报告概述与研究背景 [page::0][page::3]

• 本文为“技术分析拥抱选股因子”系列第六篇，基于分钟价量原始序列差分处理，探索价量相关性的新型选股因子。

- 基准因子PVCorr采用未做差分的价量相关系数，回测2014-2021年表现平平，5分组年化收益12.49%，信息比率1.53。

• 差分处理理念来源于此前“CPV移位版”报告，发现对价量序列做差分后更能挖掘潜在信息。

差分价量互动关系划分与基准因子回测对比 [page::4][page::5][page::6]

• 差分价量因子根据价量序列是否错位，分为三类：价量不错位（∆Pt与∆Vt），价先量行（∆Pt与∆V{t+1}），量先价行（∆Vt与∆P{t+1}）。

- 价量不错位整体因子deltaPVCorr表现弱于基准因子PVCorr，年化收益9.71%，信息比率1.36，胜率61.63%。

• 差分处理降低噪音，但不同子因子表现差异大，需拆分。

基于子因子拆分的因子构建与合成CDPDV因子 [page::7][page::8][page::9][page::10]

• 将整体因子根据差分序列中正负符号拆分为4个子因子，发现部分子因子收益与IC方向互相矛盾，整体因子表现被抵消。

- 采取标准化加等权合成4个子因子，构建新合成因子CDPDV，整体表现明显优于基准和拆分前因子。

• CDPDV年化收益20.50%，信息比率2.17，最大回撤6.70%，表现稳健。

价先量行与量先价行差分错位的因子表现与优化 [page::11][page::12][page::13]

• 分别构造价先量行(dPdVCorr)和量先价行(dVdPCorr)整体因子及其4个子因子。

- 存在子因子IC方向相反现象，分别合成CDPDVP和CDPDVV综合因子。

• CDPDVV表现最佳，年化收益27.03%，信息比率3.61，胜率79.07%，最大回撤4.01%，明显优于其他因子。

- 图表9-12清晰展示两合成因子及综合表现对比。

合成因子长期回测与相关性分析 [page::14][page::15]

• 三个合成因子CDPDV、CDPDVP、CDPDVV均优于原始PVCorr，尤其是CDPDVV表现领先。

- 2019年4月以后，PVCorr表现乏力，合成因子维持正收益，胜率持续超70%。

• 三个合成因子之间相关性较高，但信息覆盖仍存在差异。

纯净因子表现及回归剔除风格与行业影响 [page::16][page::17]

• CDPDVV因子与传统Barra风格因子关联度中低，尤其与成长、账面市值等负相关。

- 通过多元回归剔除行业与主流因子，纯净CDPDVV因子依旧展现稳定选股能力，年化收益7.55%，信息比率1.51。

参数敏感性检验及样本空间扩展 [page::18][page::19]

• 核心参数m(错位阶数)和k(回看交易日数)均对因子表现有一定影响，m越大选股能力减弱，k影响较小。

- CDPDVV因子在沪深300和中证500样本中均表现优于基准因子，尤其中证500信息比率达2.03，表现亮眼。

其他价量差分处理形式的初步研究 [page::19]

• 仅价格差分和仅成交量差分的差分价量相关因子也存在有效的选股信息。

- 尤其价格差分+量先价行合成因子年化ICIR达到-2.63。

报告总结 [page::20]

• 本文首次采用差分视角全面探讨分钟级价量互动关系，拆分差分价量相关系数构造多因子并合成效果显著。

- 三个合成因子均优于传统因子，特别是“量先价行”合成因子CDPDVV表现最佳，具备较好的选股价值。

• 因子具备较强的鲁棒性及纯净性，具备较高实际应用价值。

东吴证券“技术分析拥抱选股因子”系列研究（六）——差分视角下的价量互动关系详尽分析报告

---

1. 元数据与概览

报告标题：
“技术分析拥抱选股因子”系列研究（六）——[CTaPbVle M因ain]子抢跑版，差分视角下的价量互动关系

发布机构：东吴证券研究所
作者：高子剑（证券分析师，执业证号 S0600518010001021）、沈芷琦（研究助理）
发布时间：2021年05月15日
研究主题：在技术分析框架下，以分钟级别的价格与成交量数据为基础，围绕价量相关系数的“差分”处理方法，深入探索价量互动关系及其作为选股因子的有效性，旨在通过差分处理后的价量相关系数构建新的、稳定且具有超额收益能力的选股因子，以辅助量化选股和资产配置决策。

核心论点与信息摘要：

• 本报告延续“技术分析拥抱选股因子”系列的研究思路，基于前作CPV因子及其移位版，首次系统地引入“差分”处理方法（即先对分钟价格和成交量做一阶差分），切入价量互动关系的新视角。

