title: 量价类技术指标因子（cn_stock_factors_ta_volume_price） source: bigfactorwarehouse / cn_stock / cn_stock_factors_ta_volume_price format: markdown

量价类技术指标因子（cn_stock_factors_ta_volume_price）

价与量的联动特征：量比 / 成交额变化率 / 换手率放大倍数度量量能相对自身历史的异动，量价相关系数与回归斜率度量价量同步性，OBV / WAD / PVT / WVAD / MFI 从资金流入流出方向累计多空力量，单笔成交额比刻画大单参与度。

• 因子数量：31 个因子 / 31 个数据列
• 主键：date + instrument（按 cn_stock_instruments 对齐全市场标的）
• 数据起始：2010-01-01，日频增量更新
• 复权口径：后复权（cn_stock_bar1d 全表统一）

1. 上游依赖（基础数据表）

cn_stock_bar1d 为分区表，SQL 的 date 过滤由 dai.query(filters={"date": [...]}) 下推完成。

2. 因子清单（31 列）

3. 因子族公式与 DAI SQL

3.1 量比族

公式：量比_N = Volume / MA_N(Volume)

输出列（3）：vol_ratio_5、vol_ratio_10、vol_ratio_20

SELECT date, instrument,    volume / NULLIF(m_avg(volume, 5), 0) AS vol_ratio_5,    volume / NULLIF(m_avg(volume, 10), 0) AS vol_ratio_10,    volume / NULLIF(m_avg(volume, 20), 0) AS vol_ratio_20FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.2 量价相关系数族

公式：Corr_N = CORR_N(Close, Volume)

输出列（3）：corr_vol_price_10、corr_vol_price_20、corr_vol_price_60

SELECT date, instrument,    m_corr(close, volume, 10) AS corr_vol_price_10,    m_corr(close, volume, 20) AS corr_vol_price_20,    m_corr(close, volume, 60) AS corr_vol_price_60FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.3 量价回归斜率族

公式：Slope_N = REGR_SLOPE_N(Close ~ Volume)

输出列（3）：regr_slope_10、regr_slope_20、regr_slope_60

SELECT date, instrument,    m_regr_slope(close, volume, 10) AS regr_slope_10,    m_regr_slope(close, volume, 20) AS regr_slope_20,    m_regr_slope(close, volume, 60) AS regr_slope_60FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.4 成交额变化率族

公式：AmtRatio_N = Amount / MA_N(Amount) − 1

输出列（3）：amt_ratio_5、amt_ratio_20、amt_ratio_60

SELECT date, instrument,    amount / NULLIF(m_avg(amount, 5), 0) - 1 AS amt_ratio_5,    amount / NULLIF(m_avg(amount, 20), 0) - 1 AS amt_ratio_20,    amount / NULLIF(m_avg(amount, 60), 0) - 1 AS amt_ratio_60FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.5 换手率放大倍数族

公式：TurnRatio_N = Turn / MA_N(Turn)

输出列（2）：turn_ratio_20、turn_ratio_60

SELECT date, instrument,    turn / NULLIF(m_avg(turn, 20), 0) AS turn_ratio_20,    turn / NULLIF(m_avg(turn, 60), 0) AS turn_ratio_60FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.6 OBV 能量潮动量族

公式：OBV_Mom_N = (OBV − OBV_N日前) / MA_N(Volume)

输出列（3）：obv_mom_10、obv_mom_20、obv_mom_60

SELECT date, instrument,    (m_ta_obv(close, volume) - m_lag(m_ta_obv(close, volume), 10)) / NULLIF(m_avg(volume, 10), 0) AS obv_mom_10,    (m_ta_obv(close, volume) - m_lag(m_ta_obv(close, volume), 20)) / NULLIF(m_avg(volume, 20), 0) AS obv_mom_20,    (m_ta_obv(close, volume) - m_lag(m_ta_obv(close, volume), 60)) / NULLIF(m_avg(volume, 60), 0) AS obv_mom_60FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.7 单笔成交额比族

