你在同花顺上的每一次点击，都被做成了做空信号
最后更新: 2026-04-25
Table of Content
你在同花顺上的每一次点击，都被做成了做空信号¶
你以为是自己在选股。实际上，你的每一次点击、每一次浏览、每一次加自选，都被同花顺记录了下来，脱敏后做成了因子，卖给了量化机构。
不是记录你这个人。记录的是"某个用户在某个时间对某只股票做了某个动作"。你的手机号、账号ID都被抹掉了，但你的行为模式被完整保留——你点了哪只股票、什么时候点的、点了多少次、有没有加自选、有没有看新闻。这些行为被汇总、清洗、标准化，最终变成了7个数值。每只股票，每天，7个数值。
然后这些数值被卖给量化私募、券商自营、资管机构。机构用这些数值判断一件事：散户是不是已经疯狂了？如果是，该减仓了。
你在免费使用APP。APP把你的行为，卖给了付费的人。这就是数字时代最基本的交易结构：用户用数据换服务，平台用数据换利润，机构用数据换超额收益。散户在这个链条里，同时扮演了三个角色——消费者、生产者、被收割者。
一、同花顺采集了你的哪7种行为¶
具体被做成因子的，有7项，每个都有内部代码：
| 数据项代码 | 名称 |
|---|---|
| THS_INDEX_AUG1 | A股点击量 |
| THS_INDEX_AUG2 | A股新闻点击量 |
| THS_INDEX_AUG3 | A股自选股 |
| THS_INDEX_AUG4 | A股新增自选股 |
| THS_INDEX_AUG5 | A股剔除自选股 |
| THS_INDEX_AUG6 | A股点击人数 |
| THS_INDEX_AUG7 | A股新闻点击人数 |
这7个指标覆盖了从"看到"（点击）到"关注"（加自选）再到"取消关注"（剔除自选）的完整链条。你的每一个动作，都在暴露你的意图。你以为这只是"看看行情"，但在算法眼里，这是一个信号。
二、从原始行为到标准化因子¶
原始行为数据不能直接用。一只银行股的点击量和一只小盘股的点击量天然差几百倍，直接比没意义。所以要做一系列处理。
第一步：新算法脱敏。
传统热度排名只看"同一天不同股票之间的差异"——这叫截面比较。同花顺的新算法还保留了"同一只股票在不同日期之间的差异"——这叫时序比较。
写成公式就是：
- \(\text{Rank}_i^t\)：股票 \(i\) 在第 \(t\) 天的热度排名（截面）
- \(\Delta \text{Rank}_i^{t \to t-1}\)：相比昨天，排名变化了多少（短期时序）
- \(\Delta \text{Rank}_i^{t \to t-5}\)：相比五天前，排名变化了多少（中期时序）
一只股票从第100名冲到第10名，和一只一直排第1名的股票，在传统排名里都是"高热度"。但新算法能区分两者——前者是"突然变热"，后者是"持续热"。突然变热包含的信息量更大，因为它暗示有某种催化因素正在扩散。
第二步：标准化处理。
不同市值、不同行业的股票，热度基数完全不同。如果不处理，因子会被市值绑架。所以要先做Z-score标准化：
减去同行业均值，除以标准差。但这样还不够，因为热度天然和市值正相关——大市值股票被点的次数肯定多。所以还要做市值中性化，把热度对市值做回归，取残差：
这个残差，才是"纯热度"——剔除了市值干扰后的真实热度信号。
处理后的结果是：每只股票每天都有一个标准化的热度因子值，可以直接比较。
三、7个因子的真实表现¶
处理完之后，同花顺把7个热度因子在全A股上跑了一遍IC检验。
IC（Information Coefficient，信息系数）是量化因子最核心的评价指标，计算公式是：
也就是今天的因子值，和下周股票收益率的相关系数。
结果：7个因子，IC值全部带负号。
| 因子代码 | 含义 | IC均值 | IC标准差 |
|---|---|---|---|
| THS_INDEX_AUG6 | A股点击人数 | -0.0593 | 0.1022 |
| THS_INDEX_AUG1 | A股点击量 | -0.0557 | 0.0975 |
| THS_INDEX_AUG3 | A股自选股 | -0.0298 | 0.0951 |
| THS_INDEX_AUG2 | A股新闻点击量 | -0.0257 | 0.0872 |
| THS_INDEX_AUG4 | A股新增自选股 | -0.0256 | 0.0875 |
| THS_INDEX_AUG7 | A股新闻点击人数 | -0.0237 | 0.0825 |
| THS_INDEX_AUG5 | A股剔除自选股 | -0.0205 | 0.0866 |
