博彩偏好与最大日收益因子 MAX：把彩票性做成可交易的横截面因子 • halo 的技术博客

上一篇文章我们讲了「博彩偏好异象」：散户爱买彩票型股票，而高 MAX 股票长期跑输。但那篇是横截面快照——给你一个时点的分组结果。真正想把它用进组合，得回答三个更硬的问题：

如果每月末都按 MAX 重新分组、多空对冲，因子净值长什么样？
它的预测力每个月都稳吗？还是只在特定年份灵？
MAX 和我们已经熟知的动量是不是同一回事？会不会只是动量的马甲？

这篇文章就是把 MAX 从「一个异象」升级成「一个因子」——给它装上时间维度，跑一遍面板回测，并老老实实把它的不稳定性拆给你看。

数据声明：全文收益序列为自洽合成（每只股票带偶发巨阳线的「彩票跳涨」，未来 1 月收益被设定为随 MAX 单调下降），目的是把因子构建与检验的机制跑通、可复现。所有量级（年化、IC、终值）均为合成校准下的量级，真实市场里会被卖空成本、涨跌停、幸存者偏差大幅压缩——重点看结构与方法，不抄量级。

一、从「异象」到「因子」：差在哪#

异象（anomaly）回答的是「截面里有没有这个现象」；因子（factor）回答的是「我能不能持续地、可复制地用它赚钱」。

差三件事：

时间维度：异象看一个快照，因子要每个月都做一次，形成一条净值曲线。
可交易性：因子必须处理「怎么买、怎么卖、空头腿怎么建」——异象可以只做多。
稳定性检验：因子要逐期算 IC（信息系数），看预测力是不是在大部分时间都成立。

MAX 因子的核心假设不变：MAX 越高 → 博彩溢价越厚 → 未来 1 月收益越低。下面用 Python 搭一个 N=500 只股票 × M=120 个月（约 10 年）的面板。

import numpy as np

def simulate_panel(N=500, M=120, T=21, seed=20260720):
    rng = np.random.default_rng(seed)
    base_p = rng.uniform(0.02, 0.28, size=N)          # 每只股票的「彩票倾向」基线
    mkt = rng.normal(0.004, 0.035, size=M)            # 月度市场收益（牛熊切换）
    drift = rng.normal(0.003, 0.012, size=(N, M))     # 月度特质漂移

    MAX = np.zeros((N, M)); future = np.zeros((N, M)); mom = np.zeros((N, M))
    for t in range(M):
        p = np.clip(base_p * (1.0 + 0.4 * (mkt[t] < 0)), 0.01, 0.5)  # 熊市更赌
        jumps = (rng.random((N, T)) < p[:, None]) * rng.exponential(0.05, size=(N, T))
        daily = rng.normal(0, 0.022, size=(N, T)) + jumps
        MAX[:, t] = daily.max(axis=1)                 # 过去 21 日最大单日收益
        future[:, t] = (0.010 - 0.16 * MAX[:, t]      # 核心：随 MAX 单调下降
                        + 0.35 * mkt[t] + drift[:, t]
                        + rng.normal(0, 0.05, size=N))
        if t >= 12:
            mom[:, t] = future[:, t-12:t].mean()      # 过去 12 月动量
    return MAX, future, mom, mkt

MAX, future, mom, mkt = simulate_panel()

python

面板散点：MAX 越高，未来 1 月收益越低（负斜率）

散点把「异象」又画了一遍，但这次是全样本每个月混在一起的 6 万点。拟合线负斜率清晰——这是因子成立的前提。

二、月度再平衡的多空因子净值#

每月末，把 500 只按 MAX 排序，做多最低十分位（50 只）、做空最高十分位（50 只），等权、月度换仓：

M = MAX.shape[1]
ls_ret = np.zeros(M)
for t in range(M):
    order = np.argsort(MAX[:, t])
    long_ret  = future[order[:50], t].mean()          # 低 MAX → 多头
    short_ret = future[order[-50:], t].mean()         # 高 MAX → 空头
    ls_ret[t] = long_ret - short_ret
ls_cum = np.cumprod(1 + ls_ret)

python

低 MAX 多 / 高 MAX 空：长期为正但波动不小肠

合成校准下，因子净值长期向上，但中途有明显回撤。这和「静态分组看图」很不一样——净值曲线会暴露换仓时的失效期。注意左图里那条虚线是「仅低 MAX 多头」：它也能赚，但波动更大，说明空头腿（高 MAX）确实贡献了对冲。

三、IC 稳定性：因子最该被审的地方#

单看净值曲线容易被平均掩盖。真正检验因子，要看逐月 rank-IC——每个月 MAX 排序与未来收益的排序相关系数。IC 稳定为正，因子才可信；如果经常转负，说明它在「赌风格」。

ic = np.array([np.corrcoef(MAX[:, t].argsort().argsort(),
                            future[:, t].argsort().argsort())[0, 1]
               for t in range(M)])
ic_mean, ic_std = ic.mean(), ic.std()
ic_ir = ic_mean / ic_std                          # 信息比率

python

逐月 rank-IC：均值显著为正，但频繁转负

合成校准下 IC 均值约为 −0.13（符号为负，因为 MAX 越高收益越低，这里取的是「MAX 排序 vs 收益排序」的相关系数，方向与因子定义一致），IR 约 −2.4。关键不是均值，是红绿交替——有相当比例的月份 IC 翻正（即高 MAX 反而涨），这就是 MAX 因子最大的软肋：它赚的是长期统计优势，单月会连续失效。

