cn_stock_factors_hf_ky_intraday_behavior

数据描述

汇集开源微观结构系列中仅依赖分钟价量的交易行为与聪明钱等低频化因子

数据简介

本表汇集开源证券「市场微观结构研究」系列中只依赖分钟价量数据的四族低频化因子，它们共用同一份 cn_stock_bar1m_c 扫描，故合并为一张表：

• 聪明钱因子族（系列 2、3）：用分钟涨跌幅与成交量构造聪明度指标 S，在过去 10 个交易日的分钟池内 按 S 降序取成交量累计占比前若干的分钟视为聪明钱交易，比较其成交量加权均价与全部交易的加权均价。 系列 3 把 S 中成交量的指数项一般化为可变参数并重构出三种新的 S 指标。
• APM 因子族（系列 5）：考察日内不同时段价格行为的差异程度。先用个股与指数的分段收益做时序回归， 再用两段残差之差的 t 统计量度量差异，最后剔除动量暴露。系列 5 用隔夜收益替代上午收益得到改进版本， 并把方法论推广到其它时段组合，另给出 OVP / AVP 两个直接作差的因子。
• 极端收益反转因子族（系列 17）：以 $S = |x - median(x)|$ 定义分钟收益率的极端度， 考察最极端 Bar 及其前后相邻 Bar 的选股方向，最终把最极端收益与其前 1 分钟收益排序合成为 ERR 因子。
• 时间重心因子族（系列 19）：把日内 240 根分钟 Bar 标记为 1~240，分别求上涨与下跌分钟的 时间重心，论证「时间差」应当用截面回归而非作差提取，并逐一剥离收益率结构与低波效应的干扰得到 TGD 因子， 最后与日内收益率偏度排序合成。

数据区间：2015-01-05 ~ 2026-11-03（每个交易日一条记录）。

文献来源

• 标题: 《交易行为因子的 2019 年——市场微观结构研究系列（2）》

• 作者: 魏建榕、高鹏、傅开波

• 机构: 开源证券

• 时间: 2019-12-28

• 标题: 《聪明钱因子模型的 2.0 版本——市场微观结构研究系列（3）》

• 作者: 魏建榕、高鹏、傅开波

• 机构: 开源证券

• 时间: 2020-02-09

• 标题: 《APM 因子模型的进阶版——市场微观结构研究系列（5）》

• 作者: 魏建榕、苏俊豪

• 机构: 开源证券

• 时间: 2020-03-07

• 标题: 《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》

• 作者: 魏建榕、盛少成、苏良

• 机构: 开源证券

• 时间: 2022-12-03

• 标题: 《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》

• 作者: 魏建榕、苏良、盛少成

• 机构: 开源证券

• 时间: 2022-12-25

表结构

• 表名: cn_stock_factors_hf_ky_intraday_behavior
• 中文表名: 开源证券分钟交易行为因子
• 数据描述: 汇集开源微观结构系列中仅依赖分钟价量的交易行为与聪明钱等低频化因子
• 主键: date + instrument
• 记录粒度: 每个交易日每只股票一条记录

依赖数据

聪明钱族回溯 10 个交易日，其余三族回溯 20 个交易日，APM 的 Ret20 额外需要前一个交易日， _build 统一倒退 21 个交易日取数，故单日增量的实际扫描区间约为输出区间的 21 倍。分钟表是本仓库 最贵的数据源，因此 _build 内部按自然季度切块：每块一次性取该季度加回溯期的分钟数据 （约 110 万根 × 股票数），在内存中算完该季度的全部输出日再进入下一块，既避免一次性读入整年分钟数据， 也把回溯期的重复读取控制在 1.3 倍左右。

本表依赖两张高频表（cn_stock_bar1m_c 与 cn_stock_index_bar1m），超出「一张因子表默认不超过 1 张高频源表」的约定。这属于 builder.md 所说的合理例外：APM 因子的定义里个股分段收益必须与 同口径的指数分段收益配对回归，而指数分钟线表每天只有 241 行 × 数十条指数，扫描成本相比 个股分钟表可以忽略。

因子列表

smart_money_q_raw

中文名: 原始聪明钱因子

描述: 开源证券 2016 年 7 月首发的聪明钱因子，也是「高频数据，低频因子」研究模式的引领之作。核心逻辑是聪明钱在交易过程中往往呈现「单笔订单数量更大、订单报价更为激进」的特征，据此用分钟涨跌幅与成交量构造聪明度指标 S 来识别聪明钱交易，再比较聪明钱交易与全部交易的成交量加权均价。研报指出该因子 2017 年初之后选股能力明显减弱，多空对冲信息比率仅 1.69。

构建逻辑:

1. 对选定股票，回溯取其过去 10 个交易日的分钟行情数据；
2. 构造指标 $S_t = |R_t| / \sqrt{V_t}$，其中 $R_t$ 为第 $t$ 分钟涨跌幅、$V_t$ 为第 $t$ 分钟成交量；
3. 将分钟数据按照指标 $S_t$ 从大到小进行排序，取成交量累积占比前 20% 的分钟，视为聪明钱交易；
4. 计算聪明钱交易的成交量加权平均价 $VWAP_{smart}$；
5. 计算所有交易的成交量加权平均价 $VWAP_{all}$；
6. 聪明钱因子 $Q = VWAP_{smart} / VWAP_{all}$。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 10 日合池：研报明确是把过去 10 个交易日的分钟数据放在一起排序，而不是逐日算完再平均。本项目按研报原意合池，即每个输出交易日对应 2410 根分钟线的联合排序
• 截止分钟的归属：按 S 降序累计成交量，使累计占比首次达到或超过 20% 的那一分钟计入聪明钱交易
• 加权均价：用分钟成交额之和除以分钟成交量之和，等价于研报的成交量加权平均价，且避免用分钟收盘价近似分钟均价
• 有效交易日：要求 10 个交易日的窗口内每天都有完整的 241 根分钟线且当日成交量为正，否则该股当日因子值置空

文献出处: 作者：魏建榕、高鹏、傅开波；时间：2019-12-28；标题：《交易行为因子的 2019 年——市场微观结构研究系列（2）》；机构：开源证券

smart_money_q

中文名: 聪明钱因子 2.0

描述: 研报对开根号的修正。原始 S 指标把分钟成交量的指数项固定为 0.5，研报将其一般化为可变参数 $\beta$ 后发现原始版本远未达到最优。《独家量价因子的高频测试》附录给出的「聪明钱 2.0」canonical 版本取 $\beta = 0.25$，本字段即该版本。

