技术分析拥抱选股因子系列研究(一)——价量相关性:意想不到的选股因子
一、元数据与报告概览
- 报告标题:技术分析拥抱选股因子系列研究(一)——[T高able频_Mai价n]量相关性,意想不到的选股因子
- 作者:高子剑(证券分析师)、沈芷琦(研究助理)
- 机构:东吴证券研究所
- 发布日期:2020年2月23日
- 主题:应用技术分析的价量关系,利用高频价量相关性构建新的选股因子,改进传统反转选股策略
- 核心论点:
- 从技术分析的基本思想出发,利用日内高频成交价和成交量的相关性,挖掘选股因子。
- 构建价量相关性的三个维度因子——平均数因子、波动性因子和趋势因子,综合形成最终的CPV因子。
- CPV因子在长时间区间内(2014-2020年)均表现出显著优于传统反转因子的选股能力,且剔除常见风格因素后表现更佳。
- 目标:展示价量高频相关性能否作为有效选股因子,支持技术分析思想现代化、量化化的实践。
- 主要结论:
- 价量相关信息有力修正传统反转因子。
- CPV因子年化收益约19.29%,信息比率3.03,最大回撤2.9%,月度胜率达87.32%,表现突出。
- 剔除风格行业影响后,纯净CPV因子信息比率提升至3.43。
二、章节深度解读
1. 前言:技术分析与价量关系的价值
- 简述了技术分析源自“道氏理论”,百余年发展下被广泛应用,但存在争议。
- 价量关系经典案例中,“放量上涨”与“放量下跌”分别对应强势与弱势股。
- 通过中公教育(涨3.53%,配合放量上涨)与微芯生物(跌5.33%,配合放量下跌)两只股票的日内分钟走势图(图1与图2)直观说明价量关系的有效性。
- 证明技术分析不仅适用传统择时,也有潜力用于选股策略。
- 本报告定位于用高频价量相关性,开辟技术分析拥抱选股因子的现代量化研究。
2. 高频价量相关性因子的构建和逻辑
2.1 价量相关性因子的构建
- 以沪深A股为样本,剔除ST股、停牌及新股,回测期2014/1-2020/1。
- 计算方法:
- 每月回顾过去20个交易日,每天计算每只股票分钟收盘价与分钟成交量的相关系数。
- 计算相关系数20日的均值(PV_corr_avg)及标准差(PV_corr_std),均做市值中性化。
- 将这两个因子标准化后等权合成综合因子PV_corr。
- 回测表现:
- PV_corr_avg年化收益15.25%,信息比率1.7,月度胜率76.06%,最大回撤6.72%。
- PV_corr_std年化收益14.74%,信息比率2.1,月度胜率76.06%,最大回撤7.26%。
- 综合PV_corr因子年化收益19.62%,信息比率2.42,月度胜率83.10%,最大回撤9.5%,明显优于单因子表现。(详见图3、4、5和表1)
2.2 价量相关性因子的逻辑解读
2.2.1 平均数因子 PV_corr_avg
- 此因子揭示价格变动反转需量价确认,是对传统反转因子的有效修正。
- 传统反转因子依据过去20日收益判断反转方向,未考虑成交量。
- 通过对照价格“放量上涨/缩量上涨”和“放量下跌/缩量下跌”四种场景,区分反转与动量效应:
- 放量上涨(价量相关系数大)类似“强弩之末”,后续倾向下跌,反转效应强。
- 缩量上涨(价量相关系数小)显示内力尚存,趋势延续,动量效应明显。
- 放量下跌(价量相关系数小)反转可能性大,倾向上涨。
- 缩量下跌(价量相关系数大)反转效应弱,继续下跌。
- 该精细划分提升了反转因子的准确度与解释力(图6展示)。
- 实际数字与表现显示PV_corr_avg胜率和信息比率优于传统反转因子。
2.2.2 波动性因子 PV_corr_std
- 此因子衡量价量相关性的波动程度,反映价量形态的稳定性。
- 波动小(价量关系稳定)的股票无论涨跌,都更倾向于持续当前趋势,表现为未来多头。
- 波动大(价量关系频繁切换)则未来倾向下跌。
