换手率流动性因子：用成交活跃度截面选股

问题：流动性差，市场付补偿吗#

前面几篇我们一直在造尺子：Amihud 量价格冲击，Zeros 量停滞比例，Amivest 量市场深度。尺子造好了，自然要问下一个问题——这些尺子量出来的差异，被定价了吗？

理论上应该被定价。Amihud-Mendelson (1986) 的经典论证：持有流动性差的资产，卖出时要付更高的交易成本，理性投资者会要求更高的预期收益作为补偿。流动性差 → 预期收益高，这就是流动性溢价。

Datar, Naik & Radcliffe (1998) 用一个几乎人人都算得出的代理去检验它——换手率：

换手率高 = 交易活跃 = 流动性好 = 预期收益应该低。他们在 NYSE 1962-1991 的数据上发现：换手率每低一个档位，截面收益系统性高一截，控制市值、账面市值比、beta 后依然显著。

这篇文章复现这个设计，然后把两盆冷水泼到位——这个因子的「纯度」和「可交易性」都远没有表面数字好看。

实现：从换手率到十分位组合#

import numpy as np
import pandas as pd
from scipy import stats

def turnover_factor_backtest(rets: np.ndarray, turnover: np.ndarray, n_groups=10):
    """
    换手率截面分组回测
    rets:     M x N 月收益矩阵（M 个月，N 只股票）
    turnover: N 维向量，各股票的（滚动平均）月换手率
    返回: 各十分位组合的月收益序列 + 多空组合
    """
    rank = stats.rankdata(turnover) / len(turnover)          # 0~1 分位
    deciles = np.digitize(rank, np.linspace(0, 1, n_groups + 1)[1:-1])
    dec_ret = np.array([rets[:, deciles == d].mean(axis=1)   # 等权
                        for d in range(n_groups)])
    long_short = dec_ret[0] - dec_ret[-1]                    # 低换手 − 高换手
    return dec_ret, long_short

def annualize(monthly: np.ndarray):
    ann_ret = monthly.mean() * 12
    sharpe  = monthly.mean() / monthly.std() * np.sqrt(12)
    t_stat  = monthly.mean() / (monthly.std() / np.sqrt(len(monthly)))
    return ann_ret, sharpe, t_stat

三个实现细节，每个都影响结论：

• 换手率要用滚动平均（典型 3~12 个月），单月换手噪声太大且被事件（定增解禁、指数调仓）污染；
• 分组用排序分位而非绝对阈值——换手率的截面分布随时间漂移剧烈，绝对阈值会让组内股票数失衡；
• 等权 vs 市值加权是隐藏的大参数：低换手组挤满小盘股，等权会进一步放大小盘暴露，下面马上看到这有多要命。

模拟设定：200 只股票 × 60 个月，月换手率对数正态分布（中位数 14.5%/月，P10 4.3%，P90 45.7%，接近美股量级），植入年化 5% 的线性流动性溢价，加上市场 beta 与 8% 月度特质波动。

实验一：十分位单调性#

最低换手组 D1 年化 10.1%，最高换手组 D10 只有 0.4%，十组从左到右接近单调递减。多空组合（做多 D1、做空 D10）：

年化 9.7%，Sharpe 1.00，t 统计量 2.24——刚过传统 5% 显著性线。注意这是植入了真实溢价的模拟，60 个月的样本长度下 t 值也不过如此。这本身就是一课：月频截面因子要在纯统计意义上「确认存在」，需要的样本长度远超直觉。Datar-Naik-Radcliffe 用了 30 年数据，Harvey-Liu-Zhu (2016) 建议新因子 t 值门槛提到 3.0，都是同一个原因。

实验二：这是流动性溢价，还是小盘股穿了马甲#

换手率与市值负相关是横截面的顽固事实（美股语境：小盘股换手低、关注少；A 股恰好相反，后面单说）。那么低换手组合的收益，有多少其实是市值效应？

做法：把对数换手率对对数市值回归，取残差换手率重新分组——这等价于问「同样市值的股票里，换手更低的那批是否仍有超额收益」：

多空年化从 9.7% 砍到 5.5%——超过四成的「流动性溢价」在控制市值后蒸发了。这与实证文献的结论方向一致：流动性类因子与 SMB 的相关性很高，不做中性化的流动性因子本质上是「小盘 + 流动性」的混合暴露。

