆的负信息。只看金额的龙虎榜策略，等于把放大器当成了信号源。

实验四：跟单策略——负基线池子里的过滤生死战#

把三个洞察组装成策略，次日开盘跟单买入，往返成本 40bp（上榜股冲击成本高）：

三条曲线讲了一个残酷的故事。无差别跟单是稳定的亏损机器——上榜池的基线是负的，不过滤就是在支付关注度反转税。连”高质量席位×大额”这个看起来聪明的组合也亏钱：因为它混入了游资单（5 日窗口恰好踩中游资兑现后的下跌段）——对游资单用错持有期，正信息也会变成亏损。唯一盈利的是”只跟机构持有 20 日”：把正确的席位类型配上正确的时间尺度。

龙虎榜策略的公式由此清晰：alpha = 席位身份 × 匹配的持有期 - 关注度反转基线 - 冲击成本。四项里有三项是负贡献，过滤器不够锋利就必然亏损。

五类真实世界的陷阱#

陷阱一：披露口径的信息损耗。 榜单只披露营业部，不披露具体客户。同一个营业部里可能坐着顶级游资和无数散户；机构专用席位也不区分公募/私募/社保。近年游资大量使用多地分仓、拖拉机账户，单一席位的画像正在失真。模拟中”知道主导买方类型”是理想化假设，实盘的类型判定本身就有大量噪声。

陷阱二：上榜条件造成的样本选择偏差。 龙虎榜的触发条件（涨跌幅偏离、换手、振幅）本身就筛选了极端波动股票——用榜单数据研究”席位行为”永远看不到这些席位在平静股票上的操作。席位评分因此只对”异动场景”有效，外推到常规交易毫无根据。

陷阱三：量化打单席位的稀释效应。 2020 年后量化私募的拆单通道频繁登榜，这些席位的买卖与方向观点无关。老玩家的席位画像库如果不及时把它们标记剔除，游资信号会被大幅稀释——本文模拟中量化席位占 15%，真实市场中部分时段更高。榜单的信息密度是时变的，且趋势向下。

陷阱四：跟单的博弈反身性。 席位因子一旦被广泛使用，就成为游资的操纵工具：用知名席位买入吸引跟风盘（“点火”），再用不知名分仓席位出货。你看到的榜单是对手知道你会看之后写给你看的。这是所有身份类信号的宿命——信号价值与使用人数成反比，且会被主动伪造。历史上多起”抢帽子”操纵处罚案（先买入→荐股/示范→反向卖出）就是这个结构的极端形态。

陷阱五：本文是机制模拟，不是实证结论。 四类席位的 γ 参数是按市场共识设定的，不是从真实榜单数据估计的。真实数据中：机构席位的 20 日优势在不同年份时有时无；游资次日溢价在监管高压期大幅收缩；2017 年、2022 年多轮”温州帮”式操纵整治都重塑了榜单生态。把模拟中的 +1.01%/事件当成可实现收益，忽略了参数本身的时变性与估计误差。

写在最后#

龙虎榜是 A 股微观结构送给量化研究者的一份独特礼物：一个每天更新的、带身份标签的极端事件数据库。它的正确打开方式有三层：第一层，放弃”榜单=强势=买入”的直觉——上榜池的基线收益是负的，裸跟单是在交关注度反转税；第二层，把研究重心从”买了多少”移到”谁在买”，并为不同身份匹配不同持有期——游资看次日、机构看月度，用错时间尺度正信息也会亏钱；第三层，认识到席位画像库是一项持续折旧的资产——量化席位稀释、游资搬家、监管重塑，都在加速折旧。榜单每天照常发布，但读懂它的难度在逐年上升——这大概是所有公开另类数据的共同宿命：数据免费，加工能力越来越贵。

参考文献#

1. Barber, B. M., & Odean, T. (2008). All that glitters: The effect of attention and news on the buying behavior of individual and institutional investors. Review of Financial Studies, 21(2), 785-818.
2. Seasholes, M. S., & Wu, G. (2007). Predictable behavior, profits, and attention. Journal of Empirical Finance, 14(5), 590-610.
3. Kaniel, R., Saar, G., & Titman, S. (2008). Individual investor trading and stock returns. Journal of Finance, 63(1), 273-310.
4. 上海证券交易所. 《上海证券交易所交易规则》——公开信息披露（龙虎榜）制度条款.