IC = -0.0593 是什么水平？在量化因子领域，周频因子的IC绝对值通常在0.02-0.08之间。0.06已经算中等偏强的信号。而且这不是某一个因子偶尔负，是七个全部负。
同花顺还做了10组分组回测：把全市场股票按热度因子值从高到低分成10组，看每组未来一周的平均收益。结果呈现出漂亮的单调性——第10组（热度最高）平均收益最低，第1组（热度最低）平均收益最高。从高到低，整整齐齐。
这组数据在同花顺的产品白皮书里写得清清楚楚。他们在向机构推销这份数据的时候，心里比谁都明白：买这份数据的人，大概率会拿它来做空你。IC=-0.0593不是秘密，是卖点。
还有一个细节：IC标准差是0.1022，比IC均值（0.0593）还大。这意味着热度因子不是"永远有效"的——大约有30%的时间，IC是正的。在那些周里，追热点反而是对的。但机构不会告诉你这个，因为他们卖的是"平均有效"的数据，不是"每次都有效"的咒语。
四、为什么点击人数比点击量更重要？¶
一个有意思的细节：点击人数的IC（-0.0593）强于点击量（-0.0557），而自选股（-0.0298）又弱于点击类因子。
为什么？
一只股票被100个人各点1次，和被10个人各点10次，在传统统计里都是"100次点击"。但前者意味着信息已经扩散到了100个不同的人，后者只是10个人的反复行为。
从信息扩散的角度，100个不同的人关注，比10个人反复关注，更能说明"这只股票正在进入大众视野"。而大众视野的终点，往往是信息饱和——所有人都知道了，没有新的买家了。
换一种说法：100个人各点1次，是"病毒式传播"——这只股票正在突破一个个小圈子，进入大众视野。10个人点10次，是"小圈子自嗨"——同一批人在反复确认自己的判断。股市里，病毒式传播的结局通常是崩溃，因为当第100个人都知道的时候，已经没有第101个人可以接盘了。
这里还有一个反直觉的点：你的"随意行为"比你的"慎重行为"更有预测力。点击（-0.0593）的IC绝对值是自选股（-0.0298）的两倍。随手点的，往往是被算法推送的、被情绪驱动的；加自选的，至少经过了"我觉得值得关注"的思考。但即使是思考过的决策，在统计意义上仍然是错的——只是错得没那么离谱。
这里触及了一个根本问题：人的注意力是有限的。在几千只股票里，散户只能关注到极少数——通常是那些已经涨了、已经上了新闻、已经在群里被讨论的。而当一只股票挤进了大众的有限注意力 slot，说明它的曝光度已经到达顶峰。顶峰之后，通常是回落。
另一个有趣的细节：剔除自选股的IC最弱（-0.0205）。
人们"删掉"一只股票的行为，对预测未来收益的负向影响最小。原因很简单："删除"是滞后行为。人们通常在股票已经跌了之后才删，而不是在跌之前。删除是结果，不是原因。
五、这些数据卖给谁了？¶
这些处理后的热度因子，作为数据产品，向量化私募、券商自营、资管机构输出。
你在免费使用行情APP，APP把你的行为模式沉淀成了数据产品。
这里有一个不易察觉的交换：你以为自己在消费一个免费产品，实际上你在生产一个付费产品。你的每一次点击，都在为平台的数据库添砖加瓦；平台的每一次销售，都在把你的行为模式变现。
机构拿到这些数据后，用法很简单：当一只股票的热度因子值排名靠前时，意味着大量散户已经关注并可能买入。后续买盘力量趋于枯竭，价格回调的概率上升。当热度因子值排名靠后时，意味着散户尚未关注，如果基本面有改善，可能存在信息差机会。
换句话说，机构在用你的行为数据，来反向判断你的行为本身。你的每一次点击，都在帮助机构判断"散户是不是已经疯狂了"。
这里还有一个时间尺度的问题。热股榜是日频更新的，但热度因子的IC是周频的。机构每周调仓一次，根据上周的数据决定本周仓位。而你每天打开APP看热股榜，以为"今天最热的就是机会"——你们的时间尺度完全不同步。机构在下一盘周频的棋，你在看日频的盘。
六、热度数据本身在"做空"，但换个用法就能"做多"¶
原始热度数据有三个问题：方向负向、单调性不稳定、时序波动大。
但同花顺没有放弃这些数据。他们用PPO强化学习算法（OpenAI 2017年提出的在线策略优化算法），把原始热度和其他数据（日频量价、市值、财务等）结合，训练出了5个增强因子。
每个增强因子都有明确的因子逻辑描述、IC值、分组表现：
RL_TSSJ_ALPHA1 - 逻辑：反映A股新增自选股数据，个股当天开收盘价，以及盘中VWAP关系 - IC：0.0319 - 多空超额收益：27.29%
RL_TSSJ_ALPHA2 - 逻辑：反映过去一段时间，A股自选股数据在时序上的分布关系 - IC：0.0267 - 多空超额收益：25.17%