这一步在实盘里不是可选项。如果你的组合已经有市值因子，再叠加一个未中性化的换手率因子，等于把小盘暴露隐蔽地加了杠杆——2017 年 A 股小盘股崩塌那种年份会双倍还给你。

实验三：流动性因子的结构性悖论#

流动性因子有一个所有因子里最尖锐的自我矛盾：它让你做多的，恰恰是最难交易的股票。动量、价值、质量因子的多头腿至少不歧视流动性，而这个因子的多头腿按定义就是换手最低、冲击成本最高的那批票。

假设组合月度换手 35%（多空双边），看单边交易成本对净收益的侵蚀：

50bp 对低换手小盘股不是保守假设，是乐观假设——这类股票的实际冲击成本随组合规模非线性上升。再叠加市值中性化的折损，纸面 9.7% 的因子，实盘可能只剩 2~3 个点，而且容量天花板极低：管理规模一大，你自己的交易就是低换手股票里最大的流动性事件。

这就是为什么流动性溢价在学术上持续显著、在公募产品里几乎见不到纯做它的：溢价是真的，但它本质上是「向市场出售即时性」的服务费，赚它的前提是你真的不需要即时性。锁定期长的资金（保险、养老金、自营长线）才有资格赚，日频调仓的组合赚不到。

A 股语境：换手率的语义漂移#

把这个因子搬到 A 股前必须意识到：换手率在 A 股的第一语义不是流动性，是情绪。

• A 股散户占比高，高换手股票往往是题材炒作、博彩偏好的聚集地——这类股票后续收益差，机制是「彩票型股票被高估」（类似 MAX 效应），而不是「流动性好所以不需要补偿」；
• A 股的小盘股换手率反而高于大盘股（与美股相反），因为游资偏好小市值标的——市值与换手的相关方向整个翻转，直接照搬美股的中性化流程会出错；
• 涨跌停与一字板制造大量「想交易而不能」的日子，换手率被制度性压低，与真实流动性脱节。

实证上 A 股的低换手因子长期有效且比美股更强，但归因更接近「反情绪 / 反博彩」而非教科书的流动性补偿。同一个信号、两种机制——机制判断决定了你在什么环境下该信它：如果是情绪机制，散户占比下降、机构化加深会侵蚀它；如果是流动性机制，它应该长期稳定存在。这个区分不是学术洁癖，是因子会不会死的问题。

已知偏差与边界#

换手率是个混杂代理。 它同时携带流动性、投资者关注度、意见分歧（Miller 1977：高换手 = 分歧大 = 高估）三种语义，Datar-Naik-Radcliffe 的原始设计无法区分。用它选股赚到钱，未必是赚的流动性溢价。

regime 依赖强烈。 流动性溢价在资金宽松、波动率低的年份持续跑输（没人需要为流动性付费），在危机后修复期收益集中兑现。它是典型的「平时阴跌、危机后暴赚」的收益分布，持有体验差，对短考核期的资金极不友好。

模拟的简化。 本文植入的是线性、恒定的溢价，真实世界的流动性溢价是时变的（Pastor-Stambaugh 2003 的系统性流动性风险才是更完整的框架）；60 个月无幸存者偏差的面板也比真实回测干净得多。

结果解读#

1. 流动性溢价存在，但一半是马甲——未中性化的换手率因子约四成收益来自小盘暴露，实盘使用必须做市值（在 A 股还要加情绪代理）中性化，剩下的才是可归因于流动性的部分；
2. 它是「卖保险」型因子——收益的经济来源是向市场出售即时性，成本敏感性实验显示 50bp 成本就吃掉 43% 的毛收益，只有低换手需求、长锁定期的资金结构才配得上它；
3. 跨市场移植先问机制——美股的低换手是「被冷落的补偿」，A 股的高换手是「博彩的代价」，信号形式相同但衰减条件完全不同，机制判断错了，因子失效时你连原因都找不到。

流动性度量三部曲到此闭环：Amihud/Amivest 量价格冲击、Zeros 量停滞、换手率把度量变成了可交易的截面信号。下一步的自然延伸是 Pastor-Stambaugh：从「个股流动性水平」升级到「对市场流动性冲击的敏感度」——流动性作为系统性风险因子的定价，那是另一个故事。