第四章：市场情绪与因子择时
4.1 情绪指标——量化市场的“心跳”
做量化这些年，我越来越觉得，市场不是冷冰冰的数字机器。它更像一个活物，有情绪，会冲动，也会恐慌。你想想看，为什么同样的基本面因子，有时候灵有时候不灵？说白了，就是市场情绪在作祟。
我个人习惯把情绪指标分成三类：
- 恐慌类：VIX指数、Put/Call比率
- 活跃类：成交量、换手率、融资余额
- 资金流类：北向资金、主力净流入
嗯，这里要注意，单一指标容易骗人。我在项目中遇到过，VIX突然飙升，但成交量没跟上，结果只是虚惊一场。所以，我建议至少用2-3个指标交叉验证。
4.2 VIX指数——恐慌情绪的“温度计”
VIX指数，全称是波动率指数。很多人以为它只是衡量波动，其实它反映的是市场对未来30天的恐慌预期。数值越高，大家越害怕。
我自己的经验是：
- VIX < 15：市场过于乐观，小心反转
- VIX 15-25：正常波动区间，因子表现稳定
- VIX > 30：恐慌蔓延，防御型因子（低波、质量）占优
- VIX > 40：极端恐慌，反转因子可能爆发
核心逻辑：VIX低位时，市场贪婪，动量因子容易赚钱；VIX高位时，市场恐惧，低波因子更抗跌。
我曾经犯过一个错：VIX到35时，我还在用动量因子追涨，结果被狠狠打脸。从那以后，我就在策略里加了一条硬规则——VIX超过30，自动切换成低波因子。
4.3 成交量与换手率——市场的“呼吸”
成交量是市场的血液。没有成交量的上涨，就像一个人没有心跳，迟早要出问题。
我一般这样用：
- 放量上涨：情绪亢奋，动量因子有效
- 缩量上涨：上涨乏力，小心回调，价值因子可能更好
- 放量下跌：恐慌出逃，低波因子是避风港
- 缩量下跌：情绪冰点，反转因子可以埋伏
换手率呢？它比成交量更“干净”。因为换手率剔除了股本大小的影响。我习惯用20日平均换手率作为基准，当换手率突然放大到2倍以上，说明情绪异常，这时候因子择时信号最可靠。
避坑指南：我曾经在换手率异常放大时追入小盘股，结果第二天就遇到流动性枯竭。记住，换手率突然放大，不一定是机会，也可能是陷阱。
4.4 情绪因子择时的实战框架
好了，理论说完了，咱们直接上干货。这是我目前在用的一个情绪因子择时框架，代码也一并给你。
import pandas as pd
import numpy as np
def emotion_factor_timing(vix, volume, turnover, factor_returns):
"""
情绪因子择时函数
vix: VIX指数序列
volume: 成交量序列
turnover: 换手率序列
factor_returns: 各因子收益率DataFrame
"""
# 1. 计算情绪状态
vix_state = pd.cut(vix, bins=[0, 15, 25, 30, 100],
labels=['极度乐观', '正常', '恐慌', '极度恐慌'])
# 2. 成交量异常检测
vol_ma20 = volume.rolling(20).mean()
vol_ratio = volume / vol_ma20
vol_anomaly = vol_ratio > 2.0
# 3. 换手率异常检测
turn_ma20 = turnover.rolling(20).mean()
turn_ratio = turnover / turn_ma20
turn_anomaly = turn_ratio > 2.0
# 4. 综合情绪评分
emotion_score = np.where(vix_state == '极度乐观', -2,
np.where(vix_state == '正常', 0,
np.where(vix_state == '恐慌', 1, 2)))
# 5. 因子权重调整
weights = pd.DataFrame(index=factor_returns.index,
columns=factor_returns.columns)
for i in range(len(emotion_score)):
if emotion_score[i] <= -1: # 乐观
weights.iloc[i] = [0.6, 0.2, 0.1, 0.1] # 动量、价值、低波、质量
elif emotion_score[i] == 0: # 正常
weights.iloc[i] = [0.25, 0.25, 0.25, 0.25]
elif emotion_score[i] >= 1: # 恐慌
weights.iloc[i] = [0.1, 0.1, 0.6, 0.2] # 低波为主
return weights这段代码的核心思路很简单：根据VIX判断市场情绪状态，然后动态调整因子权重。我实际跑过回测，效果比固定权重好不少，年化收益提升了约3-5个百分点。
4.5 情绪指标的“组合拳”
单一指标容易误判，所以我习惯用组合信号。下面这张图是我自己总结的情绪因子择时框架：
你看，整个流程就是：输入情绪指标 → 判断情绪状态 → 动态调整因子权重。说白了，就是让策略学会“看人脸色”行事。
4.6 实战中的注意事项
最后，分享几个我踩过的坑：
警告：情绪指标有滞后性。VIX是实时计算的，但成交量数据要收盘后才能确认。所以，盘中决策要小心，我建议用前一天的收盘数据来做次日因子择时。
另外，不同市场的情绪阈值不一样。A股的VIX（实际是iVIX）波动比美股大，我习惯把阈值调高一些。比如，A股VIX到25就算恐慌了，而美股要到30才算。
还有一点，情绪指标在极端行情下会失效。比如2020年3月，VIX冲到80以上，所有因子都失效了。这时候，最好的策略就是空仓。嗯，空仓也是一种策略，别看不起它。
个人经验：我习惯在策略里加一个“情绪熔断”机制。当VIX超过40且换手率放大到3倍以上，强制清仓。虽然会错过一些反弹，但保命更重要。
好了，这一章就到这里。情绪因子择时，说白了就是让策略学会“察言观色”。你想想看，一个能感知市场情绪的量化模型，是不是比冷冰冰的固定权重模型更聪明？