“协同效应”因子构建逻辑与步骤 [page::4][page::6][page::7]

• 基于分钟频收益率和成交量数据，定义成交量协同因子和协同价差因子，衡量股票与协同股票的成交量同步性和超额收益性价比。

- 成交量协同因子通过相关系数量化成交量变化同步程度，表现为Rank IC -6.82%，年化收益21.11%。

• 协同价差因子通过协同次数排序选股，计算相对协同股票的超额收益率，Rank IC达到-9.36%，年化收益26.83%。

- 两因子等权合成“协同效应”因子，Rank IC提升至-10.76%，年化收益率36.83%，显示更优的综合选股能力。

“协同效应”因子表现及分组测试 [page::8][page::9][page::12]

| 分组 | 累积收益率 | 年化收益率 | 信息比率 | 最大回撤 |
|------|---------|---------|------|-------|
| 分组1 | 755.17% | 21.54% | 0.78 | -33.94% |
| 分组10 | -79.14% | -13.28% | -0.43 | -92.04% |

• 因子分组收益单调递减，表现显著，区分能力强。

- 各年度均表现稳健，分行业表现普遍优秀，Rank IC均值均超过-10%。

剥除风格因子影响后的独立性检验 [page::10]

• 协同效应因子与流动性、波动率相关性较高，但剔除常见风格因子后，纯净协同效应因子仍具备良好的选股能力。

- 纯净因子年化收益15.88%，信息比1.80，胜率73.48%，风险控制良好。

不同样本空间和指数增强测试 [page::11][page::12][page::13]

• 沪深300、中证500、1000成分股均表现优异，多空组合年化收益分别为16.02%、17.72%、35.26%。

- 指数增强测试显示三大指数增强组合年化超额收益分别为7.35%、8.17%、12.26%，验证因子在实盘中的有效性。

高频因子低频化与综合量价因子表现 [page::13][page::14][page::15]

• 协同效应因子属于高频因子低频化系列，Rank ICIR为-4.09，年化收益36.83%。

- 多因子合成的综合量价因子Rank IC达到-12.44%，年化收益提高至47.27%，表现显著优异。

• 剔除风格因子后纯净综合量价因子年化收益仍达27.16%，信息比2.98，展示强稳的选股能力。

金融工程研究报告详尽分析报告

---

一、元数据与报告概览

• 报告标题：《日内协同股票性价比度量与“协同效应”因子构建——多因子选股系列研究之十六》

- 作者：曹春晓，登记编号：S1220522030005

• 发布机构：方正证券研究所

- 报告时间：2024年初（具体日期未明确）

• 研究主题：基于日内分钟频交易数据构建“协同效应”选股因子，研究股票之间的协同走势及其对超额收益的影响，属于量价多因子选股系列最新论文。

核心论点与目标

报告核心在于发现并量化股票间的协同走势现象，从成交量协同与协同价差两个维度构建精选因子，形成综合的“协同效应”因子。该因子从辨识度及性价比角度筛选协同股票，显著提高选股超额收益表现。

• “协同效应”因子月度选股测试表现优异，Rank IC达-10.76%，多空组合年化收益率36.83%，信息比率3.00。

- 在剔除主流风格因子影响后，依然表现稳健，显示因子具备显著增量信息和抗风格干扰能力。

• 因子与其它11个高频衍生量价因子结合后，构成的综合量价因子表现进一步增强，年化收益率近47.27%，信息比4.33。

- 报告并提醒风险，历史规律未来或失效，市场可能出现超预期变化及因子阶段失效风险。

整体上，报告传递出“协同效应”因子具备重要的实证投资价值，对多因子组合优化具有积极意义。[page::0]

---

二、逐节深度解读

2.1 引言与研究背景

• 文章基于观察到的市场现象：在股票交易过程中，部分投资者集中买卖某只股票，会造成其“相似”股票（属性、行业、基本面相似）在短时间内也呈现出协同涨跌、同步成交量变化等表现。

- 这种协同行为尤为显著于利好/利空消息催化时，例如2023年初AIGC（通用人工智能）板块股票在ChatGPT热潮推动下，光模块、算力、大数据相关股票展现明显协同上涨[page::3]。

