“技术分析拥抱选股因子”系列研究（十四）：RPV聪明版——聪明换手率是更好的配料

“技术分析拥抱选股因子”系列研究（十四） 证券研究报告·金融工程·金工专题报告 RPV聪明版——聪明换手率是更好的配料2023年09月27日 研究结论 前言：在《新价量相关性RPV选股因子》中，我们根据日内与隔夜不同的价量配合逻辑，分别找到日内价量相关性、隔夜价量相关性的最佳代表。本篇报告继续对利用日频价量相关性选股进行研究，借鉴在改进动量因子时引入的“聪明”指标，使用“聪明”时段换手率作为新的换 手率序列。 证券分析师高子剑 执业证书：S0600518010001 021-60199793 gaozj@dwzq.com.cn 研究助理庞格致 执业证书：S0600122090090 panggz@dwzq.com.cn 相关性是价量配合最好的尺：日内部分的价量关系表现为“日内量”能够对“日内价”起到增强作用，使用二者的相关系数构造的选股因子呈现出反转效应，将其作为日内价量相关性的代表；隔夜的价量逻辑暗藏于“昨日量”与“今日价”的错配关系之中，使用二者的相关系数构造的选股因 子呈现出动量效应，将其作为隔夜价量相关性的代表。二者结合得到的日频价量相关性因子RPV在回测期2014/01/01-2023/08/31内，10分组多空对冲的年化收益约为16.29%，信息比率约为2.41。 相关研究 《“技术分析拥抱选股因子”系列研究（十一）：新价量相关性RPV选股因子——相关性是价量配合最好的尺》 聪明换手率是更好的配料：将日内涨跌拆分为上午涨跌和下午涨跌，并计算分钟“聪明”指标，将当日下午“聪明”指标最大的各20%（24分钟）作为知情交易最集中的“聪明”时段，使用下午“聪明”换手率与下午涨跌的相关系数，选股效果要好于原日内价量相关性因子；对隔夜价 量相关性，将换手率替换为知情交易比例更高的昨天最后半小时换手率，效果同样有提升。 聪明版日频价量相关性因子：将效果更好的日内价量相关性因子和隔夜价量相关性因子结合，合成的SRV因子在回测期2014/01/01-2023/08/31内，RankIC约为-0.0576，RankICIR约为-4.26，10分组多空对冲的年化收益约为18.91%，信息比率约为3.07，月度胜率达到80.00%，最大回 撤仅为3.11%，效果要好于RPV因子。 风险提示：（1）本报告所有统计结果均基于历史数据，未来市场可能发生重大变化；（2）单因子模型收益可能存在较大波动，实际应用需结合资金管理、风险控制等方法；（3）数据测算误差风险。 2022-10-11 《“求索动量因子”系列研究 （🖂）：成交量对动量因子的修正——殊途同归的聪明版》 2023-06-12 1/29 东吴证券研究所 内容目录 1.前言5 1.1.高频价量相关性CPV因子5 1.2.新价量相关性RPV因子7 1.2.1.全天涨跌CXV因子7 1.2.2.日内CXV因子8 1.2.3.隔夜CXV因子9 1.2.4.新价量相关性RPV选股因子10 2.殊途同归，价量关系的另一把尺11 2.1.日内价量互认，隔夜价量时序错配11 2.2.殊途同归聪明版13 3.RPV聪明版因子14 3.1.日内价量相关性14 3.2.隔夜价量相关性16 3.3.RPV聪明版SRV因子17 4.其他重要讨论19 4.1.新价量相关性因子的分年度表现19 4.2.正交传统价量因子后的选股能力20 4.3.纯净新价量相关性因子的表现21 4.4.新价量相关性因子的参数敏感性23 4.5.新价量相关性因子的多空收益分解23 4.6.其他样本空间的情况23 4.7.指数增强投资组合的构建24 5.总结27 6.