- 在放量上涨位置稳定性高的情形下,波动性因子与平均数因子判断相反,表现出行情延续性。
- 该因子同样对传统反转因子进行了有效修正(图7)。
2.2.3 小结与精炼信息
- 两个子因子均为对传统反转因子的修正,提升了选股质量。
- 综合因子PV_corr表现优于传统反转因子(图8、9、表2)。
- 两者与传统反转因子的相关性约0.16,仍保留大量独立信息。
- 以剔除反转因子后残差构造的新因子PV_corr_deRet20展示了更稳定表现(图10、表3)。
— 年化收益19.5%,信息比率2.86,最大回撤3.67%。
3. 趋势因子的增量信息
3.1 趋势因子PV_corr_trend定义与回测
- 利用过去20天相关系数序列对时间做回归,取回归系数(趋势)。
- 去除市值及传统价量因子影响,在2014-2020年回测结果显示,趋势因子表现稳定:
— 年化收益14.55%,信息比率2.83,最大回撤2.45%(图11,表5)。
- 因子值小(价量相关系数趋势下降)股票未来表现更好,与平均数因子逻辑一致。
3.2 最终CPV因子构建
- 将趋势因子增量叠加至PV_corr_deRet20。
- CPV因子包含平均数、波动性、趋势三个维度价量信息(图12)。
- 2014/1-2020/1区间回测显示:
— 年化收益19.29%,信息比率3.03,最大回撤2.9%,月度胜率87.32%(图13、14,表6、7)。
- 2019年表现虽有欠佳,但2020年1月CPV逆转传统反转因子下跌趋势,展现增量价值。
三、图表深度解读
图1和图2:中公教育与微芯生物分钟走势图
- 展示了两只股票2019年10月16日内分钟成交量与价格趋势。
- 中公教育展现连续“放量上涨”走势,成交量与价格同步放大,符合技术分析对强势股的定义。
- 微芯生物出现“放量下跌”,成交量明显放大但价格持续下降,技术指标确认弱势。
- 次日走势延续相应趋势,验证价量关系的连续性。
图3和图4:PV_corr_avg和PV_corr_std 因子5分组多空对冲净值走势
- 显示因子值不同分组股票的累计净值表现。
- 分组5(因子值最大)与分组1表现分差明显,尤其在PV_corr_std因子中,顶层分组表现更优。
- 5分组多空对冲净值(红色虚线)持续上行,表明因子的选股能力出色。
表1:PV_corr_avg与PV_corr_std绩效指标
- 年化收益率:15.25%(avg)、14.74%(std)
- 信息比率:1.70(avg)、2.10(std)
- 最大回撤分别控制在6.72%和7.26%
- 月度胜率均为76.06%
图5:综合因子PV_corr组合净值
- 综合因子明显胜出单一子因子,净值曲线更平滑且持续走高;
- 最大回撤略提升至9.5%;
图6和图7:价量相关性因子对传统反转因子的修正逻辑图
- 图示四象限分别代码价格及成交量状态与多头空头归属,清晰反映因子对传统反转逻辑的修正策略。
图9和表2:综合因子与传统反转因子对比
- 综合因子PV_corr年化信息比率达到2.42,显著高于传统反转因子1.04。
- 最大回撤改善约5个百分点,风控效果显著。
图10和表3:剔除传统反转因子后的新因子PV_corr_deRet20表现
- 年化收益依旧维持约19.5%,信息比率提升至2.86。
- 最大回撤降低到3.67%,表现更加稳健。
图11和表5:趋势因子PV_corr_trend的独立贡献
- 多空对冲收益为14.55%,信息比率2.83。
- 趋势因子与平均数因子相映衬,为CPV因子增量贡献提供理论支持。
图12:最终CPV因子结构示意
- 表明因子由三个子因子层层构建,合成单一多维度价量相关性因子,理论与实证相结合。
图13、14与表6、7:CPV因子整体性能
- CPV因子综合表现更为卓越:
- 年化收益19.29%,信息比率3.03,月度胜率87.32%。