- 原始的价量相关性基准因子PVCorr表现出一定的选股能力，但在近几年表现有所回落，表明直接计算价量相关系数存在局限。

• 差分后的价量相关系数被划分为“价量不错位”、“价先量行”、“量先价行”三种情形，每种情形下进一步拆分成多个子因子，通过加权合成，显著提升因子的稳定性和选股效果。

- 其中，“量先价行”合成因子CDPDVV表现最优，具备显著的选股能力，回测期（2014年-2021年）年化收益率高达27.03%，信息比率3.61，最大回撤仅4.01%，且在不同样本空间表现均优于传统基准因子。

• 因子效果经参数敏感性测试、不同样本空间检验及剔除行业及风格因子后依然稳健，表明其提供了独立有效的选股信息。

- 风险提示强调历史数据基础的局限性，以及单因子收益波动风险，建议结合资金和风险管理使用。

总体而言，报告提出的差分价量相关性因子体系（特别是以“量先价行”为代表的CDPDVV），为量化投资的选股因子库提供了有力的新补充，尤其强调领先趋势信号的把握 —— “做趋势的领先者，不做趋势的跟随者”[page::0,page::20]。

---

2. 逐节深度解读

2.1. 前言

报告回顾了系列首篇CPV因子研究（2020年2月23日），该因子基于分钟级价格和成交量的相关系数构建，取得了年化收益17.52%，信息比率2.81，月度胜率83.72%的良好记录。然而，CPV因子存在价格自相关性影响，随后伴随发布的“CPV移位版”报告强调了对价格和成交量数据先做差分处理以剔除扰动的必要性。该篇报告即以此为基础，深入探究差分价量相关性的选股潜力[page::3]。

2.2. 基准因子 PVCorr

• 定义与计算方式：

- 计算每月月底，回溯过去20个交易日内，分钟收盘价 \( Pt \) 和成交量 \( Vt \) 序列的相关系数，取20日均值。
- 做横截面市值中性化，形成选股因子PVCorr。

• 回测表现（2014/01/01-2021/04/30，全A股样本，剔除ST、停牌、次新股）：

- 月度信息系数(IC)均值：-0.036
- 年化ICIR：-1.91
- 5分组多空对冲年化收益：12.49%
- 信息比率(IR)：1.53
- 月度胜率：72.09%
- 最大回撤：6.89%

• 观察：PVCorr因子尽管整体表现可观，但最近两年的回撤明显，说明其稳定性和持续性存在挑战（图4）[page::4,page::5].

2.3. 差分价量相关系数研究框架

• 报告创新地先对分钟价格、成交量数据做一阶差分处理，即：

\[
\Delta Pt = Pt - P{t-1},\quad \Delta Vt = Vt - V{t-1}
\]

• 在差分数据上，进一步基于价格与成交量的时间错位关系，将价量互动划分为三种情形：

1. 价量不错位（ \(\Delta Pt\) 与 \(\Delta Vt\) 对应）
2. 价先量行（ \(\Delta Pt\) 与 \(\Delta V{t+1}\) 对应）
3. 量先价行（ \(\Delta Vt\) 与 \(\Delta P{t+1}\) 对应）
见图5。

• 每种情形均计算整体相关因子，进一步根据差分的正负拆分为四个子因子，以捕捉不同价量冲击及回响的异质性[page::5,page::10].

2.4. 差分价量不错位因子deltaPVCorr

• 计算差分价量数据的相关系数，得到因子deltaPVCorr。

- 表现略逊于基准PVCorr（年化收益9.71%，信息比率1.36，最大回撤7.19%），月度IC均值-0.032。

• 子因子拆分显示相反信号，子因子方向相互抵消，造成整体因子表现较弱（表1、2，图6）[page::6,page::7].

2.5. 子因子拆分与合成因子CDPDV

• 把deltaPVCorr因子拆分为四个子因子（正负价量差分组合），IC表现发生方向分裂，反映价量相关系数与价格剧烈波动及成交量波动之间复杂关系。

- 结合图7，解释指出：
- 当价格与成交量同向剧烈变动，倾向认为股票受短期交易行为影响，波动较大，未来表现弱。
- 价格变动剧烈时对应成交量变动较小则表现优异。

• 采用标准化加权等权合成，得到新的合成因子CDPDV，较deltaPVCorr和基准PVCorr均有显著提升（年化收益20.50%，信息比率2.17）（图8，表3-4）[page::8,page::9,page::10].