RL_TSSJ_ALPHA3 - 逻辑：反映A股点击量数据，以及A股自选股数据在时序上的分布关系 - IC：0.0211 - 多空超额收益：22.40%
RL_TSSJ_ALPHA4 - 逻辑：反映个股市净率、市销率，以及A股点击量在时序上的波动关系 - IC：0.0318 - 多空超额收益：26.35%
RL_TSSJ_ALPHA5（表现最好的一个） - 逻辑：反映个股流通市值、融券余额、A股剔除自选股数据，以及A股点击量关系 - IC：0.0353 - 多空超额收益：27.87%
关键变化：原始热度IC=-0.0593，增强后IC=+0.0353。方向完全翻转。
但有一个细节很少有人注意：原始信号的绝对强度是0.0593，增强后只有0.0353。如果机构只是在简单"反向操作"，那增强因子的IC应该是+0.0593左右。但实际情况是，信号变弱了。
这说明什么？机构不是在简单反向操作。他们把你的行为数据当作一个"噪音源"，从中提取微弱的结构信号。散户的集体行为里，有-0.0593的"从众噪音"，也有+0.0353的"反向信号"。强化学习的作用，就是放大后者、压制前者。你的数据本身没有那么高的价值——单独看，它只是"散户在关注什么"的负面信号。但与其他信息结合、用更复杂的模型处理后，它能提取出完全不同的有效信号。原始热度告诉机构"散户在关注什么"，增强因子告诉机构"在考虑市值、财务、价格后，散户的关注行为还残留了多少预测力"。
为什么同花顺既卖原始因子，又卖增强因子？因为客户群体不同。原始因子卖给"初级量化机构"——他们只需要一个简单的反向信号，就可以搭建自己的策略。增强因子卖给"高级量化机构"——他们需要更复杂、更稳定的信号，愿意付更高的价格。同一批原料，做成不同档次的产品，卖给不同预算的客户。
七、7个原始因子，本质上测量的是同一件事¶
同花顺还做了一个相关性检验，结果很有意思：
原始热度因子之间高度相关。例如，A股点击量（AUG1）与A股点击人数（AUG6）的相关系数高达0.8433。这说明7个原始因子本质上在测量同一件事：你的注意力。同花顺把它们拆成7个SKU卖出去，不是因为它们真的有7种不同的预测力，而是因为"7个因子"听起来比"1个因子"更有价值。这是数据产品的商业逻辑——同一个原料，包装成不同的产品形态，卖给不同的客户。
增强因子与原始因子低相关。例如，RL_TSSJ_ALPHA5与AUG1的相关系数为-0.6042，与AUG6为-0.6042。这意味着强化学习不是简单地对原始数据做线性变换，而是挖掘出了全新的信息维度。
增强因子之间也相对独立。ALPHA2与ALPHA3的相关系数为0.4842，ALPHA1与ALPHA5为0.1261。
从投资组合的角度看，这是关键差异：高度相关的因子组合在一起没有分散效果，低相关的因子组合才能降低风险。 原始7个因子高度相关，放入模型中相当于重复计数；而5个增强因子低相关，组合使用时能真正起到分散作用。
八、写在最后¶
知道这件事，有什么用？
第一，热度是周频信号，不是日频咒语。 一只股票今天上了热榜，不代表明天跌。它可能再涨几天。但在大量样本下，高热度股票的期望收益为负。
第二，当你看到热股榜的时候，游戏可能已经进入尾声。 热股榜不是"机会榜"，而是"散户情绪报告"。当情绪达到顶峰时，后续接盘力量趋于枯竭。
第三，"不追热点"本身就是一种超额收益。 量化基金有数据、有算力、有模型，但他们没有你的"不行动自由"。你可以什么都不买，关掉APP去干别的。而他们必须配置仓位、必须交易、必须跑模型。
第四，你的行为正在被定价。 不是交易你这个人，而是交易"散户群体在关注什么"这个信息。当你点击某只股票的时候，你不仅暴露了你的兴趣，还暴露了你的时机——而这个时机，在统计意义上往往是错的。
具体怎么用？记住一个简单标准：当一只股票上了热榜，同时成交量比过去20天均值放大3倍以上，这就是最危险的信号。热度告诉你"散户已经疯狂了"，成交量告诉你"有人在出货"。两个信号叠加，退潮的概率极高。
你以为是你自己在决定看哪只股票。但实际上，APP的推荐算法、热股榜的排名、新闻的推送顺序，都在影响你的"选择"。而你的"选择"又被记录、被建模、被反向利用。
你不是在和市场博弈。你是在和一套专门设计来利用你本能的系统博弈。
而唯一能打破这个循环的，或许是下一次你在热股榜上看到那只"十倍股"时，能问自己一句：我是第几个知道的？如果你发现它已经在榜上了，那最好的操作，可能是什么都不做。
本文内容仅为行业观察与认知分享，不构成任何投资建议。