构建逻辑: 步骤同 smart_money_q_raw，第 2 步的指标改为 $S_t = |R_t| / V_t^{0.25}$。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 10 日合池、截止分钟的归属、加权均价、有效交易日：同 smart_money_q_raw

文献出处: 作者：魏建榕、高鹏、傅开波；时间：2020-02-09；标题：《聪明钱因子模型的 2.0 版本——市场微观结构研究系列（3）》；机构：开源证券

smart_money_q_beta01

中文名: 聪明钱因子（β=0.1）

描述: 研报对 $\beta$ 做参数遍历后给出的最优版本。研报结论是 $\beta$ 由 0.7 逐渐减小时信息比率逐渐增加，$\beta \approx 0.1$ 时信息比率最大（3.67），再继续减小则缓慢下降但整体仍高于 2.5；$\beta$ 小于 0.5 的因子选股能力明显优于原始聪明钱因子。研报另说明该结论对调仓时点路径与剔除主要风格因子都稳健，且在中证 1000 成分股中多空年化收益 26.3%、信息比率 3.81。

构建逻辑: 步骤同 smart_money_q_raw，第 2 步的指标改为 $S_t = |R_t| / V_t^{0.1}$。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 10 日合池、截止分钟的归属、加权均价、有效交易日：同 smart_money_q_raw

文献出处: 作者：魏建榕、高鹏、傅开波；时间：2020-02-09；标题：《聪明钱因子模型的 2.0 版本——市场微观结构研究系列（3）》；机构：开源证券

smart_money_q_s1

中文名: 聪明钱因子（S1：仅成交量）

描述: 研报重新构造 S 指标的三种尝试之一，单独考虑成交量因素，把分钟成交量较大的交易划分为聪明钱交易。研报给出该版本的 IC 均值 -0.036、多空对冲信息比率 2.03，优于原始聪明钱因子。

构建逻辑: 步骤同 smart_money_q_raw，第 2 步的指标改为 $S_1 = V_t$。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 10 日合池、截止分钟的归属、加权均价、有效交易日：同 smart_money_q_raw

文献出处: 作者：魏建榕、高鹏、傅开波；时间：2020-02-09；标题：《聪明钱因子模型的 2.0 版本——市场微观结构研究系列（3）》；机构：开源证券

smart_money_q_s2

中文名: 聪明钱因子（S2：涨跌幅与成交量排名之和）

描述: 研报重新构造 S 指标的三种尝试之一，综合考虑分钟交易的成交量和涨跌幅绝对值排名，把排名之和靠前的交易划分为聪明钱交易。研报给出该版本的 IC 均值 -0.043、多空对冲信息比率 2.61。

构建逻辑: 步骤同 smart_money_q_raw，第 2 步的指标改为 $S_2 = rank(|R_t|) + rank(V_t)$。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 排名口径：研报写作「分钟涨跌幅绝对值分位排名与分钟成交量分位排名之和」，本项目在同一个 10 日分钟池内分别对 $|R_t|$ 与 $V_t$ 取升序平均秩（并列取秩均值）后相加
• 10 日合池、截止分钟的归属、加权均价、有效交易日：同 smart_money_q_raw

文献出处: 作者：魏建榕、高鹏、傅开波；时间：2020-02-09；标题：《聪明钱因子模型的 2.0 版本——市场微观结构研究系列（3）》；机构：开源证券

smart_money_q_s3

中文名: 聪明钱因子（S3：对数成交量）

描述: 研报重新构造 S 指标的三种尝试之一，也是三者中最强的：对分钟成交量作对数变换。研报给出该版本的 IC 均值 -0.050、多空对冲信息比率 3.74，并在中证 1000 成分股中多空年化收益 26.5%、信息比率 3.65。

构建逻辑: 步骤同 smart_money_q_raw，第 2 步的指标改为 $S_3 = |R_t| / \ln(V_t)$。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 对数的定义域：成交量为 0 或 1 的分钟使 $\ln(V_t)$ 为 0 或无定义，本项目把这些分钟的 $S_3$ 置为缺失，使其不进入聪明钱交易的排序（仍计入全部交易的加权均价）
• 10 日合池、截止分钟的归属、加权均价、有效交易日：同 smart_money_q_raw

文献出处: 作者：魏建榕、高鹏、傅开波；时间：2020-02-09；标题：《聪明钱因子模型的 2.0 版本——市场微观结构研究系列（3）》；机构：开源证券

smart_money_q_cut15

中文名: 聪明钱因子（截止值 15%）

描述: 研报对截止值做敏感性测试后给出的最优版本。原始模型取 20% 的依据是我国机构投资者对全市场成交量的贡献比例在 10%~20% 之间、年度均值约 13%。研报基于 $\beta = 0.25$ 的 S 指标测试了 10%、15%、20%、30%、40%、50% 六个截止值，结论是随截止值提高信息比率逐渐降低，15% 时取得最大值 3.35，略高于 20% 的 3.27，整体差异不大，说明原模型取 20% 具有合理支撑。

构建逻辑: 步骤同 smart_money_q（$\beta = 0.25$），第 3 步的成交量累积占比截止值改为 15%。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 10 日合池、截止分钟的归属、加权均价、有效交易日：同 smart_money_q_raw

文献出处: 作者：魏建榕、高鹏、傅开波；时间：2020-02-09；标题：《聪明钱因子模型的 2.0 版本——市场微观结构研究系列（3）》；机构：开源证券

apm_ret_overnight_20

中文名: 隔夜收益累加（RO）

描述: APM 因子模型的中间量，也是研报讨论三「APM 方法论与 W 式切割方法的结合」里的三个分段加总之一。研报的分时段 ICIR 统计显示，从隔夜到下午，股票分时收益对未来收益的预测性逐步由正转负，其中隔夜收益对未来收益的正向预测性较为稳定。

构建逻辑: 对选定的股票，回溯其过去 20 个交易日的数据，把逐日的涨跌幅拆成隔夜、上午、下午三个阶段，隔夜阶段的收益率分别加总，所得和记作 RO。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 隔夜收益率口径：取 cn_stock_prefactors 的后复权开盘价除以后复权昨收盘价减一。cn_stock_bar1m_c 是未复权价格，跨除权日用它算隔夜收益会出错，故此项单独取日频后复权字段