• 在协同股票池中，投资者会筛选质地优良、弹性较高且具辨识度的股票，结合价格等性价比考虑，寻找潜在的领涨或补涨标的，从而产生超额收益的机会。

- 图表1展示了2023年初AIGC板块典型股票的协同效应，亮显此现象的重要性。

2.2 “协同效应”因子构建及测试框架

2.2.1 “成交量协同”因子

• 以日内1分钟收益率捕捉两个股票间的协同走势。通过过去5分钟高、开、低、收价格的均值和标准差计算价格上下轨，判断当前分钟收盘价是否突破轨道，以此确定协同行为。

- 计算股票在每分钟成交量占整个市场成交量的比例，“协同成交量”为该股票所有协同股票成交量比例的总和。

• 将个股每日1分钟成交流量序列与协同成交量序列相关系数定义为“日成交量协同”，反映该股票在协同网络中的成交辨识度。

- 以月频截取过去20个交易日的均值和标准差，分别为“月均成交量协同”和“月稳成交量协同”，二者平均即为“成交量协同”因子。

• 2013-2024年测试数据说明：

- 三个因子Rank IC 分别为 -4.86%、 -5.95%、 -6.82%。均表现出负向关联，符合逻辑。
- 多空组合年化收益率分别为14.82%、19.93%、21.11%。
- 图表4曲线显示十分组呈明显区分能力，最高组表现最佳，回撤适中，整体稳定[page::4][page::5]。

2.2.2 “协同价差”因子

• 以多维度日内信号确认协同：过去1分钟收益率符号一致，当前1分钟收益率相比过去5分钟变化符号一致，成交量变化符号一致等，只要满足任意项即记为协同。

- 统计每日各股票与协同次数最多的30个其他股票收益率均值差值，得到“日协同价差”。

• 以过去20天均值与标准差形成“月均协同价差”和“月稳协同价差”，两者均权合成“协同价差”因子。

- 数据显示：
- 因子表现均为负向相关，Rank IC分别为-5.64%、-9.23%、-9.36%。
- 多空组合年化收益率从17.21%提升至26.83%，信息比率均超2，月度胜率超70%。

• 图表7多空组合净值上升清晰，多头收益远高于空头，表明因子成功抓取协同股票的性价比信号[page::6][page::7]。

2.2.3 “协同效应”综合因子测试

• 将“成交量协同”与“协同价差”因子等权合成，月度频选股测试中表现为：

- Rank IC -10.76%，Rank ICIR -4.09，年化收益36.83%，信息比率3.00。

• 组合表现优于任何单因子维度，表明成交量与收益率协同信息的叠加提升了选股精准度。

- 从图表9看十分组分层较为单调且分明，最高组收益远高于最低组，多头与空头组合年化收益分别约21.54%和-13.28%，区分能力显著。

• 分年度收益表明因子在不同年份均有稳定表现，少数年份受市场整体环境影响波动，且分行业表现中不同一级行业Rank IC均超过-10%，反映其广泛适用性[page::7][page::8][page::9]。

2.2.4 剥离风格因子影响

• 因子与流动性、波动率因子现有较高正相关性，但与市值、成长、估值等相关较低。

- 使用主流风格因子和行业因子进行正交化处理后，得到“纯净协同效应”因子：
- Rank IC缩小至-5.02%，Rank ICIR -2.82，但依然具备显著选股能力。
- 多空组合年化收益保持在15.88%，信息比率1.80。

• 纯净因子在2024年初整体交易因子大跌环境下保持稳健，显示具备独立信息含量和较强抗风控能力。

- 图表15显示纯净协同效应因子十分组分层明显，长期净值稳步上升[page::9][page::10]。

2.2.5 不同样本空间下的适用性

• 因子在沪深300、中证500、中证1000三大不同规模及风格指数成分股均表现良好：

- Rank IC分别为-7.11%、-7.42%和-10.25%。
- 多空组合年化收益率分别为16.02%、17.72%、35.26%。
- 多头组合的超额收益分别达5.62%、7.29%和9.58%，显示中小盘对因子表现更为敏感。