风险提示28 2/29 东吴证券研究所 图表目录 图1：中公教育分钟走势图：2019/10/165 图2：微芯生物分钟走势图：2019/10/165 图3：PV_corr_avg因子5分组及多空对冲净值走势6 图4：PV_corr_avg因子对传统反转因子逻辑的修正6 图5：CCV因子10分组及多空对冲净值走势（回看20日）8 图6：CCOIV因子10分组及多空对冲净值走势（回看20日）9 图7：COV因子10分组及多空对冲净值走势（回看20日）10 图8：RPV因子10分组及多空对冲净值走势（回看20日）10 图9：局部日内收益因子的选股能力（回看20日）12 图10：局部隔夜收益因子的选股能力（回看20日）12 图11：局部日内因子（上午）年化ICIR（回看20日）15 图12：局部日内因子（下午）年化ICIR（回看20日）15 图13：amCO_amSV因子值分布16 图14：pmCO_pmSV因子值分布16 图15：CCOIV聪明版因子（SCCOIV）10分组及多空对冲净值走势（回看20日）16 图16：COV聪明版因子（SCOV）10分组及多空对冲净值走势（回看20日）17 图17：RPV聪明版因子（SRV）10分组及多空对冲净值走势（回看20日）18 图18：RPV_deRet20因子10分组及多空对冲净值走势20 图19：SRV_deRet20因子10分组及多空对冲净值走势20 图20：RPV_deTurn20因子10分组及多空对冲净值走势21 图21：SRV_deTurn20因子10分组及多空对冲净值走势21 图22：纯净RPV因子10分组及多空对冲净值走势22 图23：纯净SRV因子10分组及多空对冲净值走势22 图24：基于沪深300成份股，不同投资组合的净值走势25 图25：基于中证500成份股，不同投资组合的净值走势25 图26：基于中证1000成份股，不同投资组合的净值走势26 图27：基于国证2000成份股，不同投资组合的净值走势27 表1：CCV因子10分组多空对冲的绩效指标（回看20日）7 表2：日内价量序列8 表3：CCOIV因子10分组多空对冲的绩效指标（回看20日）8 表4：隔夜价量序列9 表5：COV因子10分组多空对冲的绩效指标（回看20日）9 表6：新价量相关性RPV因子10分组多空对冲的绩效指标（回看20日）11 表7：RPV、CCV、CCOIV、COV相关性矩阵11 表8：日内价量的重新拆分与匹配13 表9：隔夜价量的重新拆分与匹配14 表10：日内新价量序列14 表11：使用“聪明”时段换手率的日内因子的10分组多空对冲绩效指标15 表12：隔夜新价量序列16 表13：COV聪明版因子与COV因子的10分组多空对冲绩效指标对比17 3/29 东吴证券研究所 表14：RPV聪明版选股因子对比CCV和RPV选股因子绩效指标（回看20日）18 表15：SRV、CCV、pmCO_pmSV、SCOV相关性矩阵19 表16：新价量相关性RPV因子的分年度表现19 表17：聪明版新价量相关性SRV因子的分年度表现20 表18：价量相关性因子正交传统价量因子的10分组多空对冲绩效指标21 表19：SRV因子与常用Barra风格因子的相关系数21 表20：纯净因子的10分组多空对冲绩效指标22 表21：纯净SRV因子的分年度表现22 表22：传统反转因子、RPV、SRV因子的参数敏感性23 表23：RPV、SRV因子的多空收益分解23 表24：Ret20、RPV、SRV因子在沪深300、中证500、中证1000、国证2000成份股中的多空对冲绩效指标24 表25：基于沪深300成份股，不同投资组合的绩效指标25 表26：基于中证500成份股，不同投资组合的绩效指标26 表27：基于中证1000成份股，不同投资组合的绩效指标26 表28：基于国证2000成份股，不同投资组合的绩效指标27 4/29 东吴证券研究所 1.前言 价量关系是金融市场最经典的理论之一，价格的涨跌往往需要量来支撑与确认，二者共同呈现的多种形态，体现着市场动向和情绪的变化。东吴金工致力于在复杂多变的价量关系中探索简明的规律，找到普适性的选股信号，并在过往研究中产出了诸多令人欣喜的成果。 1.1.