A股市场有没有稳定的均值回复效应？

A股市场有没有稳定的均值回复效应？

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

A 股市场散户交易占比高、羊群效应明显，是否具备比成熟市场更强的均值回复（反转）效应？本节深入剖析 A 股日间与周度级别的截面反转（Reversal Effect）、动量与反转的周期切换规律以及涨跌停板制度对均值回归的微观扭曲。

💡 核心导读

• A 股市场均值回复效应的三大实证特征：
  • 短期强反转（Short-Term Reversal）：过去 1 周或 1 个月表现最差的个股在下期具有显著正向超额；
  • 中长期动量弱反转（Intermediate Momentum vs Reversal）：A 股 612 个月中长期动量效应弱于美股，但 13 个月反转效应极强；
  • 涨跌停板与流动性挤压：极端跌停板开板后的超跌反弹具有高胜率与高赔率特征。

┌─────────────────────────────────────────────────────────────┐
│                    A 股市场时间尺度与反转效应特征图              │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ 超短期日内反转 (1~3日)  │   │ 短中期反转 (1周~1个月)  │   │ 中长期趋势动量 (3~12月) │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • 散户情绪过度冲击      │   │ • 行业板块高低切换      │   │ • 机构抱团与产业周期    │
│ • 次日低开高走反弹强    │   │ • 反转因子 IC 均值 > 0.06（经验值）│   │ • 动量与反转交替循环    │
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、A 股全市场截面反转因子（Reversal Factor）建模

反转因子定义为个股过去 $N$ 日收益率的相反数：

$$\text{Reversal}$${i, t} = -\frac{P{i, t} - P_{i, t-N}}{P_{i, t-N}}

通过对全市场股票按反转因子从高到低排序，买入过去超跌最严重的组合（Top Quantile），实证检验其多头超额收益。

import pandas as pd
import numpy as np

def calculate_cross_sectional_reversal(df_prices: pd.DataFrame, window: int = 5) -> pd.Series:
    """
    计算截面短期反转因子得分
    """
    returns_n = df_prices.pct_change(window).iloc[-1]
    reversal_score = -returns_n.rank(pct=True) + 1.0 # 跌幅最大者得分最高
    return reversal_score

二、涨跌停板开板后流动性反弹检验

当股票连续跌停后首次打开跌停板并放出巨量时，通常意味着恐慌盘被主力资金承接，产生均值回复脉冲。

def detect_limit_down_breakout(df: pd.DataFrame) -> pd.Series:
    """
    连续两日跌停后首次翻红放量的均值反弹信号检测
    """
    is_limit_down_day1 = df['close'].shift(2) <= (df['close'].shift(3) * 0.902)
    is_limit_down_day2 = df['close'].shift(1) <= (df['close'].shift(2) * 0.902)
    consecutive_limit_down = is_limit_down_day1 & is_limit_down_day2
    is_open_today = df['close'] > df['close'].shift(1) # 今日翻红（收盘高于昨日收盘）
    volume_surge = df['volume'] > (df['volume'].rolling(20).mean() * 2.0)

    rebound_signal = consecutive_limit_down & is_open_today & volume_surge
    return rebound_signal

📝 动手练一练

编写 Python 仿真测试，模拟 A 股 50 只标的的截面短期反转策略回测并验证超额：

import pandas as pd
import numpy as np

def run_ashare_reversal_test():
    np.random.seed(42)
    dates = pd.date_range('2023-01-01', periods=80)
    symbols = [f'stock_{i:02d}' for i in range(50)]
    
    price_data = {}
    for s in symbols:
        price_data[s] = 100.0 * np.cumprod(1.0 + np.random.normal(0, 0.02, 80))
    df_prices = pd.DataFrame(price_data, index=dates)
    
    reversal_scores = calculate_cross_sectional_reversal(df_prices, window=5)
    top_oversold = reversal_scores.nlargest(5)
    
    print("================ A 股截面均值回复效应实证测试 ================")
    print("短期超跌得分前 5 标的:")
    for sym, score in top_oversold.items():
        print(f"  - 标的 {sym}: 反转得分 {score:.4f}")
    assert len(top_oversold) == 5, "反转筛选标的数异常！"

    # Top5 超跌组合下期收益实证（5 日前截面选股，持有最近 5 日）
    hist_scores = calculate_cross_sectional_reversal(df_prices.iloc[:-5], window=5)
    hist_top5 = hist_scores.nlargest(5)
    forward_ret = df_prices.pct_change(5).iloc[-1]
    top5_ret = forward_ret[hist_top5.index].mean()
    market_ret = forward_ret.mean()
    print(f"Top5 超跌组合下期 5 日平均收益: {top5_ret * 100:.2f}%")
    print(f"同期全市场平均收益: {market_ret * 100:.2f}%")
    print(f"Top5 相对市场超额收益: {(top5_ret - market_ret) * 100:.2f}%")

    # 连续两日跌停后翻红放量的反弹信号验证
    demo_close = np.concatenate([np.full(21, 100.0), [90.0, 81.0, 84.0]])
    demo_volume = np.concatenate([np.full(23, 1000.0), [4000.0]])
    demo_df = pd.DataFrame({'close': demo_close, 'volume': demo_volume})
    demo_signal = detect_limit_down_breakout(demo_df)
    print(f"连续两日跌停后翻红放量信号: {'触发' if demo_signal.iloc[-1] else '未触发'}")
    assert demo_signal.iloc[-1], "连续跌停反弹信号检测失败！"
    print("✅ A 股市场截面均值回复效应验证 PASS")
    print("============================================================")

if __name__ == '__main__':
    run_ashare_reversal_test()

运行结果输出：

================ A 股截面均值回复效应实证测试 ================
短期超跌得分前 5 标的:
  - 标的 stock_16: 反转得分 0.9800
  - 标的 stock_07: 反转得分 0.9600
  - 标的 stock_29: 反转得分 0.9400
  - 标的 stock_39: 反转得分 0.9200
  - 标的 stock_41: 反转得分 0.9000
Top5 超跌组合下期 5 日平均收益: 2.24%
同期全市场平均收益: 0.85%
Top5 相对市场超额收益: 1.39%
连续两日跌停后翻红放量信号: 触发
✅ A 股市场截面均值回复效应验证 PASS
============================================================

本章小结

1. A 股短期反转效应显著：在 1~4 周的时间尺度上，A 股呈现极具统计显著性的均值回归特征。
2. 结合成交量与开板形态：纯价格反转易遭遇基本面陷阱，结合放量开板能显著提高反弹成功率。
3. 控制单票持仓周期：均值回归多为脉冲式行情，达到中枢后应迅速获利了结，切忌贪恋转为长线持有。

📋 行动清单 (Action Checklist)

• 运行反转实证测试代码，检验 5 日反转与 20 日反转在收益上的差异；
• 编写行业中性化反转因子（行业内个股排名）；
• 预习下一节，掌握用 Python 编写完整的股票均值回复量化策略。

— 小象教研组