报告概述
本报告从算法交易视角切入，针对传统依赖订单金额识别机构行为的方法在算法交易普及下失效的问题，提出利用“下单-撤单时间差”识别机构算法交易行为，并构建算法交易撤单占比类因子。全文覆盖了算法交易撤单的识别规则、因子构造与有效性检验、买单方向因子的优化、因子风格特征分析以及与现有因子相关性的探讨，旨在为量化选股提供一种基于交易机制的新思路。
报告的核心结论
撤单行为比下单行为更易暴露算法交易特征。
研究发现，统计“下单-撤单时间差”会出现离散时点上的脉冲式集中，如3秒整数倍等，而人工交易下这些时点应为随机分布。这一规律成为识别算法交易撤单的关键依据。
买单算法交易撤单占比因子（BABR）具有稳定选股能力。
BABR因子以过去10个交易日滚动计算买单算法撤单笔数占全部买单撤单笔数的比例，RankIC达0.058，ICIR接近0.55，双周度胜率超70%，多空组合年化收益率27.8%，显著优于基础ACCR因子。
BABR因子可高频跟踪公募基金行为并提供独立信息增益。
该因子多头组净值与万得偏股混合型基金指数日收益率相关性达0.59，风格暴露偏好高估值、高弹性、低杠杆股票，与常见量价因子及深度学习因子的相关性较低（如与深度学习因子相关系数为-0.25），可作为多因子模型的有效补充。
报告回答的关键问题
为什么传统的大单识别机构方法不再可靠？
报告指出，随着算法交易普及，机构订单被拆分为小单，导致小单中机构占比持续上升，而大单中机构占比低于20%。传统基于挂单金额划分大小单的方法已无法有效区分投资者类型，有必要转向基于交易机制而不是订单大小的识别方式。
如何通过撤单行为识别机构算法交易？
报告发现，“下单-撤单时间差”在1秒、5秒及1分钟内3秒整数倍前后20毫秒内出现显著聚集，这种规律性偏离了人工交易特征。据此识别出算法交易驱动的撤单，认为机构投资者主要使用算法交易，因此高比例算法撤单反映机构参与积极，未来预期收益更高。
BABR因子在不同市值股票中的表现差异如何？
BABR因子在中证1000和中证2000成分股内表现优异（IC分别为0.046和0.068），但在沪深300和中证500中效果较弱（IC分别为0.016和0.019）。报告认为，大盘股中被动ETF及机构配置性交易可能混入非信号性算法交易，降低了因子有效性，而小盘股中算法撤单占比更能反映机构主动观点。
报告中的代表性数据
BABR因子全区间RankIC
2017.01-2025.12，买单算法交易撤单占比因子（BABR）的RankIC，双周度胜率70.08%，多空组合年化收益率27.8%。
ACCR因子全区间RankIC
2017.01-2025.12，算法交易撤单笔数占比因子（ACCR）的RankIC，双周度胜率67.25%，多空组合年化收益率25.1%。
BABR因子与偏股基金指数日收益率相关性
2017.01-2025.12，BABR因子多头组扣费后净值与万得偏股混合型基金指数（885001.WI）日收益率的相关性，表明该因子能一定程度捕捉公募基金行为。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整的数据回测框架与多维度因子检验结果，包括ACVR、ACCR、BAAR、BABR等因子的分年度绩效对比。
- 算法交易撤单时点的详细识别规则及统计依据，含撤单时间差直方图、脉冲集中点的解释。
- BABR因子与Barra CNE5风格因子的相关性分析，展示其对高估值、高弹性、低杠杆股票的偏好。
- BABR因子与逐笔成交类Level2因子及深度学习因子的相关性分析，表明其提供独立信息增益。
- 因子在不同指数成分股（沪深300、中证500、中证1000、中证2000）内的选股表现对比。
- 卖单算法交易撤单占比因子的测试结果及与买单因子的关系探讨，揭示因子可能代表机构参与强度而非方向。
- BABR因子与流动性因子的双重排序检验，展示因子在流动性较高股票中效果更优，并提供应用建议。
- 全市场BABR因子值分布图及ACCR因子全市场均值演变图，揭示算法交易渗透率的历史变化。
- 因子应用的初步思考，包括低流动性股票剔除对因子效果的提升。
- 风险提示与参考文献，含数据来源及模型失效风险说明。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