2.6. 差分价量错位——“价先量行”和“量先价行”

• “价先量行”：价格变化领先成交量变化（\(\Delta Pt\) 对应 \(\Delta V{t+1}\)）。

- “量先价行”：成交量变化领先价格变化（\(\Delta Vt\) 对应 \(\Delta P{t+1}\)）。

均依照整体因子 + 正负子因子拆分 + 合成因子程序构建（dPdVCorr及dVdPCorr），并对应得到合成因子CDPDVP和CDPDVV。

• 表现梯度：

- “价先量行”合成因子CDPDVP效果与“价量不错位”CDPDV接近（年化收益约20%）。
- “量先价行”因子CDPDVV效果更优，年化收益27.03%，信息比率3.61，最大回撤4.01%，月度IC均值-0.074，RankIC均值-0.099，胜率79.07%（表5-9，图9-12）。

• 逻辑意义：

- “量先价行”符合价量关系传统理解，成交量的先行波动预示价格的随后变动，体现信息泄露或先行波动信号（信息先行成交量变化，价格随后反应）。
- 结合图7中拆分结构，解释了多变异性和异号相关系数等复杂现象[page::10,page::11,page::12,page::13].

2.7. 小结与因子体系整理

总结（图13，表10，图14）：

• 报告构建了基准因子PVCorr，及三类差分相关因子（CDPDV、CDPDVP、CDPDVV）

- 三个合成差分因子显著优于基准因子，且因子相关性较高，信息重叠度约0.7-0.8。

• CDPDVV因子表现最佳，符合趋势领先者理念，成为后续研究重点。

- 2019年以来，基准因子表现低迷，但差分合成因子依然强劲[page::14,page::15].

---

3. 图表深度解读

图1（page 0）

展示量先价行合成因子CDPDVV在2014年至2021年间的5分组及对冲净值走势。各分组净值呈持续上升趋势，尤其分组1（表现最优组）涨幅显著，而分组5（表现最差组）呈下降趋势。对冲净值（分组1对冲分组5）稳步上升，表明因子选股能力强且稳定。

图2（page 3）

CPV因子在全市场5分组及对冲净值走势。整体净值中长期稳健增长，但近期增速放缓及表现分歧，表征其存在一定局限性。

图4（page 5）

基准因子PVCorr的5分组及对冲净值走势。与图1对比，回撤幅度大较明显，涨幅较为有限，验证了差分处理后的改进必要性。

图6（page 6）

差分不错位因子deltaPVCorr净值走势。曲线波动性较大，信息比率较基准低，表现较弱。

图7（page 8）

示意价量相关系数拆分逻辑。整体相关系数负向走势，拆分子因子呈现方向分歧，揭示价量关系的异质性和复杂性。

图8（page 9）

差分不错位合成因子CDPDV的净值走势。明显优于deltaPVCorr及基准因子，波动更小，表现更平稳。

图9-12（page 13）

价先量行（CDPDVP）及量先价行（CDPDVV）因子的5分组净值及对冲净值走势。特别是量先价行净值表现极为稳健增长，对冲净值大幅领先整体因子，验证了该因子强劲的信号能力。

图13-14（page 15）

总结了价量相关系数及差分处理后相关因子的构建流程（图13），并汇总了基准因子与三个合成因子的多空对冲净值走势（图14）。三个合成因子整体表现优异，尤其是CDPDVV，表现最突出。