公式：AvgDeal_N = (Amount / DealNumber) / MA_N(Amount / DealNumber)

输出列（3）：avg_deal_ratio_5、avg_deal_ratio_20、avg_deal_ratio_60

SELECT date, instrument,    (amount / NULLIF(deal_number, 0)) / NULLIF(m_avg(amount / NULLIF(deal_number, 0), 5), 0) AS avg_deal_ratio_5,    (amount / NULLIF(deal_number, 0)) / NULLIF(m_avg(amount / NULLIF(deal_number, 0), 20), 0) AS avg_deal_ratio_20,    (amount / NULLIF(deal_number, 0)) / NULLIF(m_avg(amount / NULLIF(deal_number, 0), 60), 0) AS avg_deal_ratio_60FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.8 WVAD / MFI / TAPI 组合

公式：WVAD = Δ6(SUM((C−O)/(H−L) × Volume, 6))；MFI = m_ta_mfi(H, L, C, V, 14)；TAPI = Amount / Close

输出列（3）：wvad6、mfi14、tapi

SELECT date, instrument,    m_delta(m_sum((close - open) / NULLIF(high - low, 0) * volume, 6), 6) AS wvad6,    m_ta_mfi(high, low, close, volume, 14) AS mfi14,    amount / NULLIF(close, 0) AS tapiFROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.9 OBV 平衡成交量与其均线族

公式：OBV = 累计(IF(C>前C, +V, IF(C<前C, −V, 0)))；MAOBV_N = SMA(OBV, N)

输出列（6）：obv、maobv_6、maobv_14、maobv_20、maobv_30、maobv_60

累计型因子族：builder 用固定锚点 cum_anchor_date 查询。

SELECT date, instrument,    m_ta_obv(close, volume) AS obv,    m_ta_sma(m_ta_obv(close, volume), 6) AS maobv_6,    m_ta_sma(m_ta_obv(close, volume), 14) AS maobv_14,    m_ta_sma(m_ta_obv(close, volume), 20) AS maobv_20,    m_ta_sma(m_ta_obv(close, volume), 30) AS maobv_30,    m_ta_sma(m_ta_obv(close, volume), 60) AS maobv_60FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.10 WAD 威廉聚散指标 / PVT 量价趋势指标

公式：AD = IF(C>前C, C−MIN(前C, L), IF(C<前C, C−MAX(前C, H), 0))；WAD = 累计(AD)；PVT = 累计((Close/前Close − 1) × Volume)

输出列（2）：wad、pvt

累计型因子族：builder 用固定锚点 cum_anchor_date 查询。

SELECT date, instrument,    SUM(CASE WHEN close > m_lag(close, 1) THEN close - least(m_lag(close, 1), low) WHEN close < m_lag(close, 1) THEN close - greatest(m_lag(close, 1), high) ELSE 0 END) OVER (PARTITION BY instrument ORDER BY date) AS wad,    SUM((close / NULLIF(m_lag(close, 1), 0) - 1) * volume) OVER (PARTITION BY instrument ORDER BY date) AS pvtFROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

4. 数据加工说明

4.1 加工链路

cn_stock_bar1d（后复权，WHERE close IS NOT NULL）    → 10 组因子族 SQL 并行执行（joblib loky, n_jobs=8）    → 按 cn_stock_instruments 左连接对齐全市场标的    → schema 归一化（列序 / 类型 / 缺失值）    → dai_write 按 date 的年份分区落库

• 历史构建：create()，自 2010-01-01 起按 2 年一段滚动执行，每段结束后 gc.collect() 释放内存。
• 增量构建：build()，默认覆盖最近 5 个自然日；落库前跑 tester.py，落库后更新前端文档。

