开源量化评论（83）：从隔夜价格行为到股票关联网络

金融工程专题 2023年12月19日 从隔夜价格行为到股票关联网络 金融工程研究团队 ——开源量化评论（83） 魏建榕（首席分析师） 魏建榕（分析师）王志豪（分析师） 证书编号：S0790519120001 张翔（分析师） weijianrong@kysec.cn 证书编号：S0790519120001 wangzhihao@kysec.cn 证书编号：S0790522070003 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790121070009 苏良（分析师） 证书编号：S0790121070008 何申昊（研究员） 证书编号：S0790122080094 陈威（研究员） 证书编号：S0790123070027 蒋韬（研究员） 证书编号：S0790123070037 开源金工股票关联网络研究体系 通过股票关联网络探寻关联股票对个股涨跌的牵引力作用，有助于理解A股市场中个股间的涨跌传导机制。我们在报告《从基金持仓行为到股票关联网络》中，从基金持仓维度出发，寻找基金共同持仓股票的关联关系，构建基金关联网络。在报告《从北向资金持仓行为到股票关联网络》中，我们利用北向托管券商的持仓结构，寻找托管券商共同持仓股票的关联关系，构建北向托管券商关联网络。两篇报告内在逻辑均是从资金流的同源性寻找股票间的关联性。在报告《从小单资金流行为到股票关联网络》中，我们通过小单资金流的行为协同，识别股票间的关联关系，构建小单关联网络。前三篇报告均在资金流视角下构建关联关系，在本篇报告中，我们拓展价格形态中的股票关联，从隔夜涨跌出发，通过隔夜涨跌的同步性寻找股票关联性，构建股票关联网络。 以隔夜涨跌协同性构建股票关联网络 隔夜高低开体现了投资者在开盘时点对隔夜信息的集中反应，若隔夜高开，说明投资者认为隔夜信息为利多因素，反之，则投资者认为隔夜信息为利空因素。若两只股票的隔夜涨跌高度协同，则二者大概率受到同类型的隔夜信息的影响，二者关联度较高。因此，我们通过调整后的余弦相似度构建股票关联度指标。从 行业层面来看，同一行业分类下股票的关联度稳定超过全市场股票整体关联度，且行业分类越细分，关联度水平越高。 股票关联网络牵引因子表现稳健 传统反转因子的逻辑在于，以全市场股票涨跌幅作为基准，判断个股的超涨或超跌。基于股票关联网络，我们将个股超涨与超跌的判断基准，从全市场涨跌幅缩小到其高关联股票涨跌幅，由全域反转转为局域反转逻辑，从而构建隔夜关联网络牵引因子——Traction_OR。因子RankIC均值为4.53%，RankICIR为2.69。多空组合表现稳健，年化收益率11.48%，年化IR2.47，最大回撤8.27%。 考虑到本文构建关联网络的前提假设在于隔夜涨跌反映隔夜信息，而A股市场中“缺口回补”现象较为普遍，若当天高低开主要受昨天的跳空缺口影响而非隔夜信息， 相关研究报告 则应剔除此类隔夜涨跌幅，从而提纯隔夜涨跌样本，基于此强化Traction_OR因子表 现，构建Traction_ORE因子。因子RankIC均值为4.3%，RankICIR为2.9。Traction_ORE 因子表现显著优于Traction_OR因子，多空组合年化收益率13.1%，年化IR2.63，最 《从基金持仓行为到股票关联网络》 -2021.10.02 《从北向资金持仓行为到股票关联网络》-2021.11.07 《从小单资金流行为到股票关联网络》-2022.07.21 大回撤6.27%，月度胜率72%。 合成因子Traction_comb收益表现稳健 我们将Traction系列4因子等权合成，得到Traction_comb因子，从而将4个方向的股价牵引力形成合力，因子RankIC均值为5.6%，RankICIR为3.6。