高频价量相关性CPV因子 2020年一季度，东吴金工发布了《“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》，这篇报告中我们提到，2019年10月16日，中公教育大涨，微芯生物大跌。如果撇开上市公司当天基本面的消息，仅观察价量图，可以发现大涨的中公教育在股价上涨时伴随着放量，下跌时伴随着缩量；而微芯生物则是相反的，上涨时缩量，下跌时放量。 图1：中公教育分钟走势图：2019/10/16图2：微芯生物分钟走势图：2019/10/16 数据来源：Wind，东吴证券研究所数据来源：Wind，东吴证券研究所 技术分析中，中公教育所呈现的价和量同向变动被称为“价量配合”，这造就了一只强势股，股价倾向于上涨；而微芯生物所呈现的价和量反向变动被称为“价量背离”，使之成为弱势股，股价倾向于下跌。我们当时提出，可以计算价格和成交量的相关系数，价量配合同向变动，则其相关系数为正，价量背离反向变动，则其相关系数为负。因此，相关系数可以体现价量配合的程度。 基于此，我们于每月月底回溯每只股票过去20个交易日的价量信息，每日计算该 股票分钟收盘价与分钟成交量的相关系数，然后每只股票取20日相关系数的平均值，做横截面市值中性化处理，将得到的结果记为价量相关性平均数因子PV_corr_avg： 20 1 PV_corr_avg=20∑Corr(𝑃𝑖,𝑉𝑖) i=1 5/29 东吴证券研究所 其中，Corr(𝑃𝑖,𝑉𝑖)表示第�天分钟收盘价序列与分钟成交量序列的相关系数。 以2014/01/01-2020/01/31为回测时间段，图3展示了价量相关性平均数因子PV_corr_avg的5分组及多空对冲净值走势。PV_corr_avg因子的5分组多空对冲年化收益率达15.25%，年化波动率8.96%，信息比率1.70，月度胜率76.06%，最大回撤率6.72%。 图3：PV_corr_avg因子5分组及多空对冲净值走势 数据来源：Wind资讯，东吴证券研究所 图4：PV_corr_avg因子对传统反转因子逻辑的修正 数据来源：东吴证券研究所金融工程团队整理 如果只考虑价格维度，在A股市场上有比较显著的反转效应，也就是当月下跌，下个月该归于多头；当月上涨，下个月该归于空头。现在考虑价格和成交量两个维度，将其划分为四个象限，PV_corr_avg因子值小就代表相关系数小，即价格和成交量是反向变动，位于二、四象限，对应放量下跌和缩量上涨，下月宜做多；因子值大，即价量同向变动，位于一、三象限，对应放量上涨和缩量下跌，下月宜做空。对比图4中一维的 6/29 东吴证券研究所 传统反转因子Ret20和二维的平均数因子PV_corr_avg就会发现，放量时价格趋势维持了反转现象，缩量时则相反，转变为动量。这很符合价量配合中所说的用成交量的放大或缩小来给价格趋势投赞成票或反对票。 1.2.新价量相关性RPV因子 东吴金工在2022年10月发布的《“技术分析拥抱选股因子”系列研究（十一）：新价量相关性RPV选股因子》中，探索了蕴藏在日频数据中的价量关系。我们使用如下构建方案定义CXV因子： （1）每月月底，回溯每只股票过去20个交易日的日频价量信息，计算其某种价格序列与某种换手率序列的相关系数； （2）将所得相关系数进行市值中性化处理，即得到基于日频数据的某种CXV因子。 在各种CXV因子中，我们将分别寻找日内价量相关性、隔夜价量相关性的最佳代表，并最终将这些呈现动量或反转的信息有机组织起来，得到新价量相关性因子。 注：本报告中的CXV是CorrelationofXandVolume的缩写，其中X代表某种价格序列，Volume代表某种换手率序列。 1.2.1.全天涨跌CXV因子 在2021年1月的《价量相关性CPV因子绩效月报：价量相关系数的其他计算方式 -日频数据》中，我们已经探讨过日频版CPV：用今天收盘价序列和今天全天换手率序列的相关系数，也就是这里的CCV，所以