• 图表18-19直观地展示三个指数中多空组合净值及多头超额表现，中证1000表现最佳，突出因子对小盘板块的挖掘能力。

- 指数增强模型实证中，严格市值、行业中性约束下，因子仍能在沪深300、中证500、中证1000实现年化超额7.35%、8.17%和12.26%，完美体现实际应用潜力[page::11][page::12][page::13]。

3 高频因子系列整体表现及协同效应因子位置

• 报告梳理了之前发布的11个基于分钟频数据的量价因子，这些因子经月度频率平滑处理后均展现强大选股能力，Rank ICIR多数超过4，表现优异。

- “协同效应”因子在该体系中的Rank IC和选股表现处于领先水平，年化收益36.83%，信息比3.00。

• 因子相关性分析显示，“协同效应”因子与“草木皆兵”和“云开雾散”因子相关较高，分别61.17%和57.95%，表明部分信息重叠但仍存在显著独立成分，适合搭配使用。

- 将12个量价因子正交化简单等权合成综合量价因子后，Rank IC提升至-12.44%，ICIR达-5.11，各项绩效指标明显优于单因子，年化收益高达47.27%，信息比4.33，月度胜率达87.22%，展现极佳综合识别能力。

• 剔除风格影响后纯净综合量价因子依然保持年化收益27.16%，信息比2.98，月胜率79.7%，说明因子组合仍具高质量投资信号和抗风格影响能力。

- 图表29~32显示综合量价因子风险收益特征及简单等权组合分层收益，层次分明且稳步走高，令投资者信心增强[page::13][page::14][page::15][page::16]。

