将内部人交易作为多因子模型的第七因子
内部人因子可以提供去相关的选股信号。Sigma 监控 43 个申报来源，并在各自市场内对合格买入进行排名。目前尚无市场达到历史配置标准，因此信号仅供观察。我们不声称扣除成本后的超额收益或预期收益。
数据结构：API 返回什么
每条可用的 Sigma 申报使用统一结构：ID、市场、交易与公开日期、股票代码、可用时的 ISIN 或 CIK、内部人姓名、统一职位、交易性质、数量、价格及来源允许时的标准化金额。合格买入还会显示满分 100 的市场内综合评分。来自 43 个受监控来源的申报可通过 `/api/v1/declarations` 获取，并支持 `market`、`score_gte`、`pubDate_gte` 筛选。
因子构建
针对每只股票, 汇总过去 60 天内的净买入量, 按 Sigma 评分加权。按市值标准化。按市场和行业进行横截面 Z 分数计算(以避免单一市场或行业主导结果)。你将得到每只股票的 InsiderZ 因子, 每日更新, 可与模型中的其他 Z 分数直接比较。将它与价值、动量和质量因子线性组合(或通过元学习器组合)。经过筛选的 Sigma 子集(signalScore ≥ 40, 集群, 中盘股, 高管职位, n=3864)在 T+90 的胜率为 51.5%, 每笔交易的平均收益率为 +2.6%(T+90, 未年化), 统计区间为 2022 至 2025 年, 应视为上限值(Bailey-Lopez de Prado 通缩夏普比率为负, 详见 /methodologie#disclosure)。
仓位规模与换手率
内部人买入本就稀少，各市场的本地样本可能有限。请使用已发布的证据标签评估成熟度，不要据此推断预期收益。投入真实资金前请自行测试退出和仓位规则。
需要避免的陷阱
三个经典偏差。(1) 前视偏差(look-ahead)：使用 `pubDate`(公开日期), 而非 `transactionDate`(市场当时尚不知情)。Sigma 同时提供这两个字段。(2) 幸存者偏差：已退市公司必须以其最后已知价格保留在回测中。Sigma 保留已退市实体的历史申报记录, 但其价格历史在退市后不再可获取, 因此它们会从已公布的绩效汇总中剔除：请使用你自己的定价参考数据来控制这一偏差。(3) 集群交易：同一位内部人将一笔买入拆分为三天完成, 不应计为三个独立信号。使用 `insiderId` 字段进行去重。
具体集成方式
在 Quant 套餐（每月 129 欧元）下，每日 17:00 UTC 的任务会拉取 43 个已配置市场的可用申报，写入数据湖并输入晨间流程。包含无限 Webhook、批量 CSV/Parquet 导出、5 个用户席位和组合归因。定制 Enterprise 套餐可在 S3 提供每日更新的历史 Parquet 数据。
开始使用
创建一个 Free 账户即可浏览网站(每天 50 个档案, 只读)。若要复现我们的回测结果, 并衡量 InsiderZ 因子与你模型之间的相关性, API 访问从 Pro 套餐开始(每月 39 欧元, 每月 10 000 次请求, 支持 MCP, 5 年历史数据)。Quant 套餐(每月 129 欧元)增加了批量 Parquet 导出和组合归因分析。完整方法论(公式、边界、已披露的偏差)见 /methodologie。如有任何问题：sales@insiders-trades-sigma.app。