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_ret_am_20

中文名: 上午收益累加（RA）

描述: APM 因子模型的中间量。研报用它与下午收益累加的对比说明 2019 年 APM 因子失效的原因：$r^{am}$ 因子与未来 20 日涨跌幅在全样本区间内为正相关，而在 2019 年却是负相关，即上午收益的性质发生了反转。

构建逻辑: 对选定的股票，回溯其过去 20 个交易日的数据，把逐日的涨跌幅拆成隔夜、上午、下午三个阶段，上午阶段的收益率分别加总，所得和记作 RA。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 上午收益率口径：取当日 11:30 收盘价除以当日开盘价减一。研报的上午时段为 9:30-11:30，本项目以当日开盘价（含集合竞价）为起点，故该分段与隔夜分段首尾相接、不留缺口

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_ret_pm_20

中文名: 下午收益累加（RP）

描述: APM 因子模型的中间量。研报指出 $r^{pm}$ 因子与未来 20 日涨跌幅在全样本区间内和 2019 年差异不大，均为负相关，即下午收益的负向预测性较为稳定。

构建逻辑: 对选定的股票，回溯其过去 20 个交易日的数据，把逐日的涨跌幅拆成隔夜、上午、下午三个阶段，下午阶段的收益率分别加总，所得和记作 RP。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 下午收益率口径：取当日 15:00 收盘价除以当日 11:30 收盘价减一。午间休市期间没有价格变动，故该口径等价于研报的 13:00-15:00 时段收益

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_raw

中文名: 原始 APM 因子

描述: 开源证券 2016 年 10 月首发的 APM 因子，考察上午与下午价格行为的差异程度。研报指出其样本内（2013 年 5 月—2016 年 10 月）表现优异，多空对冲年化收益 15.90%、最大回撤 2.52%、信息比率 2.84、月度胜率 78.6%；样本外（2016 年 11 月—2019 年 12 月）多空年化收益降至 6.41%、最大回撤 5.72%，2019 年出现连续回撤。全历史区间 IC 均值 0.039、rankIC 均值 0.036、信息比率 2.01。

构建逻辑:

1. 对选定股票，回溯取其过去 20 日数据，记逐日上午的股票收益率为 $r_t^{(1)}$、指数收益率为 $R_t^{(1)}$；逐日下午的股票收益率为 $r_t^{(2)}$、指数收益率为 $R_t^{(2)}$；
2. 将得到的 40 组收益率数据 $(r, R)$ 进行回归 $r_i = \alpha + \beta R_i + \varepsilon_i$，得到残差项 $\varepsilon_i$；
3. 以上得到的 40 个残差中，上午残差记为 $\varepsilon_t^{(1)}$、下午残差记为 $\varepsilon_t^{(2)}$，进一步计算每日两段残差的差值 $\delta_t = \varepsilon_t^{(1)} - \varepsilon_t^{(2)}$；
4. 构造统计量 stat 衡量两段残差的差异程度（$\mu$ 为均值、$\sigma$ 为标准差）：

$$stat = \frac{\mu(\delta_t)}{\sigma(\delta_t) / \sqrt{N}}$$

1. 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归 $stat_j = b \cdot Ret20_j + \varepsilon_j$，其中 $Ret20$ 为股票过去 20 日的收益率；
2. 将回归得到的残差值作为因子值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 指数口径：研报未指明用哪条指数，本项目取沪深 300 指数（000300.SH）的分钟线作为市场收益代理，分段口径与个股完全一致
• 回归的实现：40 组点的一元 OLS 用滚动和闭式解算出（$\beta$ 由两段收益的滚动协方差与方差得到），再由 $\delta_t = (r_t^{(1)} - r_t^{(2)}) - \beta (R_t^{(1)} - R_t^{(2)})$ 直接得到 $\mu(\delta)$ 与 $\sigma(\delta)$，与逐股逐日跑一次回归等价
• 统计量中的 $N$：取 $\delta_t$ 的个数，即 20
• 有效交易日：要求 20 个交易日的窗口内个股与指数的相应分段收益率都可用，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_new

中文名: 改进 APM 因子

描述: 研报的核心改进。研报先指出知情交易概率在日内呈「倒 J 形」、交易者在上午的交易行为很大程度上受隔夜信息影响，而原 APM 只着眼连续竞价、没有纳入集合竞价这一「交易者根据隔夜信息开始集中交易」的时段。于是用隔夜收益替代上午收益，其余步骤不变。研报给出改进后年化收益 12.81%（原 10.99%）、ICIR 3.17（原 2.07）、最大回撤 2.32%（原 5.72%）、月度胜率 81.25%（原 70%），且在中证 500 成分股内表现优于全市场。

构建逻辑:

1. 对选定股票，回溯取其过去 20 日数据，记逐日隔夜的股票收益率为 $r_t^{(1)}$、指数收益率为 $R_t^{(1)}$；逐日下午的股票收益率为 $r_t^{(2)}$、指数收益率为 $R_t^{(2)}$；
2. 将得到的 40 组收益率数据 $(r, R)$ 进行回归 $r_i = \alpha + \beta R_i + \varepsilon_i$，得到残差项 $\varepsilon_i$；
3. 以上得到的 40 个残差中，隔夜残差记为 $\varepsilon_t^{(1)}$、下午残差记为 $\varepsilon_t^{(2)}$，进一步计算每日两段残差的差值 $\delta_t = \varepsilon_t^{(1)} - \varepsilon_t^{(2)}$；
4. 构造统计量 stat 衡量两段残差的差异程度（$\mu$ 为均值、$\sigma$ 为标准差）：

$$stat = \frac{\mu(\delta_t)}{\sigma(\delta_t) / \sqrt{N}}$$

1. 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归 $stat_j = b \cdot Ret20_j + \varepsilon_j$，其中 $Ret20$ 为股票过去 20 日的收益率；
2. 将回归得到的残差值作为因子值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 指数口径：研报未指明用哪条指数，本项目取沪深 300 指数（000300.SH）的分钟线作为市场收益代理，分段口径与个股完全一致
• 回归的实现：40 组点的一元 OLS 用滚动和闭式解算出（$\beta$ 由两段收益的滚动协方差与方差得到），再由 $\delta_t = (r_t^{(1)} - r_t^{(2)}) - \beta (R_t^{(1)} - R_t^{(2)})$ 直接得到 $\mu(\delta)$ 与 $\sigma(\delta)$，与逐股逐日跑一次回归等价
• 统计量中的 $N$：取 $\delta_t$ 的个数，即 20
• 有效交易日：要求 20 个交易日的窗口内个股与指数的相应分段收益率都可用，否则该股当日因子值置空
• 隔夜收益率口径：同 apm_ret_overnight_20，个股取日频后复权开盘价与昨收盘价，指数取分钟线首根与前一日收盘