4.2 回溯冗余（避免窗口未预热导致的缺失值）

窗口算子只在查询下推后的行集上计算，所以每次计算都会向前多取一段行情：

多读一段历史不改变任何输出值（窗口算子只向前看），只是把区间首日的"本可避免的缺失"消掉。 EMA / RSI / ATR / MACD / TRIX 属于 IIR 递推算子，理论上预热期无限长，因此这些表的冗余按 约 5 倍最长周期取值，而非刚好等于窗口长度。

4.3 停牌空值行的处理

cn_stock_bar1d 在停牌日会保留一行、但 open/high/low/close/amount 全为 NULL、volume 为 0。 m_ta_* 递推类算子只要吃到一个 NULL，之后就永久输出 NULL。因此所有 SQL 统一加 WHERE close IS NOT NULL，把停牌行从计算输入中剔除（此时 m_lag(close, 1) 指向上一个交易日， 符合技术指标的常规口径）。

实测（2024-01 全市场，回溯起点 2021-06）：

4.4 累计型因子的锚点

obv、maobv_*、wad、pvt 是从序列起点累加的因子，累计起点变了绝对水平就变。为保证历史构建与每日增量构建落库的值一致，这四族固定从 cum_anchor_date = 2010-01-01 起算（与本因子库数据起始日一致），而不是跟着增量窗口的回溯起点漂移。

推论：2010 年前上市的股票，其累计值起点为 2010-01-01 而非上市首日；obv_mom_* 是 OBV 的差分，锚点在差分中被抵消，所以不受影响、也无需固定锚点。

4.5 标的对齐与覆盖度

落库前以 cn_stock_instruments 为基准左连接，因此每个交易日都是全市场标的的完整行， 停牌股与上市不足窗口长度的新股在对应因子列上为 NULL。入库校验要求单因子整体覆盖度 ≥ 85% （tester.py 关键测试点），单日覆盖度 ≥ 80%（非关键，仅告警）。

4.6 本表实现要点

• 累计型因子的锚点约定：obv、maobv_*、wad、pvt 是从序列起点开始的累计值，其绝对水平依赖累计起点。为保证历史构建与每日增量构建的结果一致，这四族固定从 cum_anchor_date（默认 2010-01-01，与本因子库起始日一致）开始累计，而不是从增量窗口的回溯起点开始。2010 年前上市的股票，其累计值起点为 2010-01-01 而非上市首日。
• obv_mom_* 是 OBV 的差分再除以均量，锚点在差分中被抵消，因此无需固定锚点。
• avg_deal_ratio_* 依赖成交笔数字段。上游表中该字段名为 deal_number（不是因子文档写的 deal_num），本表已修正；停牌或缺笔数的样本经 NULLIF 保护后为 NULL。
• vol_ratio_5 的口径为日频 5 日均量比，替代了部分上游表用分钟表 7200 分钟窗口近似 5 日的写法。

5. 覆盖度实测

实测区间 2026-09-07 ~ 2026-09-17（9 个交易日、50052 行，已按 cn_stock_instruments 对齐全市场标的）：

覆盖度最低的三列：avg_deal_ratio_60(93.2%)、avg_deal_ratio_20(93.5%)、avg_deal_ratio_5(93.6%)。缺失主要来自上市不足窗口长度的新股与当日停牌，逐列明细见 testdata/coverage_report.md，数据示例见 testdata/sample_data.csv。

6. 示例数据

{{sample_data}}

7. 使用建议

1. 横截面标准化：本表含绝对量纲列（价位、波幅、成交量等），跨股票比较前建议用 c_zscore(因子, group=date) 或 c_rank(因子, group=date) 处理，或改用同族的比值型因子。
2. 去极值：比值类因子分母虽已做 NULLIF 保护，但小分母仍会放大尾部，建议按日做分位数截断。
3. 冗余筛选：同一指标的多参数档位之间相关性很高，建模前建议按 IC / 相关性 / 特征重要性做筛选， 而不是把全部列直接喂给模型。
4. 无未来函数：全部因子只用当期与历史滚动数据；回测时注意前向收益口径（建议用次日开盘价）， 收盘价口径会系统性高估短周期反转类因子的收益。