融券余额因子：卖空者的持仓是不是聪明钱

做空一只股票，是这个市场上代价最高、风险最不对称的操作之一。你要付融券利息（热门难借的票能到年化两位数），你的最大盈利被锁死在 100%（股价归零），但亏损理论上无限（股价可以涨到天上），你还随时可能因为券源紧张被强制回补、或因为保证金追缴被平仓。愿意扛着这么一堆不对称代价去押注下跌的人，多半不是拍脑袋——他们大概率比市场平均知道得更多。

结论先放这：融券余额（short interest）高的股票，未来平均收益系统性偏低。 这不是我说的，是 Boehmer、Jones、Zhang (2008)、Asquith-Pathak-Ritter (2005) 等一长串实证研究反复验证的结论——做空者作为一个群体，是信息更充分的”聪明钱”，他们的集中持仓是一个负向的收益预测信号。本文在一个合成横截面面板上完整复现融券余额因子的构造与分组回测：五分组年化收益从最低融券组的 +2.6% 单调递减到最高融券组的 −4.0%，多空组合月均 0.55%、Sharpe 约 2.9。但更重要的是理解这个溢价藏在哪里、以及为什么它在 A 股几乎无法照搬。

因子定义：融券余额比率#

原始的融券余额（short interest）是”被卖空但尚未回补的股数”。绝对股数不能直接横截面比较——大盘股天然有更多空头。所以标准做法是归一化成融券余额比率（short interest ratio）：

有些文献用”融券余额 / 日均成交量”（days-to-cover，回补天数），衡量空头平仓需要几天——这个口径更强调挤空风险。本文用最经典的”占流通市值/流通股比例”口径。

上图是合成横截面里 SI 比率的分布：典型的右偏。 大多数股票融券余额占比在低个位数（中位数约 4%），但有一条长尾——少数被市场高度看空的股票，融券比率能到 15%、20% 甚至更高。因子的信息量，主要就藏在这条右尾里。

import numpy as np

# short interest ratio：右偏分布，中位数约 4%
si = np.exp(rng.normal(-3.2, 0.9, n_stocks))
si_rank = np.argsort(np.argsort(si)) / (n_stocks - 1)  # 越高越被做空

分组回测：单调递减是关键检验#

因子有没有用，第一关是横截面单调性：按 SI 从低到高分成五组，未来收益应当呈单调递减——低融券组（没人看空）收益最高，高融券组（空头云集）收益最低。如果不单调，因子多半是噪声。

Q = 5
grp_ret = np.zeros((T, Q))
for t in range(T):
    order = np.argsort(si_t[t])          # 低 SI → 高 SI
    bins = np.array_split(order, Q)
    for q in range(Q):
        grp_ret[t, q] = ret[t, bins[q]].mean()

ann = (1 + grp_ret.mean(axis=0)) ** 12 - 1

合成数据结果干净利落：Q1（最低融券）年化 +2.6% → Q2 +0.9% → Q3 +0.8% → Q4 −1.9% → Q5（最高融券）−4.0%，严格单调递减。低融券组和高融券组的年化收益差接近 7 个百分点。这条单调下降的阶梯，就是”做空者是聪明钱”这个假说的横截面证据。

注意一个细节：溢价高度非线性，集中在最高分位。 Q1 到 Q3 之间收益差别很小（+2.6% 到 +0.8%），真正的下坠发生在 Q4→Q5。这符合实证文献的一致发现——融券因子的预测力几乎全部来自被极端做空的那批股票，中低融券水平几乎没有区分度。这个特征对策略构建至关重要（后面细说）。

多空组合：做多低融券、做空高融券#

把 Q1 和 Q5 组合成多空组合（做多最低融券组、做空最高融券组），可以剥离市场 beta，看纯因子收益：

ls_ret = grp_ret[:, 0] - grp_ret[:, Q-1]   # Q1 - Q5
nav_ls = np.cumprod(1 + ls_ret)
sharpe = ls_ret.mean() / ls_ret.std() * np.sqrt(12)
# 合成结果：月均 0.55%，Sharpe 2.94

多空组合月均 0.55%、年化约 6.8%、Sharpe 2.94，净值曲线相对市场基准稳步向上。必须诚实声明：Sharpe 2.94 是合成数据的产物。 合成面板里各股的特异波动相互独立，多空组合把大量独立噪声分散掉了，才有这么高的信息比率。真实市场里融券因子的多空 Sharpe 通常在 0.4~0.8，远没这么漂亮——因为真实的高融券股票往往共同暴露于同一批风险（小盘、高波动、财务困境、拥挤做空），无法充分分散。

空头腿在下跌市更锋利#

融券因子有一个鲜明的”性格”：它的超额收益在市场下跌时更强。 直觉很清楚——做空者押注的负面信息，在熊市里更容易兑现；而在普涨的牛市里，即便基本面差的股票也会被水涨船高地抬起来，稀释空头的正确性。