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_1

中文名: APM_1 因子（隔夜 vs 14:00-15:00）

描述: 研报讨论二「APM 因子方法论应用于不同时段的比较」中的因子之一。研报结论是使用了隔夜数据的两个因子（APM_new、APM_1）在 2019 年表现都较好，而只使用日内交易数据的因子表现逊色。

构建逻辑:

1. 对选定股票，回溯取其过去 20 日数据，记逐日隔夜的股票收益率为 $r_t^{(1)}$、指数收益率为 $R_t^{(1)}$；逐日14:00-15:00的股票收益率为 $r_t^{(2)}$、指数收益率为 $R_t^{(2)}$；
2. 将得到的 40 组收益率数据 $(r, R)$ 进行回归 $r_i = \alpha + \beta R_i + \varepsilon_i$，得到残差项 $\varepsilon_i$；
3. 以上得到的 40 个残差中，隔夜残差记为 $\varepsilon_t^{(1)}$、14:00-15:00残差记为 $\varepsilon_t^{(2)}$，进一步计算每日两段残差的差值 $\delta_t = \varepsilon_t^{(1)} - \varepsilon_t^{(2)}$；
4. 构造统计量 stat 衡量两段残差的差异程度（$\mu$ 为均值、$\sigma$ 为标准差）：

$$stat = \frac{\mu(\delta_t)}{\sigma(\delta_t) / \sqrt{N}}$$

1. 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归 $stat_j = b \cdot Ret20_j + \varepsilon_j$，其中 $Ret20$ 为股票过去 20 日的收益率；
2. 将回归得到的残差值作为因子值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 指数口径：研报未指明用哪条指数，本项目取沪深 300 指数（000300.SH）的分钟线作为市场收益代理，分段口径与个股完全一致
• 回归的实现：40 组点的一元 OLS 用滚动和闭式解算出（$\beta$ 由两段收益的滚动协方差与方差得到），再由 $\delta_t = (r_t^{(1)} - r_t^{(2)}) - \beta (R_t^{(1)} - R_t^{(2)})$ 直接得到 $\mu(\delta)$ 与 $\sigma(\delta)$，与逐股逐日跑一次回归等价
• 统计量中的 $N$：取 $\delta_t$ 的个数，即 20
• 有效交易日：要求 20 个交易日的窗口内个股与指数的相应分段收益率都可用，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_2

中文名: APM_2 因子（9:30-10:30 vs 14:00-15:00）

描述: 研报讨论二中的因子之一，只使用日内交易数据。研报结论是该类因子在 2019 年表现逊色，进一步印证 APM_raw 的回撤源于日内交易行为差异性的变化。

构建逻辑:

1. 对选定股票，回溯取其过去 20 日数据，记逐日9:30-10:30的股票收益率为 $r_t^{(1)}$、指数收益率为 $R_t^{(1)}$；逐日14:00-15:00的股票收益率为 $r_t^{(2)}$、指数收益率为 $R_t^{(2)}$；
2. 将得到的 40 组收益率数据 $(r, R)$ 进行回归 $r_i = \alpha + \beta R_i + \varepsilon_i$，得到残差项 $\varepsilon_i$；
3. 以上得到的 40 个残差中，9:30-10:30残差记为 $\varepsilon_t^{(1)}$、14:00-15:00残差记为 $\varepsilon_t^{(2)}$，进一步计算每日两段残差的差值 $\delta_t = \varepsilon_t^{(1)} - \varepsilon_t^{(2)}$；
4. 构造统计量 stat 衡量两段残差的差异程度（$\mu$ 为均值、$\sigma$ 为标准差）：

$$stat = \frac{\mu(\delta_t)}{\sigma(\delta_t) / \sqrt{N}}$$

1. 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归 $stat_j = b \cdot Ret20_j + \varepsilon_j$，其中 $Ret20$ 为股票过去 20 日的收益率；
2. 将回归得到的残差值作为因子值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 指数口径：研报未指明用哪条指数，本项目取沪深 300 指数（000300.SH）的分钟线作为市场收益代理，分段口径与个股完全一致
• 回归的实现：40 组点的一元 OLS 用滚动和闭式解算出（$\beta$ 由两段收益的滚动协方差与方差得到），再由 $\delta_t = (r_t^{(1)} - r_t^{(2)}) - \beta (R_t^{(1)} - R_t^{(2)})$ 直接得到 $\mu(\delta)$ 与 $\sigma(\delta)$，与逐股逐日跑一次回归等价
• 统计量中的 $N$：取 $\delta_t$ 的个数，即 20
• 有效交易日：要求 20 个交易日的窗口内个股与指数的相应分段收益率都可用，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_3

中文名: APM_3 因子（10:30-11:30 vs 13:00-14:00）

描述: 研报讨论二中的因子之一，只使用每个交易日中间两小时的数据。研报指出该因子表现最差，猜想是市场整体在这段时间成交相对寡淡、难以提炼出有效的差异信息。

构建逻辑:

