高频价量相关性构建选股因子 [page::4][page::5]

• 基于股票每日分钟成交价与成交量相关系数计算20日平均值（PVcorravg）和标准差（PVcorrstd）。

- 两因子回测表现均良好，分别实现年化收益率15.25%和14.74%，信息比率分别为1.70和2.10。

• 组合两因子形成PVcorr综合因子，多空对冲年化收益率达19.62%，信息比率2.42，月胜率83.10%。

价量相关性因子逻辑解析与传统反转因子对比 [page::6][page::7][page::8]

• 平均数因子修正反转逻辑，强调成交量对涨跌反转信号的重要影响。

- 波动性因子衡量价量关系稳定性，低波动对应持续形态，利好未来表现。

• 综合因子PVcorr outperform传统20日反转因子，表现更稳健，最大回撤显著减少。

新因子PVcorrdeRet20：剔除传统反转影响后信息精炼 [page::9][page::10]

| 性能指标 | 传统反转因子 | PVcorrdeRet20 |
|--------------|--------------|-----------------|
| 年化收益率 | 18.74% | 19.50% |
| 年化波动率 | 18.03% | 6.83% |
| 信息比率 | 1.04 | 2.86 |
| 月度胜率 | 69.01% | 84.51% |
| 最大回撤率 | 14.22% | 3.67% |

• 新因子提高稳定性和胜率，信息比率大幅提升，最大回撤大幅缩小。

趋势因子PVcorrtrend和最终因子CPV构建及绩效表现 [page::11][page::12][page::13]

• 趋势因子捕捉价量相关系数的时间回归趋势，因子值越小，未来表现越优。

- 将趋势因子与PVcorrdeRet20融合，形成CPV最终因子，涵盖平均数、波动性、趋势三维度。

| 指标 | 传统反转因子 | CPV因子 |
|------------|--------------|-----------|
| 年化收益率 | 18.74% | 19.29% |
| 年化波动率 | 18.03% | 6.36% |
| 信息比率 | 1.04 | 3.03 |
| 月度胜率 | 69.01% | 87.32% |
| 最大回撤率 | 14.22% | 2.90% |

• CPV因子显著优于传统反转因子，表现稳定且回撤低。

纯净CPV因子与风格行业剔除后选股能力进一步提升 [page::14][page::15]

| 年份 | 纯净CPV因子年化收益率 | 信息比率 | 最大回撤率 |
|------|-----------------------|----------|-----------|
| 2014 | 9.58% | 3.91 | 0.37% |
| 2015 | 28.97% | 3.97 | 1.58% |
| 2019 | 3.69% | 1.63 | 0.95% |

• 在剔除风格和行业变量后，因子稳定性和选股效果更佳。

参数敏感性及其他样本空间检验 [page::15][page::16]

• 回看期调整至40日、60日，CPV因子仍显著优于传统反转因子。

• 在沪深300及中证500样本中，CPV因子均表现优异，信息比率分别提升至1.19和1.86。

技术分析拥抱选股因子系列研究（一）分析报告

一、元数据及概览

• 报告标题：技术分析拥抱选股因子”系列研究（一）——高频价量相关性，意想不到的选股因子

- 作者及发布机构：东吴证券研究所，高子剑（证券分析师）、沈芷琦（研究助理）

• 发布时间：2020年2月23日

- 研究主题：基于技术分析中的价量关系，探索高频价量相关性因子在A股市场上的选股能力

• 核心论点：

- 通过构建基于高频分钟级别成交价与成交量的价量相关性因子，修正传统反转因子的选股策略
- 提出价量相关性的平均数因子、波动性因子和趋势因子三个维度的因子
- 汇总形成综合因子CPV，表现优于传统反转因子

• 评级与目标价：本报告侧重因子研究与回测分析，未涉及具体股票评级与目标价

- 主要信息传达：宏观维度上表明高频价量相关性能有效补充传统技术指标，对提高选股的稳定性和收益率具有显著帮助，且剔除行业及风格暴露后依旧具备强选股能力，推荐投资者关注该因子在模型中的应用潜力。

