反转因子：A股最亲民的"市场纠错器"
我的掌握程度：
先掌握这个答案
构造：reversal_t = −(P_t/P_{t−N}−1)，N=1~20日常见；检验重点：①IC负向显著（原始动量负IC即反转正效应）；②分层单调（跌得越多组未来收益越高）；③换手极高（信号天级衰减）——成本敏感是生死线（q-056）。解释机制：①过度反应：散户对坏消息过度抛售，之后修正（De Bondt & Thaler 1985的经典起点）；②流动性提供补偿：买入"暂时无人要"的股票=提供流动性=赚取补偿（做市视角）——这解释了反转收益与流动性风险的伴生。容量陷阱：反转收益集中于流动性差的小票——纸面IC漂亮，大资金吃不下（q-055冲击成本的因子版）。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 让一个因子经历完整的样本外检验
从一个投资直觉构造信号时，先验证预测关系，再验证能否交易。
- 写出经济假设、股票池、因子方向、可用时点、持有期和评价指标；用历史成分与退市样本。
- 在每个时点用可得数据计算因子，检验截面IC、分层收益、换手和行业市值暴露。
- 锁定参数做样本外验证，扣除成本并做不同市场阶段与参数敏感性分析。
使用边界
- IC没有通用合格线；股票池、频率、持有期与成本不同，数值不可直接横比。
- 多空分组收益不是个人可直接实现的收益，还要考虑融券、对冲与资金约束。
背景 · 从一个困惑说起
在美股要靠动量吃饭，A股的日频量价世界里最强悍的规律之一却是它的镜像：短期跌狠的股票要反弹。5日反转、20日反转——构造简单到一行代码，却是无数A股量化策略的第一块砖。
由此产生的问题
反转的构造与检验要点？它的行为金融学解释（为什么存在）？反转与流动性的暧昧关系（容量陷阱）？
核心概念
构造：reversal_t = −(P_t/P_{t−N}−1)，N=1~20日常见；检验重点：①IC负向显著（原始动量负IC即反转正效应）；②分层单调（跌得越多组未来收益越高）；③换手极高（信号天级衰减）——成本敏感是生死线（q-056）。解释机制：①过度反应：散户对坏消息过度抛售，之后修正（De Bondt & Thaler 1985的经典起点）；②流动性提供补偿：买入"暂时无人要"的股票=提供流动性=赚取补偿（做市视角）——这解释了反转收益与流动性风险的伴生。容量陷阱：反转收益集中于流动性差的小票——纸面IC漂亮，大资金吃不下（q-055冲击成本的因子版）。
为什么需要它
①A股第一教学因子：数据易得、逻辑清晰、检验流程完整——你的第一个完整因子研究多半是它；②"赚谁的钱"的清醒：反转赚的是过度反应者的钱+流动性需求的补偿——想清楚对手盘，才知道效应何时枯竭（机构化程度上升→反转衰减的长期趋势）；③成本工程的入门：反转的换手让一切成本假设无所遁形——研究它=被迫学会成本敏感性。
实际应用场景
A股实战版反转：N=5~20日、行业市值中性化后（原始反转与小市值高度纠缠——q-456的典型案例）、叠加流动性过滤（剔除成交额后20%）、周频调仓折中换手。
与之前知识的联系
q-406的镜像；q-456用反转做"中性化代价"的头号案例（原因：A股反转一半信息来自小市值暴露）；q-056的成本分析以它为标本。
⚠ 常见误解
- 反转=抄底任何下跌的股票：反转赚"过度下跌的修复"，而基本面恶化的下跌是价值毁灭——中性化与基本面过滤是安全带
- 反转稳定赚钱不用管风格：2017与2024年初的反转崩塌（与小盘崩塌同步）教育市场——它有强烈的规模暴露与拥挤风险
- IC高就重仓：反转的天级换手×双边成本=吃掉大半IC——先算净IC（扣成本后的预测力）再谈仓位
🛠 本题实践任务
完整跑一遍反转的解剖流程：原始IC→中性化后IC→分层→按周调仓的成本估算→多头组流动性统计。四个数字写成一页因子档案。
💡 提示（先自己想5分钟再看）
档案模板见本题example——这就是机构因子库的入库报告格式。
✅ 验收标准
一页四维档案。你的第一个"机构格式"因子报告诞生。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（动量构造、skip逻辑），再用案例、公式和代码帮助理解。此功能需要先启用服务。