1. 对选定股票，回溯取其过去 20 日数据，记逐日10:30-11:30的股票收益率为 $r_t^{(1)}$、指数收益率为 $R_t^{(1)}$；逐日13:00-14:00的股票收益率为 $r_t^{(2)}$、指数收益率为 $R_t^{(2)}$；
2. 将得到的 40 组收益率数据 $(r, R)$ 进行回归 $r_i = \alpha + \beta R_i + \varepsilon_i$，得到残差项 $\varepsilon_i$；
3. 以上得到的 40 个残差中，10:30-11:30残差记为 $\varepsilon_t^{(1)}$、13:00-14:00残差记为 $\varepsilon_t^{(2)}$，进一步计算每日两段残差的差值 $\delta_t = \varepsilon_t^{(1)} - \varepsilon_t^{(2)}$；
4. 构造统计量 stat 衡量两段残差的差异程度（$\mu$ 为均值、$\sigma$ 为标准差）：

$$stat = \frac{\mu(\delta_t)}{\sigma(\delta_t) / \sqrt{N}}$$

1. 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归 $stat_j = b \cdot Ret20_j + \varepsilon_j$，其中 $Ret20$ 为股票过去 20 日的收益率；
2. 将回归得到的残差值作为因子值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 指数口径：研报未指明用哪条指数，本项目取沪深 300 指数（000300.SH）的分钟线作为市场收益代理，分段口径与个股完全一致
• 回归的实现：40 组点的一元 OLS 用滚动和闭式解算出（$\beta$ 由两段收益的滚动协方差与方差得到），再由 $\delta_t = (r_t^{(1)} - r_t^{(2)}) - \beta (R_t^{(1)} - R_t^{(2)})$ 直接得到 $\mu(\delta)$ 与 $\sigma(\delta)$，与逐股逐日跑一次回归等价
• 统计量中的 $N$：取 $\delta_t$ 的个数，即 20
• 有效交易日：要求 20 个交易日的窗口内个股与指数的相应分段收益率都可用，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_ovp

中文名: OVP 因子

描述: 研报讨论三「APM 因子方法论与 W 式切割方法的结合」给出的因子。逻辑是全样本来看股票在隔夜和上午的收益表现为正向预测性、在下午的收益表现为负向预测性，于是直接相减。研报给出 OVP 因子年化收益 18.04%、ICIR 4.17、最大回撤 2.21%，各维度均优于 AVP 因子。

构建逻辑:

1. 对选定的股票，回溯其过去 20 个交易日的数据；
2. 把股票逐日的涨跌幅拆成隔夜、上午、下午三个阶段，分别加总，所得和依次记作 RO、RA、RP；
3. OVP = RO - RP。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 隔夜 / 上午 / 下午收益率口径：分别同 apm_ret_overnight_20、apm_ret_am_20、apm_ret_pm_20

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

apm_avp

中文名: AVP 因子

描述: 研报讨论三中与 OVP 对照的因子。研报给出 AVP 因子年化收益 3.00%、ICIR 0.15、最大回撤 11.32%，明显弱于 OVP。

构建逻辑: 步骤同 apm_ovp，第 3 步改为 AVP = RA - RP。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 上午 / 下午收益率口径：分别同 apm_ret_am_20、apm_ret_pm_20

文献出处: 作者：魏建榕、苏俊豪；时间：2020-03-07；标题：《APM 因子模型的进阶版——市场微观结构研究系列（5）》；机构：开源证券

extreme_ret_1

中文名: 最极端收益因子

描述: 研报从分钟数据出发探寻日内极端收益前后的反转特性差异。研报先统计出日内最极端 Bar 出现在 10 点前的概率高达 68.50%、出现在上午的概率高达 99.94%、中位数在 9:55。相比传统反转因子，最极端收益因子的多空年化收益略降（21.71% → 19.10%），但信息比率从 1.55 提升至 2.73、胜率从 65.71% 提升至 81.90%、最大回撤从 13.77% 降至 5.71%。

构建逻辑: 每个输出日回看过去 20 天，计算每天 $S$ 最高那根 Bar 的收益率，再把 20 天的值取平均。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 极端度的定义：$S = |x - median(x)|$，其中 $x$ 为当日 240 根分钟 Bar 的收益率序列
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、盛少成、苏良；时间：2022-12-03；标题：《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》；机构：开源证券

extreme_ret_prev1

中文名: 最极端收益前 1 分钟收益因子

描述: 研报用于增强最极端收益因子的分量。研报的统计显示最极端收益前的分钟收益率整体呈现负 IC（反转特性），且离最极端那根 Bar 越近反转效应越强；最极端收益前的收益率与最极端收益率呈正相关，越近正相关性越高。

构建逻辑: 每个输出日回看过去 20 天，计算每天 $S$ 最高那根 Bar 的前一根 Bar 的收益率，再把 20 天的值取平均。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 极端度的定义：$S = |x - median(x)|$，其中 $x$ 为当日 240 根分钟 Bar 的收益率序列
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空
• 边界情况：最极端 Bar 恰为当日第 1 根时没有前一根，该日不参与平均

文献出处: 作者：魏建榕、盛少成、苏良；时间：2022-12-03；标题：《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》；机构：开源证券

err

中文名: 极端收益率反转因子（ERR）

描述: 研报最终推荐的因子。研报把最极端收益与其前 1 分钟收益用排序相加的方式合成（而非数值相加，因为两者量级不同），年化收益从 19.10% 提升至 19.58%、信息比率从 2.73 提升至 3.01。全区间 RankIC 均值 -7.08%、RankICIR -3.18、十分组多空对冲年化收益 19.58%、信息比率 3.01、胜率 81.90%、最大回撤 5.71%。研报另说明前 t 分钟的参数敏感性不高，在沪深 300 / 中证 500 / 中证 1000 中多空收益波动比分别为 1.13 / 0.94 / 1.82，行业风格中性化后多空年化收益 9.49%、信息比率 1.88。

构建逻辑: 把最极端收益因子与最极端收益前 1 分钟收益因子在横截面上排序相加，作为 ERR 因子。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 极端度的定义：$S = |x - median(x)|$，其中 $x$ 为当日 240 根分钟 Bar 的收益率序列
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空
• 排序相加的口径：研报只说「使用排序相加」，未说明用名次还是分位。本项目取两个分量各自的截面百分位排名（取值 0~1）之和，使合成结果不随当日股票数变化而改变量纲

文献出处: 作者：魏建榕、盛少成、苏良；时间：2022-12-03；标题：《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》；机构：开源证券

extreme_ret_2

中文名: 第 2 极端收益因子

描述: 研报放开「最极端」这一标准后考察的第 N 极端收益因子之一。研报结论是第 N 极端收益因子的选股 ICIR 随 N 增加基本呈现递减规律，N 大于 10 之后 ICIR 绝对幅度就在 1.5 以下。

