cn_stock_factors_hf_intraday_microstructure

数据描述

将日内分钟数据压缩为每日微观结构指标，再在20日窗口上聚合得到的日频因子

数据简介

自研因子，无文献来源。把 cn_stock_bar1m_c 的日内 240 根分钟 bar 压成每股每日一行的微观结构量，再在 20 个交易日窗口上聚合成日频因子。

本表输出 15 个日频微观结构量（保留原始量纲，供自行重新聚合）、25 个经 IC 筛选入选的 20 日聚合因子、1 个等权合成因子及其纯净版，共 42 个因子字段。筛选过程与结果见 ## 因子筛选，IC 绩效见 ## IC 绩效。

构建思路、筛选过程与口径细节见下文「因子构建思路」。数据区间：2015-01-05 ~ 2026-11-03（每个交易日一条记录）。

因子构建思路

自研因子，无文献来源。把 cn_stock_bar1m_c 的日内 240 根分钟 bar 压成每股每日一行的微观结构量，再在 20 个交易日窗口上聚合成日频因子。

选题是在 output/ 已有的 15 张分钟表之外找空白：价量相关性（CPV）、分布均匀度（UTD / UID）、日内与隔夜切割、聪明钱、APM、显著性、潮汐等角度都已建过，因此本表取五个还没覆盖的方向：

本表输出 15 个日频微观结构量（保留原始量纲，供自行重新聚合）、25 个经 IC 筛选入选的 20 日聚合因子、1 个等权合成因子及其纯净版，共 42 个因子字段。筛选过程与结果见 ## 因子筛选，IC 绩效见 ## IC 绩效。

聚合窗口的口径：_m20 / _s20 是过去 24 个交易日里的均值 / 标准差，要求其中至少 20 个交易日有完整的分钟数据，不足 20 个有效日时置空。

这里刻意不用「最近 20 个有效日」这种更直观的口径，因为它依赖加工批次的长度：分钟表在停牌日没有行，polars 的滚动按行数而非交易日计数，停牌多的股票在短批次里凑不满窗口而被排除出截面，截面成分一变，所有股票的 z-score 与中性化残差都会漂移。实测单日批次与两月批次对同一天算出的 micro_combo 中位差 0.108（把回溯从 40 个交易日加到 120 个也只降到 0.096，因为根因不是回溯长度）。改成锚定在输出日的固定交易日跨度、并先把每只股票补齐到完整交易日网格之后，两种批次长度的结果最大绝对差降到 $2 \times 10^{-11}$，即纯浮点噪声。这件事直接决定每日增量与历史回填对同一天是否算出同一个值。

合成因子的空值规则：micro_combo 要求 25 个入选因子全部非空才出值。pl.sum_horizontal 会跳过空值，若不显式要求，25 个全空的股票会被加成 0——而 0 正好落在合成因子分布的正中间，既不报错也看不出异常，是最坏的伪值（实测某日有 71 只股票落入此情形）。

表结构

• 表名: cn_stock_factors_hf_intraday_microstructure
• 中文表名: 自研日内微观结构因子
• 数据描述: 将日内分钟数据压缩为每日微观结构指标，再在20日窗口上聚合得到的日频因子
• 主键: date + instrument
• 记录粒度: 每个交易日每只股票一条记录

有三个日频量只作为中间量参与聚合，不输出到表，因为它们都在某个值上形成点质量、会被 duplicate_ratio 门禁拦住：

• 尾盘与开盘半小时收益（last30_ret_s20 / open30_ret_s20 的母量）落在 tick 价格网格上，精确 0 很多，实测单日重复率约 25%
• 跳跃方差占比（jump_ratio_m20 的母量）的标准定义带 max(0, RV−BV) 截断，负跳跃估计被压成精确 0；高波动年份（2015）RV ≤ BV 的交易日更多，实测单日重复率 20.6%

与其豁免门禁，不如不输出——入选因子是它们的 20 日窗口聚合值，连续且不受影响。

依赖数据

分钟表按 CAST(date AS TIME) >= '09:31:00' 过滤，剔除开盘集合竞价 bar（沪深记在 09:25、北交所记在 09:30）、保留 15:00 收盘集合竞价 bar，当日恰为 240 根连续竞价分钟（已实测 min(bars) = max(bars) = 240）。因子窗口跨 24 个交易日，实际回溯 48 个交易日的分钟数据（留一倍余量吸收长假）；micro_combo_pure 的风格因子含 250 个交易日同比的营收增速项与 22 日贝塔，故 cn_stock_prefactors 单独回溯 300 个交易日。

因子筛选

25 个入选因子是从 52 个候选里筛出来的，筛选规则事先定好、一次性应用、不回头调。

候选构造: 18 个日频微观结构量各取 20 日均值与 20 日标准差，共 36 个；此外另有 9 个日频量（已实现偏度、符号跳跃、Roll 隐含价差、价格冲击斜率、成交量熵、最高/最低价时点、收盘位置、涨跌分钟量比）同样进入候选，合计 52 个。候选阶段剔除了一个构造错误：「符号跳跃 (RS⁺−RS⁻)/RV」因 RS⁺+RS⁻=RV 恒等于 1 − 2·rs_down_ratio，与下行方差占比严格仿射，两者 IC 精确反号，属重复字段。