---

三、图表深度解读

图表1：2023年初AIGC类股票日线协同效应明显

• 多只AIGC主题股票（昆仑万维、科大讯飞、寒武纪-U、三六零）自2023年初以来呈现同步上涨趋势。

- 反映了市场对该板块的强烈关注与投资者跨股票协同行为，形成普遍套利和趋势强化。

• 该实例验证了协同效应存在于真实市场情境中的现实性和重要性[page::3]。

图表2：日内分钟频交易层面的协同效应

• 以科大讯飞和寒武纪-U为例，展示了日内股价（折线）与成交量（柱状）的走势匹配，提示短时间内成交与价格共同波动。

- 蓝色虚线标记了较为明显的价格和成交量同步高峰。

• 说明了快速微观层面协同行为存在，对因子构建有直接数据支持[page::4]。

图表3-4：“成交量协同”因子绩效与十分组净值

• 三个细分因子均表现负向Rank IC，符合成交量协同与预期负相关的逻辑。

- 组合年化收益达到21%以上，信息比率均超过2。

• 净值走势图显示，当切分为十分组时，上层组累计收益显著高于低层，验证组合区分能力[page::5]。

图表5：“协同次数”计算示例

• 使用具体分钟收益率和成交量符号匹配，统计不同时间点的协同次数。

- 以表格形式直观展示，增加了方法透明度与可操作可复制性[page::6]。

图表6-7：“协同价差”因子统计与走势

• 各细分因子Rank IC明显高于成交量协同，年化收益超过26%。

- 净值图显示分组间差距明显，多空组合表现显著，实现套利空间。

• 说明价差维度捕捉股票相对性价比的有效性[page::6][page::7]。

图表8-10：“协同效应”综合因子绩效

• Rank IC提升至-10.76%，多空组合年化收益突破36%，信息比率3.00。

- 多头收益平稳提升，空头组合负收益区分明显。

• 各分组收益呈单调递减趋势，说明组合划分科学合理。

- 分行业图表表明应用范围广，各行业均有良好表现[page::7][page::8][page::9]。

图表13-15：剥离风格影响后的纯净因子绩效

• 相关性柱状图指出主要风格因子（流动性、波动率）关联度最高。

- 正交后纯净因子仍具较高负向Rank IC（-5.02%），年化收益稳定15.88%，信息比1.80。

• 净值图表现较为平稳，显示因子独立选股能力及抗风格干扰能力[page::10]。

图表16-19：不同样本空间内因子表现及多头超额收益

• 覆盖沪深300、中证500和中证1000，均显示良好选股效力，尤其中证1000表现最优。

- 多头组合年化超额收益逐级提升，代表因子对中小盘成长股有较强捕捉能力。

• 成分股多空组合表现也反映相同结论，强调样本适用性的多样化[page::11]。

图表20-25：指数增强模型效果验证

• 使用市值及行业中性约束构建指增组合，“协同效应”因子成功带来7-12%年化超额收益。

- 不同指数(沪深300、中证500、中证1000)均表现稳定，说明因子具备良好的实用性。

• 分年度表现虽波动，但整体正收益积累，显示因子长期有效性[page::12][page::13]。

图表26-32：多因子系列横向比较与合成

• 多因子皆表现坚实，协同效应因子排名靠前，信息比和胜率均具吸引力。

- 相关性矩阵显示协同效应因子与“草木皆兵”等相关高，但不完全重叠，说明信息有互补性。

• 组合成综合量价因子后，整体选股能力大幅提升，超额收益和波动率控制均优。

- 剔除风格因素后纯净综合因子仍稳健，进一步证明因子原创性有效。

• 净值曲线显著斜率提高，表明组合长期表现优异[page::14][page::15][page::16]。

---

四、估值分析

报告未涉及具体估值模型、目标价或估值水平预测，而专注于策略因子构建和实证选股效果评价，属于量化因子研究范畴。通过历史数据测试反馈因子表现，无估值上下限设定及敏感性分析。

---

五、风险因素评估

• 历史数据规律失效风险：因子基于历史微观交易数据构建，未来市场结构及行为变化可能导致规律不再适用。

- 市场超预期变化风险：极端宏观或政策变化可能破坏因子表现。

• 阶段性因子失效风险：部分驱动因子受环境影响具阶段性，有周期性失效可能。

- 报告未详细提出缓解策略，风险认可较为诚恳，提示投资者谨慎对待[page::0][page::16]。

---

六、批判性视角与细微差别

• 因子选用的协同股票数量（如30只）以及时间窗口（5分钟）参数设定是否最优未做充分说明，存在参数敏感性待验证。

- 乘数分布和极端事件对成交量协同和价差构建影响未深入讨论。

• 因子Rank IC为负数（负相关因子），说明选股逻辑是负向因子，投资者需要理解系数符号在策略构造中的意义，以避免误读。

- 市场微观结构因素（如高频交易、市场做市商行为）对因子表现影响未展开，可能形成潜在估计偏误。

• 多因子合成仅做简单等权，未细化权重优化，实战中收益表现尚需进一步提升。

- 风格剥离后表现降低，显示因子与某些经典风格仍有依赖，也暗示整体风格轮动风险。

• 报告未提供因子在不同市场环境（牛市、熊市、震荡市）的分环境表现解析，部署风险难评估。

- 并未展开严格的交易成本、滑点、流动性冲击测试，对于分钟数据因素外溢尚不明确。

但整体来看，报告逻辑严密，实证细致，避免明显过度乐观。

---

七、结论性综合

本报告通过创新构建“协同效应”因子，将日内分钟频率成交量与收益率数据相结合，以股票协同交易特征作为选股依据，实现了从微观交易行为到宏观选股策略的有效连接。因子从成交量协同和协同价差两个重要维度刻画股票辨识度和性价比，具备较强信号质量。

实证结果显示：

• “协同效应”因子在基金标的全市场、不同样本空间及指数增强模型中稳定获取正向超额收益，年化收益普遍超15%，信息比率稳健，月度胜率高。

- 与主流风格因子相关有限，剔除后依然具备独立选股能力，显示具有增量价值。

• 因子与11个先前构建的高频量价因子相关性适中，结合构成的综合量价因子进一步提升整体收益与稳定性，年度表现和净值趋势优异。

- 报告系列和数据支持充分，选股逻辑合理，策略通用性强，适合实际量化投资。

风险提示明确，提示市场环境变化可能对因子未来表现带来不确定性，投资者应关注风险管控。

总结来说，“协同效应”因子及其拓展构成的多因子体系为投资者提供了从高频协同交易数据出发的有效量化选股工具，结合多因子策略具备较高的超额收益潜力和应用价值，可为资产管理提供实证支持与策略优化路径。

---

主要引用页码

[page::0,3,4,5,6,7,8,9,10,11,12,13,14,15,16]

---

附件图片引用示例（部分）

• 

-

• 

-

• 

-

• 

-
-

报告