合成数据里，上涨月多空月均 0.53%，下跌月 0.57%，下跌市略强。真实市场里这个差异通常更悬殊——高融券股票在市场崩盘时的额外下跌（做空者的正确性集中兑现）是空头腿收益的主要来源。这也意味着融券因子在结构上偏向”危机 alpha”：它在你最需要对冲的时候贡献最大，这是它的价值所在，但也让它带有做空崩盘的隐含风险敞口。

A. 实现细节#

• 信号字段：用融券余额比率 SI = 融券余额 / 流通股数作为横截面排序变量。每月末用当月的 SI 排序，预测下一个月的收益（严格用 T 期信息预测 T+1 期收益，避免前视）。
• 分组方式：每期按 SI 从低到高等数量分成 5 组，组内等权。多空组合 = 做多 Q1（最低融券）− 做空 Q5（最高融券）。
• 执行假设：月频调仓，用月度收益。合成数据里 SI 随时间以对数正态游走缓慢变化，模拟真实融券余额的持续性（本月高融券的股票下月大概率仍高）。
• 收益口径：分组收益为组内等权平均；多空收益为 Q1 减 Q5 的月度差；年化用几何复利 ((1+\bar r)^{12}-1)。
• 因子真值植入：合成数据生成时，各股期望超额收益按 SI 排名的 1.6 次方递减（从 +2% 到 −7% 年化），从数据生成过程上植入”高融券→低收益”的真实关系，用于验证分组回测能否还原它。

B. 已知偏差与局限#

• Sharpe 严重高估：如前所述，合成数据的独立特异波动让多空 Sharpe 达到 2.94，真实市场因高融券股票的共同风险暴露（拥挤、小盘、困境）通常只有 0.4~0.8。这是合成回测最大的失真。
• A 股融券制度约束：这是最致命的局限。A 股融券标的范围受限（只有部分标的可融券）、券源稀缺且成本高、T+1 无法当日回补、融券余额数据披露口径与美股不同。美股意义上的”高融券股票”在 A 股很多根本借不到券，因子的做空腿几乎无法实盘复制。本文结论主要适用于美股/港股等做空机制成熟的市场。
• 挤空风险未建模：高融券股票是挤空（short squeeze）的高发地带。GME 式的逼空事件能让做空腿在几天内亏掉数月利润，收益分布左偏严重——合成数据的对称噪声完全没有捕捉这个尾部风险。
• 融券成本未扣除：真实做空要付融券利息，热门难借股（恰好是高融券股）利率最高。扣除借券成本后，做空腿的净收益会明显缩水，本文未建模这笔成本。
• 数据时点错位：融券余额数据有披露滞后（美股约两周一报），实盘中你拿到的 SI 是过时的，用最新披露值回测会引入前视偏差——本文合成数据假设 SI 实时可得，是理想化的。

C. 结果解读#

第一，“做空者是聪明钱”的横截面证据成立，但溢价高度集中。 五分组年化从 +2.6% 单调递减到 −4.0%，方向明确。但真正的信息量几乎全在 Q5（最高融券组）——Q1 到 Q3 几乎没有区分度。这个特征决定了实盘构建策略时，与其做精细的五分组，不如把注意力集中在识别和规避（或做空）最极端的融券股票，中低融券水平当噪声处理即可。

第二，因子偏向危机 alpha，下跌市更有效。 空头腿的收益主要在市场下跌、负面信息集中兑现时产生。这让融券因子成为一个天然的”熊市增强”工具——但也意味着它在长牛市里可能长期不赚钱、甚至因逼空持续失血。它的价值在于收益的时间分布（危机时贡献大），而非稳定的月月正收益。

第三，最高分位是双刃剑。 Q5 既是溢价最集中的地方，也是挤空风险、借券成本、券源枯竭最严重的地方——溢价最厚的地方恰好是最难、最贵、最危险去做空的地方。 这是融券因子从”论文里的显著 alpha”到”实盘能赚的钱”之间最大的落差。扣除借券成本、考虑逼空尾部后，真实可获取的溢价会比回测显示的缩水一大截。

第四，市场适用性是硬约束。 融券因子在美股、港股等做空机制成熟的市场有扎实的实证基础；但在 A 股，融券标的受限、券源稀缺、成本高、制度摩擦大，做空腿基本无法实盘复制。A 股投资者更现实的用法是把高融券当负面清单——不是去做空它们，而是在多头组合里剔除被市场高度看空的股票，规避潜在的下行风险，这与做空腿的逻辑一致但绕开了融券制度的死结。

适用边界：融券余额因子是理解”市场上信息最充分的一群人在赌什么”的独特窗口，作为多因子模型里的一个负向信号或风险规避清单价值明确；但把它当成独立 alpha 来做空最高分位，需要成熟的做空基础设施、对逼空尾部的严格风控、以及对借券成本的实时核算——三者缺一，回测里的漂亮 Sharpe 就会在实盘里蒸发。