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) weijianrongkyseccn 证书编号:S0790519120001 wangzhihaokyseccn 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TractionOR。因子RankIC均值为453,RankICIR为269。多空组合表现稳健,年化收益率1148,年化IR247,最大回撤827。 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TractionOR因子表 现,构建TractionORE因子。因子RankIC均值为43,RankICIR为29。TractionORE 因子表现显著优于TractionOR因子,多空组合年化收益率131,年化IR263,最 《从基金持仓行为到股票关联网络》 20211002 《从北向资金持仓行为到股票关联网络》20211107 《从小单资金流行为到股票关联网络》20220721 大回撤627,月度胜率72。 合成因子Tractioncomb收益表现稳健 我们将Traction系列4因子等权合成,得到Tractioncomb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56,RankICIR为36。从多空组合表现来看,Tractioncomb因子年化收益率1929,年化IR399,最大回撤347,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Rsquared越高7 图9:关联网络具有延续性7 图10:TractionOR因子构建示意图8 图11:参数敏感性测试:参数组(8020)下因子有效性较高8 图12:TractionOR因子分组单调性良好8 图13:TractionOR因子5分组多头年化收益10428 图14:TractionOR因子多空组合表现稳健9 图15:TractionOR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:TractionORE因子分组单调性良好12 图21:TractionORE因子多头年化收益112512 图22:TractionORE因子多空组合表现稳健13 图23:TractionORE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:Tractioncomb因子分组表现单调且分化15 图27:Tractioncomb因子多头年化收益160815 图28:Tractioncomb因子多空收益表现稳健16 表1:TractionOR因子构建流程7 表2:TractionOR因子多空组合分年度表现9 表3:TractionOR因子与Barra因子低相关11 表4:TractionORE因子多空组合分年度表现13 表5:TractionORE与Barra因子低相关14 表6:Tractioncomb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2014010120231130(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4709,其中隔夜跳空低开占比961;隔夜高开样本占比3848,其中隔夜跳空高开占比784;隔夜平开样本占比1443。 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3306,开盘10分钟内,价格回归昨天收盘价的样本占比高达5703;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2547,开盘10分钟内,价格回归昨天收盘价的样本占比高达5065。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 784961 高开 3848 低开 4709 高开非跳空 3064 平开 1443 低开非跳空 3748 隔夜 低开 隔夜 高开 80 70 60 50 40 30 931 941 951 1001 1011 1021 1031 1041 1051 1101 1111 1121 1301 1311 1321 1331 1341 1351 1401 1411 1421 1431 1441 1451 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: 22 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。 12 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 0 620 同一级行业全市场(累计)同二级行业全市场(累计) 同三级行业全市场(累计) 615 610 605 20140130 20140731 20150130 20150731 20160129 20160729 20170126 20170731 20180131 20180731 20190131 20190731 20200123 20200731 20210129 20210730 2022012