数据制胜。如何能在股票市场的博弈中胜出？对于量化投资者来说，关键在于对数据的全面收集，并结合数学模型和算法进行深入分析，从海量数据中挖掘出隐藏的市场规律。
　　高频撤单行为因子：从未完成交易中挖掘市场微观信息。传统量化研究更多关注成交数据，而撤单数据刻画的是投资者曾经提交但最终主动取消的流动性承诺。撤单行为反映了投资者对于价格水平、盘口状态以及市场风险的动态调整过程。本文基于Level 2逐笔订单数据，从撤单活跃度、撤单规模、日内时间结构以及快速撤单与普通撤单差异等多个维度构建高频撤单因子体系。
　　撤单活跃度因子：刻画投资者交易意愿变化。订单撤回行为并非简单的交易取消，而是投资者基于市场信息不断调整报价策略的结果。本文构建了一系列撤单活跃度与规模因子，其中rel_count_per_active_minute因子在20190101~20260630全市场选股样本中RankIC均值达到-9.19%，IC胜率达到73.09%，显示撤单行为中蕴含的截面信息。
　　日内时间结构与撤单节奏因子：捕捉交易行为的时序特征。投资者在不同交易阶段的订单调整行为存在明显差异，不同阶段的撤单特征能够反映市场参与者交易节奏和信息处理方式。本文进一步从撤单发生时间分布出发，构建日内时间结构因子，其中time_close_minus_open_count_share因子5日平滑RankIC均值达到5.43%，IC胜率达到73.98%。
　　快速撤单与普通撤单差异因子：识别不同交易行为模式。不同撤单速度对应投资者不同的决策过程，快速撤单可能体现更高频的信息响应，而普通撤单更多反映常规流动性调整。本文通过比较快速撤单与普通撤单在持续时间、发生节奏等方面的差异，构建相关因子。
　　因子相关性。撤单因子提供区别于传统量价因子的增量信息。本文进一步分析撤单类因子与Barra风格因子以及因子内部相关性。整体而言，除了关注撤单规模和活跃度的因子，其余因子与Barra风格因子相关性均控制在30%以下，具有较强的独立性。
　　风险提示。（1）本文所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时存在失效风险；（2）本文策略在市场结构及交易行为改变时有可能存在失效风险；（3）因量化模型不同，本文提出的观点可能与其他量化模型结论存在差异。