- 最大回撤降至2.9%,显著改善持仓风险。
- 净值走势优于传统反转因子,凸显实用价值。
图15及表9:剔除风格及行业影响的纯净CPV因子表现
- 纯净因子信息比率提升至3.43,最大回撤降低到1.58%。
- 说明因子非简单捕捉风格或行业因子,具备独立稳定的选股信息。
图16、17与表10:参数敏感性验证(回看40天和60天)
- CPV因子在较长回看窗口依然持续优于传统反转因子,表现稳定。
- 这种时间参数上的适应性增强了其应用广泛性。
图18、19与表11:样本空间外部验证(沪深300与中证500成分股)
- CPV因子在大盘及中盘样本中均表现优异,信息比率远超传统反转因子。
- 年化收益分别提升至12.11%和15.67%,最大回撤有明显改善。
- 验证因子跨样本的稳定性和适用性。
四、估值分析
本报告聚焦选股因子构建及其实证测试,无传统意义上的公司估值章节。报告主要使用因子投资绩效指标与回测收益为价值评估基础:
- 选股因子基于因子收益、信息比率(ICIR)、最大回撤、月度胜率等量化指标综合评估因子表现优劣。
- 年化ICIR和最大回撤率用于风险调整收益的衡量。
- 对比传统反转因子性能变化提供对因子相对价值的定性分析。
五、风险因素评估
- 报告明确提示基于历史数据的统计结果,未来市场结构变化可能导致选股因子失效。
- 单一因子策略存在波动较大的固有风险。
- 强调实际应用中要结合资金管理和风险控制措施。
- 某些时间段(如2015年中、2019年部分月份)因子表现不佳,显示市场条件对策略有效性的影响。
- 没有具体风险缓解策略,但提示需多维度风险管理。
六、批判性视角与细微差别
- 报告在整体论述中始终保持审慎,明确指出某些时间段因子表现不佳,体现对市场多样性的考量。
- 表现好的因子依赖高频数据和市场微观结构,未来市场政策变动或微观结构调整可能影响因子表现。
- 价量相关性与传统反转因子的相关性虽低,但未明确指出与其他经典因子的重合度或替代风险,需要后续跟踪。
- 报告提及“纯净因子”剔除风格和行业影响,但结果显示仍存在一定相关性,特别是与换手率和波动率有一定正相关,可能影响独立性。
- 回测效果主要基于过去6年,部分年份异常大幅提升因子收益率,需警惕数据过拟合风险。
七、结论性综合
本报告以东吴证券研究所的技术分析拥抱选股因子系列首篇为载体,深度剖析了利用高频价量相关性构建选股因子的可能性和有效性。报告系统地解释和检验了三个价量相关性维度的因子:
- 平均数因子(PV_corr_avg) 修正传统的价格反转因子,引入成交量确认信息,实现涨跌行情的细致分类。
- 波动性因子(PV_corr_std) 衡量价量关系的稳定性,聚焦频繁切换状态的负面信号,增强因子稳定性。
- 趋势因子(PV_corr_trend) 评价价量关系的时间变化趋势,发掘额外选股信息,尤其在关键时间段提供额外风险调整能力。
三者合成的CPV因子在6年全量A股历史回测中表现优异:
- 年化收益约19.29%,月度胜率87.32%,最大回撤2.9%,信息比率3.03。
- 相关性低、中性剔除风格和行业干扰后表现更佳,表明信息的独立性。
- 在不同参数设置、不同样本空间中均有一致性优于传统反转因子的表现。
- 有效规避传统反转因子的部分缺点,具备较好的实用价值和策略稳定性。
图表从分钟价格成交量展示(图1、2),到因子分组净值走势(图3-5、10、13、15等)、绩效对比表(表1-3、6-9、10-11),全面支撑因子的理论逻辑和实证效果,形成严密的因子研究链条。
总结而言,报告成功说明了古典技术分析价量思想经过现代高频数据处理及量化研究后,可转化为稳定有效的选股因子,丰富了选股因子的理论基础和实证方法,值得后续关注与应用。
重要图表示例(部分)
, , , , , , , , , , , , , , ,