构建逻辑: 每个输出日回看过去 20 天，计算每天按 $S$ 降序排列的第 2 根 Bar 的收益率，再把 20 天的值取平均。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 极端度的定义：$S = |x - median(x)|$，其中 $x$ 为当日 240 根分钟 Bar 的收益率序列
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、盛少成、苏良；时间：2022-12-03；标题：《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》；机构：开源证券

extreme_ret_3

中文名: 第 3 极端收益因子

描述: 口径同 extreme_ret_2，取第 3 极端。

构建逻辑: 每个输出日回看过去 20 天，计算每天按 $S$ 降序排列的第 3 根 Bar 的收益率，再把 20 天的值取平均。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 极端度的定义：$S = |x - median(x)|$，其中 $x$ 为当日 240 根分钟 Bar 的收益率序列
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、盛少成、苏良；时间：2022-12-03；标题：《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》；机构：开源证券

extreme_ret_5

中文名: 第 5 极端收益因子

描述: 口径同 extreme_ret_2，取第 5 极端。

构建逻辑: 每个输出日回看过去 20 天，计算每天按 $S$ 降序排列的第 5 根 Bar 的收益率，再把 20 天的值取平均。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 极端度的定义：$S = |x - median(x)|$，其中 $x$ 为当日 240 根分钟 Bar 的收益率序列
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、盛少成、苏良；时间：2022-12-03；标题：《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》；机构：开源证券

extreme_ret_10

中文名: 第 10 极端收益因子

描述: 口径同 extreme_ret_2，取第 10 极端。研报指出 N 大于 10 之后 ICIR 绝对幅度就在 1.5 以下。

构建逻辑: 每个输出日回看过去 20 天，计算每天按 $S$ 降序排列的第 10 根 Bar 的收益率，再把 20 天的值取平均。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 极端度的定义：$S = |x - median(x)|$，其中 $x$ 为当日 240 根分钟 Bar 的收益率序列
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、盛少成、苏良；时间：2022-12-03；标题：《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》；机构：开源证券

extreme_post_ret_20min

中文名: 极端收益后 20 分钟区间收益因子

描述: 研报用于论证「最极端收益后呈现动量特性」的因子，也是研报讨论四的对照项。研报的结论是极端收益后动量效应可被 ERR 因子完全解释、并不是独立的 alpha 来源，但在 A 股以反转效应为主的环境下，能找出由真实收益率构造出的动量因子仍然难能可贵。

构建逻辑: 每个输出日回看过去 20 天，计算每天最极端 Bar 之后 20 分钟的区间收益率，再把 20 天的值取平均。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 极端度的定义：$S = |x - median(x)|$，其中 $x$ 为当日 240 根分钟 Bar 的收益率序列
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空
• 边界情况：最极端 Bar 之后不足 20 根时取到当日最后一根为止；最极端 Bar 即当日最后一根时该日不参与平均

文献出处: 作者：魏建榕、盛少成、苏良；时间：2022-12-03；标题：《日内极端收益前后的反转特性与因子构建——市场微观结构研究系列（17）》；机构：开源证券

time_gravity_up

中文名: 涨幅时间重心因子

描述: 研报把日内 09:31 至 15:00 的 240 根分钟 Bar 依次标记为 1 至 240，分别统计价格上涨与价格下跌两组 Bar 的时间标识序列，以每分钟价格变动幅度对时间序号加权平均得到时间重心。研报指出涨幅时间重心因子为正 IC 但效果较弱。

构建逻辑:

1. 基于个股上涨的 1 分钟收益率序列，逐日统计幅度和时间信息；
2. 以每分钟价格变动幅度对分钟时间序号加权平均，得到涨幅时间重心 $G_u$；
3. 回溯过去 20 个交易日，对日频指标取均值作为选股因子。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 时间重心的权重：研报公式写作 $G_u = U R_u^T / \|R_u\|_1$、$G_d = U R_d^T / \|R_d\|_1$（跌幅一式的 $U$ 疑为 $D$ 之误）。按字面取 $G_d$ 会得到负值、落在 $[-240, -1]$ 而与 $G_u$ 不可比，故本项目两式统一以收益率绝对值为权重对分钟时间序号加权平均，使 $G_u$ 与 $G_d$ 都落在 $[1, 240]$、可直接比较与回归
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，且当日既有上涨分钟也有下跌分钟，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

time_gravity_down

中文名: 跌幅时间重心因子

描述: 研报指出跌幅时间重心因子的有效性明显高于涨幅时间重心因子，RankIC 为 0.053。研报同时统计到截面上涨、跌幅时间重心呈强正相关，相关系数可达 0.7，解释为 A 股整体偏反转属性——出现极端涨幅或跌幅的分钟通常会在较短时间内出现幅度相当、方向相反的价格变动。

构建逻辑: 步骤同 time_gravity_up，第 1、2 步改为基于个股下跌的 1 分钟收益率序列计算跌幅时间重心 $G_d$。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 时间重心的权重：研报公式写作 $G_u = U R_u^T / \|R_u\|_1$、$G_d = U R_d^T / \|R_d\|_1$（跌幅一式的 $U$ 疑为 $D$ 之误）。按字面取 $G_d$ 会得到负值、落在 $[-240, -1]$ 而与 $G_u$ 不可比，故本项目两式统一以收益率绝对值为权重对分钟时间序号加权平均，使 $G_u$ 与 $G_d$ 都落在 $[1, 240]$、可直接比较与回归
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，且当日既有上涨分钟也有下跌分钟，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

time_gravity_diff

中文名: 时间差因子

描述: 涨、跌幅时间重心的差值 $\tau = G_d - G_u$，即研报定义的「时间差」指标。研报结论是该因子多空信息比率虽最高，但 RankIC 仅 0.02，明显弱于跌幅时间重心因子，稳定性也没有显著提升；回归涨、跌幅时间重心因子后多空收益明显滑落，大部分 alpha 都能被单个时间重心的信息解释。