筛选口径:

• 样本切分：训练段 2016-01 ~ 2019-12（48 个月末截面）用于挑因子，测试段 2020-01 ~ 2026-08（80 个月末截面）只用于报告，不参与挑选
• 前向收益：次日开盘到 21 个交易日后开盘。不用收盘口径——收盘价含当日反转信息，会系统性放大反转类因子的表现
• 不重叠抽样：前向收益跨 21 个交易日，逐日计算会让相邻样本重叠 20/21、日度 IC 高度自相关，按 $\sqrt{252}$ 年化会把 ICIR 虚高约 $\sqrt{21} \approx 4.6$ 倍。因此只取每月最后一个交易日，按 $\sqrt{12}$ 年化
• IC 为 Spearman，因子先做截面 MAD 5 倍去极值与 z-score，再对 log 总市值回归取残差

三条筛选规则:

1. 训练段 $|$年化 ICIR$| \ge 1.5$
2. 训练段与测试段的 IC 同向
3. 两两截面相关 $|\rho| > 0.8$ 时，只保留训练段 $|$ICIR$|$ 更大的那个

规则 1、2 筛掉 23 个，规则 3 又剪掉 4 个，余 25 个。被相关性剪掉的 4 个及原因：

其中 var_ratio_m20 与 ret_ac1_m20 相关 +0.934 是机械关系而非巧合：对 MA(1) 噪声过程，方差比约等于 $1 + 2\rho_1$，两者本就是同一信息的两种写法。成交量熵与 HHI 同为集中度的两种度量，相关 +0.913 也属同理。

IC 绩效

口径: 口径与 ## 因子筛选 完全一致，且直接读已入库的因子值计算，故下表数字可由本表复现。全市场不做任何股票过滤；月末不重叠截面；前向收益次日开盘到 21 个交易日后开盘；Spearman IC；年化 ICIR $=$ 月度 ICIR $\times \sqrt{12}$。表里存的因子已做过市值中性化，故「rankIC」直接用存量值；「增量」列再剔除 20 日反转、20 日平均换手率、20 日波动率三个传统价量因子，用于判断这些高频因子是不是传统因子的换装。胜率为 IC $> 0$ 的月份占比——多数因子是反转方向（IC 为负），故胜率低才是好。

怎么读这张表:

• 25 个因子在训练段与测试段的 IC 全部同向，没有一个符号翻转。这是筛选规则 2 的直接结果，但测试段的强度没有系统性塌掉（测试段 15 个因子的年化 ICIR 绝对值仍 $\ge 2$），说明筛出来的不只是训练段的噪声
• 合成因子是本表最好的产出：micro_combo 全样本 rankIC $-0.1095$、年化 ICIR $-2.73$、胜率 22.9%（即 77.1% 的月份 IC 为负，方向正确），强于任何单因子。25 个因子等权相加能跑赢最好的单因子，说明它们的信息确实有互补性，不是同一个东西的 25 种写法
• 增量 IC 是本表最该看的一列。剔掉 20 日反转、换手率、波动率之后：
  • micro_combo 仍有 $-0.0514$ / $-2.63$，约一半的原始 IC 是传统价量因子给不出来的
  • 单因子里增量最强的是 rs_down_ratio_m20（$+0.0397$ / $+2.22$）、absret_ac1_s20（$-0.0272$ / $-2.22$）、ret_asym_m20（$-0.0401$ / $-2.12$）、rs_down_ratio_s20（$-0.0298$ / $-1.77$）
  • 但也有一批因子的增量几乎归零：path_eff_s20（$-0.15$）、path_eff_m20（$-0.29$）、elasticity_s20（$+0.28$）、vol_hhi_s20（$-0.37$）、open30_vol_m20（$-0.38$）、jump_ratio_m20（$+0.42$）。这六个因子的原始 IC 基本可以由传统反转 / 换手 / 波动解释掉，单独使用价值有限，留在表里是为了合成与后续研究，不建议当独立 alpha 用
• micro_combo_pure 的原始与增量 ICIR 几乎相同（$-2.92$ 对 $-2.95$），因为它已经对十个风格因子中性化过，20 日反转 / 换手 / 波动的信息已被 Momentum / Liquidity / ResidualVolatility 三个风格代理吸收掉了

三点诚实提示:

1. 这是一次按 IC 筛选过的结果，入选因子的 IC 天然偏乐观。测试段 2020-2026 虽未参与挑选，但「训练/测试同向」这条规则本身用到了测试段的符号信息，严格说测试段也不是完全干净的样本外。真正干净的样本外只能靠 2026-09 之后的新数据积累
2. 前向收益口径对结论影响很大。本表全部用「次日开盘 → 21 个交易日后开盘」。若换成收盘口径，反转类因子的 IC 会被系统性放大（收盘价含当日反转信息），本表多数因子都是反转方向，届时数字会好看得多但不可实现
3. 未做任何交易成本与换手率测算。_s20 类因子（20 日窗口标准差）的截面排序变化通常比 _m20 类快，实际净收益要看换手后的结果，本小节只报 IC，不构成策略结论

示例数据

按 date、instrument 排序后的前 5 行与后 5 行，由 update_docs() 推送文档时自动填充。