在非完全有效的市场中，知情交易者可以利用自己的私有信息来获取超越市场的回报。我们无法通过直接观测来确定知情交易行为，但是知情交易者的加入将改变原有个股成交量的分布，可以通过知情交易者的蛛丝马迹研究知情交易行为。从文献中寻找思路，我们构建了VCV指标作为知情交易的代理变量。
　　我们认为知情交易可能会影响个股后市的收益，利用VCV因子在不同股票池中测试，均获得了不错的收益表现。
　　不难发现，不论是在A股还是在相对成熟的美股市场均存在市场对突发事件反应不足和反应过度的情形，市场远没有达到有完全有效。因而市场上依然存在知情交易者，可以利用自己的私有信息来获取超越市场的回报。对于知情交易者的研究一直是学术界和业界关注的问题。
　　我们无法通过直接观测的方式来获得知情交易者在市场上的行踪，但是，知情交易者的出现很可能打破原有交易的既定规律，从而我们可以通过观测交易流的不平衡性来推导知情交易者存在的概率。参考Lof, Matthijs & Jos vanBommel（2022）的研究成果，我们设计了VCV指标，并用VCV指标构建因子在不同的A股股票池进行选股测试。
　　知情交易者占比较多的个股可能在短期内被市场关注和炒作，影响未来个股回报，同时知情交易者占比高的股票也不被机构投资者所青睐，因而理论表现会更弱。我们猜想VCV指标是个有效的选股因子。
　　VCV因子比较灵活，可以在不同的时间维度上进行构建。首先我们用日频数据进行因子暴露度的计算，并尝试每月调仓和每周调仓。我们发现，VCV因子在全A范围内确实有比较不错的选股能力，2015年以来截止今年3月底，我们发现月频VCV因子的年化IR是2.489，t值为7.113，月频胜率能达到73.5%。因子多空组合的总收益为252.60%，年化收益为16.32%。此外，在中证1000股票池中的表现较大盘股票池更为优秀。
　　在更高频数据领域，我们又利用5分钟数据和1分钟数据对因子暴露度进行计算，并且在周频调仓下进行测试。高频数据构建的VCV因子在不同股票池中的表现均优于日频数据构建的因子。中证1000股票池中，表现最为突出，自2015年以来截止今年3月底，5分钟数据构建的VCV因子rank_IC为0.052，年化IR为1.789，IC的t值为10.583，胜率为68.8%。多空组合的总收益为2884.26%，年化收益高达42.00%。
　　最后，综合考量换手率和交易成本，我们模拟实际的交易环境，对VCV因子进行月频调仓的测试。在模拟实际情况之后，我们发现，即使在交易成本较高且资金没有办法充分利用的情况下，从2021年以来截止今年3月底，VCV因子的表现仍然较为优秀，组合收益为2.31%，同期的基准（中证全指）收益为-9.74%，累积超额收益为12.05%。
　　风险提示：本报告数据基于历史数据进行测试，如遇到较为极端的市场变化，可能会有模型失效的风险。