构建逻辑: 先按 time_gravity_up 与 time_gravity_down 算出逐日的 $G_u$ 与 $G_d$，取 $\tau = G_d - G_u$，再回溯过去 20 个交易日取均值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 时间重心的权重：研报公式写作 $G_u = U R_u^T / \|R_u\|_1$、$G_d = U R_d^T / \|R_d\|_1$（跌幅一式的 $U$ 疑为 $D$ 之误）。按字面取 $G_d$ 会得到负值、落在 $[-240, -1]$ 而与 $G_u$ 不可比，故本项目两式统一以收益率绝对值为权重对分钟时间序号加权平均，使 $G_u$ 与 $G_d$ 都落在 $[1, 240]$、可直接比较与回归
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，且当日既有上涨分钟也有下跌分钟，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

time_gravity_dist

中文名: 时间距离因子

描述: 涨、跌幅时间重心差值的绝对值 $\upsilon = |G_d - G_u|$。研报结论是「时间距离」信息在三者中最弱。

构建逻辑: 先按 time_gravity_up 与 time_gravity_down 算出逐日的 $G_u$ 与 $G_d$，取 $\upsilon = |G_d - G_u|$，再回溯过去 20 个交易日取均值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 时间重心的权重：研报公式写作 $G_u = U R_u^T / \|R_u\|_1$、$G_d = U R_d^T / \|R_d\|_1$（跌幅一式的 $U$ 疑为 $D$ 之误）。按字面取 $G_d$ 会得到负值、落在 $[-240, -1]$ 而与 $G_u$ 不可比，故本项目两式统一以收益率绝对值为权重对分钟时间序号加权平均，使 $G_u$ 与 $G_d$ 都落在 $[1, 240]$、可直接比较与回归
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，且当日既有上涨分钟也有下跌分钟，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

time_gravity_down_dev

中文名: 跌幅时间重心偏离因子

描述: 研报论证「时间差」不该用作差而该用截面回归提取：其一，涨、跌时间重心存在较强正相关，线性相关导致作差结果取决于起始位置，不符合「时间差在盘初、盘中或盘尾应是一致的」这一一般定义；其二，涨、跌时间重心的波动率水平存在差异，作差会使因子暴露更多高波动成分（涨幅时间重心）。研报给出该因子多头年化收益率 21.2%、多空信息比率 2.39、RankIC 0.054、RankICIR 接近 3.0，暴露最多的前三个风格是价值（0.279）、波动率（-0.256）、动量（-0.141），剔除后 RankICIR 仍有 2.29。

构建逻辑: 以跌幅时间重心作为被解释变量，对涨幅时间重心做截面回归取残差，再取其 20 日均值作为选股因子。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 时间重心的权重：研报公式写作 $G_u = U R_u^T / \|R_u\|_1$、$G_d = U R_d^T / \|R_d\|_1$（跌幅一式的 $U$ 疑为 $D$ 之误）。按字面取 $G_d$ 会得到负值、落在 $[-240, -1]$ 而与 $G_u$ 不可比，故本项目两式统一以收益率绝对值为权重对分钟时间序号加权平均，使 $G_u$ 与 $G_d$ 都落在 $[1, 240]$、可直接比较与回归
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，且当日既有上涨分钟也有下跌分钟，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

tgd

中文名: 时间重心偏离因子（TGD）

描述: 研报的最终增强方案。研报先论证时间差 alpha 并非独立 alpha 源，其真正来源是股票的「收益率结构」与「低波效应」：日内收益率与隔夜收益率对时间差 alpha 均为干扰因素，剥离后因子效果反而提升；盘初阶段的涨跌幅带来负向干扰，而盘尾阶段的涨跌幅对时间差 alpha有较强解释能力；极端涨跌幅样本的平均涨幅与平均跌幅越高也会降低因子有效性。据此把干扰因素逐一剥离后，研报给出 TGD 因子全市场五分组多空信息比率达 4.5 以上、RankICIR 4.93，且同样基于收益率结构的 APM 因子是 TGD 因子的 alpha 子集。

构建逻辑:

1. 逐日计算个股的涨幅时间重心 $G_u$ 和跌幅时间重心 $G_d$，并统计平均涨幅 $\bar{R}_u$、平均跌幅 $\bar{R}_d$、时段 1（09:31-10:00）的涨跌幅 $R_1$、时段 2（10:01-10:30）的涨跌幅 $R_2$、隔夜涨跌幅 $R_{overnight}$；
2. 把涨、跌幅的时间重心各自对干扰因子做截面回归并保留残差：

$$G_u = f_u(\bar{R}_u, R_1, R_2, R_{overnight}) + \varepsilon_u \\ G_d = f_d(\bar{R}_d, R_1, R_2, R_{overnight}) + \varepsilon_d$$

1. 通过截面回归构造「时间差」指标，并取其 20 日均值作为因子：

$$\varepsilon_d = \alpha + \beta \varepsilon_u + \varepsilon,\quad TGD = \frac{1}{N}\sum \varepsilon$$

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 时间重心的权重：研报公式写作 $G_u = U R_u^T / \|R_u\|_1$、$G_d = U R_d^T / \|R_d\|_1$（跌幅一式的 $U$ 疑为 $D$ 之误）。按字面取 $G_d$ 会得到负值、落在 $[-240, -1]$ 而与 $G_u$ 不可比，故本项目两式统一以收益率绝对值为权重对分钟时间序号加权平均，使 $G_u$ 与 $G_d$ 都落在 $[1, 240]$、可直接比较与回归
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，且当日既有上涨分钟也有下跌分钟，否则该股当日因子值置空
• 四元截面回归：DAI 的截面回归算子最多支持三个自变量（c_ols3d_resid），本项目在 Python 侧用 numpy.linalg.lstsq 逐交易日对当日截面做带截距的四元 OLS 取残差
• 隔夜涨跌幅口径：同 apm_ret_overnight_20，取日频后复权开盘价与昨收盘价

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

intraday_ret_skew

中文名: 日内收益率偏度因子

描述: 研报选作「收益率分布特征」代表的典型因子，用于与时间维度的 TGD 因子合成。研报指出 TGD 因子属于时间维度的综合信息、不受收益率分布的影响，因此与分布特征因子合成后效果会继续提升。

构建逻辑: 逐日计算当日 240 根分钟 Bar 收益率序列的偏度，再回溯过去 20 个交易日取均值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 偏度口径：取样本偏度（无偏调整），当日有效分钟收益率不足 3 个时置空
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

tgd_skew_combo

中文名: TGD 与偏度合成因子

描述: 研报最后给出的合成因子。研报把 TGD 因子与日内收益率偏度 SKEW 因子在横截面上排序加总，合成因子相比 TGD 因子在稳定性方面进一步改善，RankICIR 达到 5.74、五分组多空 IR 为 4.45，且在沪深 300 内多头仍有超额。