图15（page 17）

剔除行业、风格及其他已知因子影响后的纯净CDPDVV因子净值走势。该纯净因子依然表现出较强的选股能力，验证了因子的独立有效性。

图16（page 20）

全文逻辑简图。理清价量互动因子从不做差分（基准PVCorr）到做差分后三种情形因子的逻辑梳理，清楚展现研究脉络。

关键表格说明

• 表1-4（page 6-10）：基准因子及差分不错位因子及其子因子的IC及绩效指标展示，支持差分处理拆分的重要性。

- 表5-9（page 11-15）：价先量行与量先价行因子细节表现，量先价行合成因子CDPDVV效果显著优越。

• 表10-11（page 15-16）：综合比较基准因子及三个差分合成因子，及它们之间相关性。

- 表12（page 16）：CDPDVV与传统Barra风格因子及自相关性因子相关性较低，表明因子信息较为独立。

• 表13（page 18）：纯净CDPDVV因子分年度表现，展现中长期适用性。

- 表14（page 18）：CDPDVV因子参数敏感性分析，验证参数m、k对因子表现的差异及最优区间。

• 表15（page 19）：CDPDVV因子在沪深300及中证500样本中的优良绩效表现。

- 表16（page 19）：价格或成交量单差分处理的其他选股因子ICIR，展示了差分处理多样性的潜力。

---

4. 估值分析

本报告核心为量化选股因子开发及回测分析，重点在价量相关系数及基于差分的演进，并未涉及传统意义上的估值模型（如DCF、市盈率等），因此无估值部分展开。

---

5. 风险因素评估

• 历史数据限制：所有统计结果均基于历史数据，未来市场可能产生结构性变化，因子有效性存在不确定性。

- 单因子波动风险：选股因子的收益波动较大，短期回撤不可避免，投资实操中需结合资金管理和风险控制策略。

• 模型简化假设：价量互动的捕捉基于分钟价量数据的简单相关系数及其差分处理，可能忽略了市场微观结构、机构交易行为等复杂非线性因素。

- 市场流动性与微观机制风险：因子依赖于分钟成交量和价格，可能对流动性较差的股票效果有限，或受限于交易限制、成交量异常等突发情况。

• 数据质量风险：分钟级别数据质量波动、异常点处理等可能引入噪音，影响因子稳定性。

- 应用环境风险：该因子主要体现趋势领先信息，市场极端波动、黑天鹅事件等可能导致异常表现。

报告明确提示实际应用需谨慎，合理结合资金管理和风险控制，避免对单一因子的过度依赖[page::0,page::20].

---

6. 批判性视角与细微差别

• 报告中基准因子PVCorr及整体因子deltaPVCorr存在表现波动及方向分歧，指示价量关系中隐含复杂且可能相互抵消的信号，这也提示了单一角度因子的局限。

- 差分处理虽有效提升选股能力，但对部分子因子的拆分较多，元数据来源和权重确定存有一定主观简化，可能导致过拟合风险。

• 报告未深入讨论超短期交易成本、滑点等实际交易限制，对高频透明度偏低的市场或不适用。

- 子因子拆分与合成的逻辑虽基于合理假设，但异号相关性解释较多，是否充分体现市场在价量互动具体行为逻辑层面，尚有进一步探索空间。

• 参数敏感性虽有测试，最佳参数区间的稳定性及多周期适用性需后续跟踪验证。

- 报告整体未涉及外部环境变量（宏观、政策事件）对因子有效性的影响，留有扩展空间。

---

7. 结论性综合

该报告基于东吴证券“技术分析拥抱选股因子”系列研究的传承，创新引入对分钟级价格与成交量数据先做差分处理，系统构建并拆分价量互动相关系数因子。通过区分“价量不错位”、“价先量行”、“量先价行”三种差分价量错位关系，及对正负差分区间的细分与合成，提出了系列合成因子CDPDV、CDPDVP与CDPDVV。

其中，CDPDVV作为“量先价行”模式的合成因子，表现最为优越：

• 月度IC均值-0.074，RankIC-0.099，年化信息比率达3.61，5分组多空对冲年化收益27.03%，最大回撤4.01%，月度胜率79.07%；

- 在沪深300及中证500不同样本空间均稳健优异；

• 剔除行业与风格因子后纯净度高，依然保持良好选股效能；

- 参数检验和回测均表明因子稳健，随着错位参数m增大，因子信号逐渐减弱，符合市场现实逻辑。

图表数据表现验证了“量先价行”理念：成交量作为信息先行指标，提前胸怀价格趋势变化信号。报告表达了“做趋势的领先者，不做趋势的跟随者”的主题口号，强调领先成交量信号的重要性。

报告详尽的数据分析与丰富的图表与表格相辅映证，为资产管理者和量化研究员提供了一个可靠且有效的分钟价量互动选股因子库，尤其适用于强调趋势先行信号捕捉的量化选股策略。

---

整体评价：东吴证券团队对价量相关系数差分处理的深入挖掘，大幅优化了原始CPV因子，有效提升了信号稳定性和选股表现。报告思路严谨，数据详实，结果具有清晰的金融经济学解释与实证支持，具备可应用于实际量化投资的价值。风险提示充分，分析全面，体现了专业严谨的研究水准。

---

各关键图片示例集锦（Markdown格式）

• 图1：量先价行合成因子CDPDVV的5分组及多空对冲净值走势

• 图4：价量相关性基准因子PVCorr的5分组及多空对冲净值走势

• 图6：差分不错位因子deltaPVCorr的5分组及多空对冲净值走势

• 图8：价量相关性合成因子CDPDV的5分组及多空对冲净值走势（差分不错位）

• 图9-12：合成因子CDPDVP与CDPDVV的5分组及对冲净值走势

• 图14：价量相关性基准因子与三大合成因子的5分组多空对冲净值走势

• 图15：纯净CDPDVV因子的5分组及多空对冲净值走势

• 图16：全文逻辑简图

---

结尾

综上，“差分视角下的价量互动关系”报告通过严谨的统计分析和创新因子构建，显著优化了基于价量关系的选股因子体系，尤其是量先价行CDPDV_V因子的表现优异。该研究不仅具有较强的实证基础，也能够为市场参与者在高频交易和量化选股策略中提供欠缺已久的领先信号，值得在实际中深入推广应用。[page::0,page::3,page::4,page::5,page::6,page::7,page::8,page::9,page::10,page::11,page::12,page::13,page::14,page::15,page::16,page::17,page::18,page::19,page::20]

---

如需进一步拆解统计方法、计算细节或机制推演，欢迎提出。

报告