实操含义：MAX 因子不适合单独满仓做，更适合作为多因子里的一个「负向权重维度」，或配合止损/市值中性化使用。

四、二维分组：MAX 是不是动量的马甲#

有人会质疑：MAX 高的股票往往刚涨过一根大阳线，那它不就是动量吗？用 MAX × 动量二维分组（各五分位）验证冗余度：

def quintile_labels(x):
    order = np.argsort(np.argsort(x))
    return (order * 5 // len(x)).clip(0, 4)

Q = 5; avg = np.zeros((Q, Q))
for t in range(M):
    qi = quintile_labels(MAX[:, t]); qj = quintile_labels(mom[:, t])
    for i in range(Q):
        for j in range(Q):
            m = (qi == i) & (qj == j)
            if m.sum() > 0:
                avg[i, j] += future[:, t][m].mean()
avg /= M

python

MAX × 动量二维分组：每行（固定 MAX）内仍有动量梯度，每列（固定动量）内 MAX 效应独立

热力图读法是：看每一行（固定 MAX 分组），从左到右动量 Q1→Q5 收益是否递增；看每一列（固定动量分组），从上到下 MAX Q1→Q5 收益是否递减。

合成结果：两个方向都成立，且互不抵消。说明 MAX 捕捉的是「彩票跳涨带来的博彩溢价」，动量捕捉的是「价格惯性」，二者是正交的两类信息——MAX 不是动量的马甲，可以并列进多因子模型。

五、四类真实陷阱（必须诚实拆穿）#

IC 频繁转负：上面已经看见，MAX 因子的预测力是统计性的、非单调的。在动量崩溃期或散户风险偏好高涨期，高 MAX 股票反而可能继续涨，因子连续回撤。绝不能单因子满仓。
卖空不可得：高 MAX 股票往往是小盘、高换手、融券最贵的标的。空头腿的借券成本 + 涨时逼空，会把「理论上稳赚」的空头收益磨掉一大块，甚至会变成「多头赚小钱、空头亏大钱」。
涨跌停 / 流动性门槛：A 股有 ±10%（创业板 ±20%）涨跌停，极端 MAX 当天可能封板，你根本买不到/卖不出；且这类票流动性薄，大资金进出冲击成本极高。面板回测里的「无摩擦成交」是最大幻觉。
幸存者偏差：合成数据没有退市，但真实里高 MAX 的彩票股更容易最终退市归零。回测只看到活下来的，把「死掉的那批」的巨亏删掉了，会系统性高估因子收益。

五之二、换手率与容量：因子能不能装上规模#

面板回测里「每月完美换仓」默认了零成本。真实里 MAX 因子的换手率极高——低 MAX 池和高 MAX 池每个月都有近一半股票进出，双边换手常年在 100%~200%/月。按 0.1% 单边成本算，光交易成本一年就能吞掉因子收益的 20%~40%。更现实的做法是设置换手阈值：只有 MAX 排序跨过十分位边界才调仓，或用 3 月滚动窗口平滑信号，把月度换手压到 50% 以下。容量上，低 MAX 池往往偏大票（平淡无奇的蓝筹），容量反而比高 MAX 池好；真正卡容量的是空头腿——小盘彩票股根本接不住大资金，所以机构通常用股指期货/ETF 近似替代空头，或干脆只做多低 MAX 池。

六、落地建议（不是代码，是纪律）#

方向：把 MAX 当负向因子——在低 MAX 股票池里做多，而不是去硬做空高 MAX。
中性化：务必对市值、行业做中性化，否则 MAX 因子会偷偷暴露小盘风格。
频率：月度换仓足够，日频换仓会被交易成本吃掉。
组合：和动量、低波、质量并列，用 IC 加权或风险平价，别单押。

文末路径（真实落地，替换合成数据）：MAX 用个股过去 21 个交易日日收益率的 max()；未来收益用真实复权月收益；分组前对市值/行业做中性化；空头腿用股指期货或 ETF 近似替代，或干脆只做多低 MAX 池。因子 IC、分组收益、回撤全部重算——合成只是把方法跑通。

七、与低波动因子的关系：同源异象#

MAX 因子和经典的低波动异象常被放在一起看，因为它们指向同一个行为根源：散户对高波动/高刺激资产的超额需求。低波动因子做多「平淡低波」、MAX 因子做多「无彩票感」，二者多头池高度重叠。区别在于杠杆与可交易性：低波动池容量大、做空端（高波动）反而流动性好，所以低波动因子更易落地；MAX 的空头端是流动性最差的小盘彩票股，所以 MAX 更适合只做多。实务上把二者合成一个「防御-反博彩」复合维度，比单押任一个更稳。

MAX 因子的魅力在于它极简、行为金融底子硬、几十年跨市场存在。但它的代价是不稳定、难做空、易被偏差美化。把它当「彩票税」的反向收割机，纪律比模型更重要。