构建逻辑: 把 TGD 因子与日内收益率偏度因子在横截面上排序加总得到合成因子。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 排序加总的口径：同 err，取两个分量各自的截面百分位排名（取值 0~1）之和

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

zero_ret_minute_count

中文名: 日内零涨跌幅分钟数因子

描述: 研报在探究时间差 alpha 来源时提出的解释因子 C。研报的推测是：时间差产生的原因可能与日内零涨幅的分钟样本数量有关，底层的交易行为逻辑来自 A 股市场中较为显著的「低波效应」——交易活跃度偏低或盘中触及涨跌停，会造成日内录得较多的零涨跌幅分钟样本。研报证明把它与盘尾两个时段的涨跌幅一起剔除后，时间差 alpha 就近似噪音。

构建逻辑: 逐日统计当日 240 根分钟 Bar 中收益率恰为 0 的根数，再回溯过去 20 个交易日取均值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

ret_seg7

中文名: 时段 7 涨跌幅因子

描述: 研报在探究时间差 alpha 来源时提出的解释因子 A，对应日内时段 7（14:01-14:30）的涨跌幅。研报结论是剥离盘初收益率能够有效提升因子稳定性，而剥离盘尾收益率则使时间差 alpha 预测能力降低，说明盘尾时段的涨跌幅是时间差 alpha 的解释成分而非干扰成分。

构建逻辑: 逐日计算当日 14:01-14:30 时段的涨跌幅，再回溯过去 20 个交易日取均值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 时段口径：取当日 14:30 收盘价除以当日 14:00 收盘价减一（按分钟行位置定位）
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

ret_seg8

中文名: 时段 8 涨跌幅因子

描述: 研报的解释因子 B，对应日内时段 8（14:31-15:00）的涨跌幅，说明见 ret_seg7。

构建逻辑: 逐日计算当日 14:31-15:00 时段的涨跌幅，再回溯过去 20 个交易日取均值。

项目实现说明:

• 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算
• 分钟网格：cn_stock_bar1m_c 每只股票每个交易日恰好 241 根（沪深首根为 09:25 集合竞价、北交所为 09:30，其后 09:3111:30 与 13:0115:00 共 240 根），本项目按行位置定位时点，位置 0 为当日开盘价，位置 1240 对应研报的第 1240 根分钟 Bar
• 分钟收益率：第 $k$ 根（$k = 1 \dots 240$）的收益率取 close 的相邻比值减一，其中第 1 根以当日开盘价（位置 0 的集合竞价价格）为基准，与研报「240 根分钟 Bar」的口径一致
• 时段口径：取当日 15:00 收盘价除以当日 14:30 收盘价减一（按分钟行位置定位）
• 有效交易日：要求 20 个交易日的窗口内每天都有完整的 241 根分钟线，否则该股当日因子值置空

文献出处: 作者：魏建榕、苏良、盛少成；时间：2022-12-25；标题：《日内分钟收益率的时序特征：逻辑讨论与因子增强——市场微观结构研究系列（19）》；机构：开源证券

复现核对

核对口径: 2015-01-05 ~ 2026-09-30；全市场不做任何股票过滤（研报剔除 ST 与上市未满 60 日的新股）；前向收益取 21 个交易日的收盘到收盘收益；rankIC 按截面计算；研报为月末截面、本项目逐日，故分两列给出；研报的 ICIR 经本系列其余各表交叉核对为年化口径（月度 ICIR 乘 12 的平方根），本项目的 rankICIR 一并按年化给出。

本项目两列数值回填中：本表的历史数据加工按自然年分批进行（分钟数据量约 15 亿行），完成后用与其余七张表相同的口径计算 rankIC / 年化 rankICIR 并填入。研报原文数值与出处已在下表就位，未披露的项已标明，便于回填时直接对照。

回填时需要重点核对的四个点（研报给了可直接对数的数值）:

1. 聪明钱的 β 与截止值排序。研报的三条排序结论是：β=0.1（IR 3.67）> β=0.25（3.27）> β=0.5 原始版（1.69）；重构 S 指标里 S3（3.74）> S2（2.61）> S1（2.03）；截止值 15%（3.35）略优于 20%（3.27）。本表七个聪明钱字段正是为核对这三条排序而设，回填后应先看排序是否成立，再看绝对值。
2. APM 的改进幅度。研报表 1 给出 APM_new 相对 APM_raw 的四项同口径对比（年化 12.81% 对 10.99%、ICIR 3.17 对 2.07、回撤 2.32% 对 5.72%、胜率 81.25% 对 70%），以及表 3 的 OVP 对 AVP（ICIR 4.17 对 0.15）。这两组对比是同一张表内的相对关系，不受样本区间差异影响，是最可靠的核对点。
3. ERR 的 RankIC / RankICIR。研报给了明确的 -7.08% 与 -3.18，可与本项目月末截面的 rankIC 与年化 rankICIR 直接对照；同时 err 应强于其分量 extreme_ret_1（研报 IR 由 2.73 提升至 3.01）。
4. TGD 链条的逐级增强。研报的链条是 time_gravity_diff（RankIC 0.02）→ time_gravity_down_dev（0.054 / RankICIR 约 3.0）→ tgd（RankICIR 4.93）→ tgd_skew_combo（5.74）。四级单调增强是该篇研报的核心论证，回填后应逐级核对。

已知的口径差异（回填后写入差异说明时需一并交代）:

• 样本区间: 五篇研报的测试区间分别止于 2019（系列 2）、2019-12（系列 3）、2019-12（系列 5）、2022-09（系列 17）、2022-03（系列 19），本项目为 2015-01 ~ 2026-09，重叠有限；本系列其余七张表的核对结果普遍显示 2022 年之后交易行为类因子的稳定性下降。
• 股票过滤: 研报剔除 ST 与上市未满 60 日的新股，本项目按项目规范不做任何股票过滤。
• 指数口径: APM 族需要同口径的指数分段收益，研报未指明用哪条指数，本项目取沪深 300。
• 指标类型: 研报的「信息比率 / IR」多为五分组多空对冲组合的收益波动比，本项目给的是 IC 序列的年化信息比率，两者只宜核对排序与方向，不宜核对绝对值。

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。