从多空组合表现来看，Traction_comb因子年化收益率19.29%，年化IR3.99，最大回撤3.47%，发生在2018年10月，月度胜率77%，多空表现稳健，显著优于各单因子表现。 风险提示：模型测试基于历史数据，市场未来可能发生变化。 金融工程 研究 金融工程 专题 开源证券 证券研究报 告 目录 1、以隔夜涨跌协同性构建股票关联网络4 2、构建关联网络牵引因子刻画股票补涨逻辑7 3、提纯隔夜涨跌样本，强化因子表现11 4、Traction系列合成因子表现稳健14 5、风险提示16 图表目录 图1：开源金工股票关联网络研究体系4 图2：A股市场隔夜以低开为主5 图3：隔夜高低开后，价格普遍快速回归昨收5 图4：隔夜涨跌高度协同示例5 图5：股票关联网络局部示例6 图6：同行业分类股票关联度稳定超过市场整体关联度6 图7：行业分类越细分，关联度水平越高6 图8：关联度越高的股票未来股价R-squared越高7 图9：关联网络具有延续性7 图10：Traction_OR因子构建示意图8 图11：参数敏感性测试：参数组（80,20%）下因子有效性较高8 图12：Traction_OR因子分组单调性良好8 图13：Traction_OR因子5分组多头年化收益10.42%8 图14：Traction_OR因子多空组合表现稳健9 图15：Traction_OR因子分域多空表现10 图16：2023年以来不同选股域多空组合月收益10 图17：预期收益因子与反转因子有效性此消彼长11 图18：跳空缺口未来5日回补频率较高12 图19：跳空缺口次日的高低开倾向12 图20：Traction_ORE因子分组单调性良好12 图21：Traction_ORE因子多头年化收益11.25%12 图22：Traction_ORE因子多空组合表现稳健13 图23：Traction_ORE因子偏向小市值股票池14 图24：2023年以来不同选股域多空组合月收益14 图25：Traction系列因子截面低相关，资金流视角3因子IC序列相关性较高15 图26：Traction_comb因子分组表现单调且分化15 图27：Traction_comb因子多头年化收益16.08%15 图28：Traction_comb因子多空收益表现稳健16 表1：Traction_OR因子构建流程7 表2：Traction_OR因子多空组合分年度表现9 表3：Traction_OR因子与Barra因子低相关11 表4：Traction_ORE因子多空组合分年度表现13 表5：Traction_ORE与Barra因子低相关14 表6：Traction_comb因子分年度表现16 1、以隔夜涨跌协同性构建股票关联网络 通过股票关联网络探寻关联股票对个股涨跌的牵引力作用，有助于理解A股市场中个股间的涨跌传导机制。我们在报告《从基金持仓行为到股票关联网络》中，从基金持仓维度出发，寻找基金共同持仓股票的关联关系，构建基金关联网络。在报告《从北向资金持仓行为到股票关联网络》中，我们利用北向托管券商的持仓结构，寻找托管券商共同持仓股票的关联关系，构建北向托管券商关联网络。两篇报告内在逻辑均是从资金流的同源性寻找股票间的关联性。在报告《从小单资金流行为到股票关联网络》中，我们通过小单资金流的行为协同，识别股票间的关联关系，构建小单关联网络。前三篇报告均在资金流视角下构建关联关系，在本篇报告中，我们拓展价格形态中的股票关联，从隔夜涨跌出发，通过隔夜涨跌的同步性寻找股票关联性，构建股票关联网络。 图1：开源金工股票关联网络研究体系 资料来源：开源证券研究所 将股票开盘价与昨天收盘价对比，可将隔夜价格形态分为隔夜高开、隔夜低开与隔夜平开三种。