---

二、逐节深度解读

1. 前言

本节梳理技术分析的发展历史及其经典价量关系，例如“放量上涨确认上涨趋势”，“放量下跌确认下跌趋势”，并以2019年10月16日中公教育与微芯生物的分钟级价量走势图示例加强说明成交量对解析价格走势的关键作用。作者强调技术分析理念在A股实际操作中有效，推动研究将价量技术指标引入横截面选股因子设计。[page::3]

2. 高频价量相关性中的选股信号

2.1 价量相关性因子的构建

• 以2014年1月至2020年1月A股为样本，剔除ST股、停牌及次新股，计算每只股票近20个交易日内的每天分钟收盘价与分钟成交量的相关系数。

- 设计三个价量相关性因子：
- 平均数因子 (PVcorravg)： 20日相关系数的平均值，市值中性化处理
- 波动性因子 (PVcorrstd)： 20日相关系数的标准差，市值中性化处理
- 综合因子 (PVcorr)： 对上述两个因子标准化处理后等权加权

• 回测数据显示，这些因子均表现出较强的选股能力。尤其是综合因子的5分组多空对冲年化收益19.62%，波动率8.09%，信息比率2.42，月度胜率83.10%。[page::4-5]

关键数据点详解

• 表1显示PVcorravg年化收益15.25%，信息比率1.70；PVcorrstd年化收益14.74%，信息比率2.10，均属稳健水平。

- 图3、4和图5展示了因子不同分组的净值走势，明显高因子值组表现优于低因子值组，红色虚线显示多空对冲收益增长趋势。

2.2 价量相关性因子的逻辑

• 平均数因子（PVcorravg） 作了对传统反转因子（月度收益反转效应）的修正。作者区分了价格上涨与成交量（放量或缩量）的组合情况，并据此修正未来走势预判：

- 放量上涨被视为“末路英雄”，月度后续可能反转（下跌）
- 缩量上涨被视为“绵绵内力”，月度后续延续上涨动量
- 放量下跌符合反转预期，未来趋多
- 缩量下跌不明显反转，仍偏空

• 这种细分增强了价格与成交量之间的互动逻辑，提高了选股效率。图6清楚阐释这些分类逻辑。
• 波动性因子（PVcorrstd） 聚焦价量相关系数的稳定性：

- 价量关系稳定（波动性小）代表某种价量形态持续，通常带来正收益（动量）
- 价量关系频繁变化则对应市场波动与不确定性，可能导致收益下跌

• 图7表明波动性因子可进一步区分股票类别，作出更细致判断。
• 经过实证，价量相关性的平均数和波动性两个因子构成了对传统反转因子的有益修正，表2和图9展示了两者回测结果对比，综合因子PVcorr表现显著优于传统反转因子，年化信息比率从1.04跃升至2.42，最大回撤减小近1/3。[page::5-8]

进一步精炼

• 由于部分选股信息与传统反转因子重合，作者提取两个子因子剔除反转因子部分后线性合成新因子PVcorrdeRet20，保持了高收益且显著提升稳定性与风险控制能力。

- 新因子月度胜率达84.51%，最大回撤仅3.67%，相比传统反转的大幅改进。

• 但2019年反转因子表现优异，使修正效果相对弱化。

- 图10和表3详实呈现该因子表现数据，且表4分年度维度细致体现表现差异。[page::9-10]

3. 进一步探索：趋势因子的增量信息

• 研究发现价量相关系数的时间趋势也蕴含有价值信息。通过对近20日相关系数序列进行线性回归，回归系数反映价量相关趋势。

- 趋势因子PVcorrtrend定义为该回归系数剔除市值和传统价量因子影响后的残差。

• 回测显示此因子月度IC均值为-0.042，年化ICIR达-3.45，多空对冲年化收益14.55%，月度胜率85.92%，最大回撤仅2.45%。

- 虽然分组间不完全单调，但整体趋势因子增强了对市场行情的捕捉能力，与平均数因子逻辑相一致。图11和表5展现其细节效果。

• 最终将趋势因子加入综合因子PVcorrdeRet20构建最终CPV因子，提升了选股因子的整体表现。图12说明三因子构成框架公式，CPV代表Correlation of Price and Volume。[page::10-12]

