第3章经典流动性因子模型

3. 经典流动性因子模型：Amihud (2002)、Pastor-Stambaugh (2003)、Liu (2006)

聊到流动性因子，有三个模型是绕不开的。它们就像量化界的「三驾马车」——Amihud的非流动性指标、Pastor-Stambaugh的反弹效应、还有Liu的换手率调整。我当年刚入行时，第一个实盘策略就是基于Amihud指标做的。嗯，那会儿踩了不少坑，今天一并讲清楚。

Amihud的思路很直接：流动性差，交易成本就高。怎么衡量？看价格对成交量的敏感度。

公式长这样：

ILLIQ_i,t = (1/D_i,t) * Σ(|R_i,d| / V_i,d)

其中：

说白了，就是「每成交一百万元，价格会波动多少」。数值越大，流动性越差。

核心逻辑：高ILLIQ的股票，未来预期收益更高——这是对流动性风险的补偿。

我在项目中遇到过一个问题：小盘股的ILLIQ值经常异常高。为什么？因为成交金额小，稍微一笔单子就能把价格打飞。你想想看，这其实不是真正的非流动性，而是「噪音」。所以后来我习惯对ILLIQ做截尾处理，或者用市值加权平均。

避坑指南：我曾经直接用原始ILLIQ做排序分组，结果多空组合的夏普比高得离谱。后来发现是极端值在作怪。建议先取对数，或者用百分位数截断。

Pastor和Stambaugh换了个角度。他们关注的是「订单流对价格的冲击」。如果流动性好，大单进来价格不会剧烈反弹；流动性差，价格会先被砸下去，然后迅速反弹。

他们的因子构建分两步：

回归模型长这样：

R_e,i,d+1 = θ + φ * R_e,i,d + γ * sign(R_e,i,d) * V_i,d + ε

这里的γ就是关键——它衡量的是「订单流引起的价格反转程度」。γ越负，说明流动性越差。

个人经验：我建议用日度数据做滚动回归，窗口期选60天。太短了不稳定，太长了又滞后。60天是个不错的平衡点。

Pastor-Stambaugh因子的好处是，它捕捉的是「交易层面的摩擦」，而不是简单的成交量或换手率。我记得有一次做归因分析，发现这个因子在2008年金融危机期间特别有效——那时候流动性枯竭，反弹效应极其明显。

注意：Pastor-Stambaugh因子对数据频率要求高。如果你只有周度数据，就别用了。我试过，效果很差。

Liu的模型更简洁。他只用两个变量：换手率和零收益天数。

公式：

LM_i,t = (Zeros_i,t + 1/Turnover_i,t) * (21/Days_i,t)

其中：

你想想看，零收益天数多说明什么？要么是没人交易，要么是价格被钉住了。换手率低说明什么？持有者不愿意卖。两者结合，就是一个很好的流动性代理变量。

Liu因子的优势：数据容易获取，计算简单，而且在中国A股市场表现不错。我做过回测，LM因子在A股的多空收益年化能达到8%-10%。

不过要注意一点：Liu因子对停牌股票特别敏感。A股经常有长期停牌的股票，零收益天数会异常高。我曾经因为这个踩过坑——把停牌股当成「高流动性风险」股票，结果组合里全是僵尸股。

我的建议：计算Liu因子前，先剔除停牌超过20天的股票。另外，换手率建议用过去3个月的均值，别用单月数据，太噪了。

这三个因子各有侧重。我整理了一张表，方便你对比：

我个人习惯是：做全球多因子模型时用Amihud，做A股策略时用Liu，做事件驱动时用Pastor-Stambaugh。当然，这只是经验之谈，具体用哪个还得看你的数据情况和策略目标。

下面这张图帮你理清三个因子的逻辑脉络：

嗯，三个因子讲完了。说实话，没有哪个是绝对最好的。我见过有人只用Amihud就做出了不错的策略，也见过有人把三个因子合成一个复合指标。关键还是理解背后的逻辑——流动性风险为什么会被定价？因为投资者不喜欢「想卖卖不掉」的感觉，所以要求更高的预期收益来补偿。

最后一个小建议：如果你刚开始研究流动性因子，先从Liu (2006) 入手。数据简单，逻辑清晰，而且在中国市场表现稳定。等熟悉了再尝试Amihud和Pastor-Stambaugh。

公众号:蓝海资料掘金营，微信deep3321