其中，将股票开盘价与昨天最高价对比，可进一步将隔夜高开分为隔夜跳空高开与隔夜非跳空高开；将股票开盘价与昨天最低价对比，可进一步将隔夜低开分为隔夜跳空低开与隔夜非跳空低开。 我们统计了全市场股票的隔夜价格形态，统计区间为20140101-20231130（下文如无特殊说明，均为此区间）。总体来看，A股市场以隔夜低开为主，占比47.09%，其中隔夜跳空低开占比9.61%；隔夜高开样本占比38.48%，其中隔夜跳空高开占比7.84%；隔夜平开样本占比14.43%。 此外，我们统计了隔夜高低开后，日内价格最早回归昨天收盘价的时点。如图3所示，隔夜高开样本中，开盘1分钟内，价格回归昨天收盘价的样本占比33.06%，开盘10分钟内，价格回归昨天收盘价的样本占比高达57.03%；隔夜低开样本中，开盘1分钟内，价格回归昨天收盘价的样本占比25.47%，开盘10分钟内，价格回归昨天收盘价的样本占比高达50.65%。A股市场中，隔夜高低开后价格快速回归昨天收盘价的情况较为普遍，相比于隔夜高开，隔夜低开价格惯性相对更强。 图2：A股市场隔夜以低开为主图3：隔夜高低开后，价格普遍快速回归昨收 高开跳空,低开跳空, 7.84%9.61% 高开, 38.48% 低开, 47.09% 高开非跳空, 30.64% 平开, 14.43% 低开非跳空, 37.48% 隔夜 低开 隔夜 高开 80% 70% 60% 50% 40% 30% 9:31 9:41 9:51 10:01 10:11 10:21 10:31 10:41 10:51 11:01 11:11 11:21 13:01 13:11 13:21 13:31 13:41 13:51 14:01 14:11 14:21 14:31 14:41 14:51 20% 数据来源：Wind、开源证券研究所数据来源：Wind、开源证券研究所 隔夜高低开体现了投资者在开盘时点对隔夜信息的集中反应，若隔夜高开，说明投资者认为隔夜信息为利多因素，反之，则投资者认为隔夜信息为利空因素。若两只股票的隔夜涨跌高度协同，则二者大概率受到同类型的隔夜信息的影响，二者关联度较高。 股票间隔夜涨跌的高度协同，包含了方向协同与幅度协同两个方面。如图4所示，方向协同指若股票A隔夜高开，则股票B大概率也隔夜高开，若股票A隔夜低开，则股票B大概率也隔夜低开；幅度协同指若股票A大幅高开，意味着隔夜信息利多因素较强，则股票B大概率也大幅高开，若股票A大幅低开，意味着隔夜信息利空因素较强，则股票B大概率也大幅低开。 图4：隔夜涨跌高度协同示例 数据来源：Wind、开源证券研究所 基于以上逻辑，我们通过两只股票过去一段时间的隔夜涨跌幅，计算二者的余弦相似度。余弦相似度指标构建公式如下： ∑𝑥𝑖𝑦� 𝐶𝑜𝑟𝑟𝑐𝑜�= √∑𝑥𝑖2∑𝑦𝑖2 相比于相关系数，余弦相似度可以更好地兼顾隔夜涨跌的方向协同与幅度协同，余弦相似度分布在-1到1之间。通过如下平移缩放，得到股票间的关联度，使关联度指标分布在0到1之间。 �=(𝐶𝑜𝑟𝑟𝑐𝑜�+1)/2 通过股票间的关联度指标，我们将全市场股票两两关联，从而构建股票关联网络。如图5所示，在股票关联网络局部示例中，我们以长飞光纤为中心节点，以通信行业成分股为范围，选取与长飞光纤高关联的股票刻画股票关联关系。 图5：股票关联网络局部示例 数据来源：Wind、开源证券研究所（时间截至：20231130） 股票的高关联常见于同行业的股票之间，本文将隔夜涨跌的协同性作为股票关联度，其必要条件之一为“同行业股票间的隔夜涨跌协同性理应更高”。为此，我们统计了同一行业分类下股票的关联度水平，并与全市场股票整体关联度作对比，结果显示，同一行业分类下股票的关联度稳定超过全市场股票整体关联度，且行业分类越细分，关联度水平越高。 图6：同行业分类股票关联度稳定超过市场整体关联度图7：行业分类越细分，关联度水平越高 200% 150% 100% 50