4. CPV因子核心绩效分析

• CPV因子回测期全面表现优异：年化收益19.29%，信息比率3.03，月度胜率达87.32%，最大回撤2.90%。

- 相较传统反转因子，CPV因子波动率极低（6.36% vs 18.03%），风险调整表现突出。

• 2019年表现虽仍有不足，但2020年1月出现逆势收益，显示增量信息能有效纠正反转误判。图13、14与表6、7附带历史年度分解。

5. 纯净CPV因子分析

• 为消除风格及行业因素干扰，作者对CPV因子剔除10个Barra风格因子及28个申万行业因子后形成纯净CPV因子。

- 纯净CPV依旧表现稳健，信息比率进一步升至3.43，年化收益14.81%，最大回撤仅1.58%。

• 表8显示CPV与各Barra因子相关度低，体现了其选股信息的独立性和纯净性。图15及表9详细呈现纯净CPV的回测净值及年度绩效数据。[page::14-15]

6. 参数敏感性与样本广度检验

• 回看窗口时间调整至40日、60日，CPV因子仍保持优异的选股能力，且显著优越于传统反转因子（表10，图16、17说明）。

- CPV因子在沪深300、中证500成分股亦表现优秀，年化收益和信息比率均显著提升，胜率大幅优于传统因子。

• 图18、19及表11具体展现了不同指数样本的多空对冲绩效对比。

- 该因子具备较强的泛化能力，适应不同市场样本和计算窗口。[page::15-16]

7. 总结

• 报告首创性地将技术分析中最低层次的价量关系转化为高频价量相关系数因子。

- 平均数因子和波动性因子分别对传统反转策略作出细致调整，提升了投资组合的稳定性和收益。

• 趋势因子补充了价量相关性的时间变化信息，使得因子体系更加完整和有效。

- 综合三个维度的CPV因子远超传统反转因子，且经过剔除风格行业后更为纯净、稳健。

• 多样样本和参数回测验证了其广泛适用性和良好的风险收益表现。

- 报告提出该因子在实战选股及量化投资中具有显著应用价值，值得投资者关注和后续研究。
[page::16-17]

---

三、图表深度解读

1. 图0（封面图）：CPV因子与传统反转因子的净值走势对比

- 纵轴为净值，左轴为CPV与传统反转因子，右轴为纯净CPV因子
- 时间范围2014年2月至2019年12月
- 纯净CPV因子净值增长最快，整体表现最好，表明剔除风格及行业因素后，更具选股价值。

1. 图1与图2：2019年10月16日中公教育与微芯生物分钟级价量走势

- 中公教育“放量上涨”，对应分钟成交量与价格同时放大，显示强势走势
- 微芯生物“放量下跌”，价量配合表明弱势
- 价格变动确认成交量变化，验证价量关系分析的经典有效性。

1. 图3与图4：PVcorravg与PVcorrstd 5分组多空对冲净值走势

- 5分组中因子值最高组表现最优
- 累积净值明显优于最低组，红虚线显示组1对组5的净值差异多空对冲净值表现平稳上升，体现选股因子的有效性。

1. 图5：综合因子PVcorr 5分组及多空对冲净值走势

- 综合因子更明显地分层股票表现
- 多空对冲净值呈稳定增长，表明整合两个子因子优势显著。

1. 图6与图7：因子对传统反转的修正逻辑图

- 以矩阵形式展现价格涨跌与成交量放缩的不同组合，判断下一月走势为多头还是空头
- 通过引入成交量，细化传统“涨则空、跌则多”的判断机制。

1. 图8：价量相关性因子的逻辑总结

- 无论价量相关因子还是传统反转因子，均从价格与成交量综合考虑预测反转或动量
- 视觉表达因子逻辑与市场现象的内在连接。

1. 图9：PVcorr与传统反转因子多空对冲净值走势对比

- PVcorr因子持续跑赢传统反转因子，特别是在中后期稳定体现其优势。

1. 图10：新因子PVcorrdeRet20 5分组净值走势

- 明显改善净值曲线的平滑性和稳定性
- 多空对冲效果显著，最大回撤进一步降低。

1. 图11：趋势因子PVcorr_trend 5分组及对冲净值走势

- 异于其它因子，部分分组收益排列无序，但整体多空对冲表现稳健，胜率高达86%以上。

1. 图12-14：CPV因子结构及与传统反转因子表现对比

- CPV因子整合平均、波动、趋势三子因子
- 净值曲线与绩效数据表明CPV综合表现优良，长期回测中稳健跑赢传统因子。

1. 图15：纯净CPV因子5分组净值走势

- 剔除风格及行业影响后表现更优，波动风险显著下降。

1. 图16、17：回看窗口调整至40、60日下CPV与传统反转对冲净值

- CPV因子保持优异表现，说明其参数稳定性和泛化能力。

1. 图18、19：沪深300及中证500成分股中CPV与传统反转因子的多空对冲表现

- CPV因子在不同市场细分板块均胜出，显示广泛市场适用性。

1. 表格1-11详尽统计了不同因子在不同时期、不同样本空间下的收益率、波动率、信息比率、月度胜率、最大回撤等关键绩效指标，数量充足且统计完整，有效佐证了文本分析和因子有效性。

---

四、估值分析

本报告聚焦因子构建及其选股能力的统计验证，没有涉及公司估值或行业估值的方法、数据和目标价设置，因此无估值分析部分。

---

五、风险因素评估

• 报告中明确指出所有统计结果基于历史数据，未来市场可能发生重大变化造成策略失效风险。

- 单一因子的收益存在较大波动，需结合资金管理与风险控制措施避免过度集中风险。

• 因子表现受市场环境影响明显，某些时间段（如2019年）传统反转因子表现优于价量相关因子，提示需关注市场状态切换风险。

- 研究样本剔除ST、停牌及次新股，实际投资需兼顾股票流动性等因素。

• 报告无具体缓解策略，提醒实际应用中谨慎使用并配合多因子组合。[page::0,17]

---

六、批判性视角与细微差别

• 报告基于高频分钟数据，数据处理及计算成本较高，实际模型构建及实时应用存在技术挑战和执行风险。

- 价量相关性因子与传统反转因子虽有差异，但仍部分重叠，相关系数0.16表明有交集，需要注意因子多重共线问题。

• 2019年价量相关因子修正效果较弱，显示在特定市场行情下，因子表现可能打折扣，暗示该因子可能对市场行情环境敏感。

- 报告对部分因子分组表现波动性较大（如趋势因子分组排列不严格），投资者应关注这些不稳定信号的潜在风险。

• 报告未涉及交易成本、滑点等实际市场交易因素，此因素可能削弱因子实用性。

- 作者对价量相关性因子的潜在过拟合及未来有效性留有隐含警示，呼吁结合资金管理与风险控制。

---

七、结论性综合

本报告基于东吴金工团队的技术分析视角，开创性地挖掘了高频分钟级价量相关系数中蕴藏的选股信号。通过构建平均数因子、波动性因子和趋势因子三个维度，成功修正和提升了传统月度反转因子的选股效果。

数据回测结果坚实，综合因子CPV在2014-2020年表现出年化19.29%的收益率，3.03的信息比率，87.32%的月度胜率，且最大回撤低至2.90%，远优于传统反转因子（收益18.74%，信息比率1.04，最大回撤14.22%）。剔除行业风格因素后的纯净CPV因子表现更优，信息比率高达3.43，最大回撤不足2%。多样回测参数和样本空间验证其稳定性和适应性。详尽的图表与表格系列数据充分体现了因子表现的细节与均衡。

本研究强调成交量作为技术分析中简单且重要的变量，有效弘扬了其在高频时序维度的信息价值，推动了价量关联理论的精细化与实证检验。在市场应用层面，CPV因子为量化选股提供了新的视角和工具，值得投资者广泛关注。未来实际使用仍需关注因子风险波动性、流动性限制与市场环境敏感性，并结合资金管理及多因子策略以提升投资组合风险收益特征。

---

总结观点：CPV因子作为基于高频价量相关性构建的技术分析选股因子，突破传统反转因子思路，在实证样本中表现卓越，具备广泛的应用潜力和研究价值，是技术分析理论与现代量化选股策略结合的重要示范。[page::0-17]

报告