开源量化评论（92）：从涨跌停外溢行为到股票关联网络

金融工程专题 2024年4月16日 从涨跌停外溢行为到股票关联网络 金融工程研究团队 ——开源量化评论（92） 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。我们在股票关联网络方面已积累诸多研究，从资金流与价格形态维度，解释股票间微妙的关联特征，涵盖机构共同持仓、小单资金流向、隔夜价格反应、涨跌停情绪外溢等多类信息。 在基金关联网络中，我们认为股票的关联性源于其背后交易资金的同源性，且要求同源资金对于个股有显著定价权，因而通过基金共同持仓行为刻画股票关联关系；在北向关联网络中，我们遵循前一篇报告的逻辑，通过北向托管券商共同持仓行为刻画股票关联关系，进一步强化了“资金流同源是股票关联的重要来源”这一逻辑的可靠性；在小单关联网络中，我们根据小单资金在两只股票上流入流出的协同程度刻画股票关联；在隔夜关联网络中，我们假设“隔夜收益是对隔夜信息的反应”，认为两只股票的隔夜收益的高度协同，意味着两只股票受同类隔夜信息影响，因而其关联度较高。 基于涨跌停情绪外溢构建股票关联网络 本篇报告中，我们从价格形态出发，通过涨跌停情绪外溢现象，寻找股票关联特征。涨跌停情绪外溢是指，若股票A在当前时点价格触及涨停板，导致其买入受限，投资者寻找其关联股票，进而导致关联股票之后出现价格上涨的现象。 逻辑上，日内交易活跃阶段，投资者交易情绪较高，对于市场有较高关注度，涨跌停情绪外溢发生概率相对较高。因此，我们选取过去20个交易日、每日开盘 90分钟交易数据构建涨跌停外溢股票关联网络。通过前一分钟涨跌停个股涨跌停方向与当前分钟跟随个股涨跌方向相匹配，得到涨跌停个股对跟随个股关联度，构建涨跌停外溢关联网络。 股票关联网络牵引因子表现稳健 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，从而构建涨跌停关联网络牵引因子——Traction_LUD。因子RankIC均值为4.36%，RankICIR为2.84。多 相关研究报告 空组合表现稳健，年化收益率12.8%，年化IR2.75，最大回撤3.89%，发生在2022 年6月，月度胜率75.2%。 《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 《从隔夜价格行为到股票关联网络》 -2023.12.19 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5个方向的股价牵引力形成合力，因子RankIC均值6.5%，RankICIR3.9。在全市场中，Traction_comb因子多空年化收益率22%，年化IR4.46，最大回撤5%，月度胜率86%。指数增强方面，在沪深300、中证500和中证1000中，指增组合超额年化收益率分别为6.2%、9.5%和9.5%，年化IR分别为1.7、1.5和1.3。 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、基于涨跌停情绪外溢构建股票关联网络3 2、构建关联网络牵引因子刻画股票补涨逻辑6 3、Traction系列合成因子表现稳健10 4、风险提示13 图表目录 图1：开源金工股票关联网络研究体系3 图2：多数月份超500只个股触及涨跌停4 图3：日内涨跌停样本占比4 图4：股票关联网络局部示例5 图5：同行业分类股票关联度稳定超过市场整体关联度5 图6：行业分类越细分，关联度水平越高5 图7：Traction_LUD因子构建示意图6 图8：参数敏感性测试：最优参数组具有稳定性且因子有效性较高7 图9：Traction_LUD因子分组表现分化且单调性良好7 图10：Traction_LUD因子5分组多头年化收益8.97%7 图11：Traction_LUD因子多空组合表现稳健7 图12：Traction_LUD因子分域多空表现8 图13：2023年以来不同选股域多空组合月收益9 图14：预期收益因子与反转因子有效性此消彼长9 图15：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10 图16：Traction_comb因子分组表现单调且分化10 图17：Traction_comb因子多头年化收益14.56%10 图18：Traction_comb因子多空收益表现稳健11 图19：Traction_comb因子指增超额表现12 表1：涨跌停外溢关联网络构建5 表2：Traction_LUD因子构建流程6 表3：Traction_LUD因子多空组合每年均录得正收益8 表4：Traction_LUD因子与Barra因子低相关10 表5：Traction_comb因子分年度多空组合年化收益率11 表6：Traction_comb因子分年度指增超额年化收益率12 1、基于涨跌停情绪外溢构建股票关联网络 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。我们在股票关联网络方面已积累诸多研究，从资金流与价格形态维度，解释股票间微妙的关联特征，涵盖机构共同持仓、小单资金流向、隔夜价格反应、涨跌停情绪外溢等多类信息。 在报告《从基金持仓行为到股票关联网络》中，我们认为股票的关联性源于其背后交易资金的同源性，且要求同源资金对于个股有显著定价权，因而通过基金共同持仓行为刻画股票关联关系；在报告《从北向资金持仓行为到股票关联网络》中，我们遵循前一篇报告的逻辑，通过北向托管券商共同持仓行为刻画股票关联关系，进一步强化“资金流同源是股票关联的重要来源”这一逻辑的可靠性；在报告《从小单资金流行为到股票关联网络》中，我们根据小单资金在两只股票上流入与流出的协同程度刻画股票关联；在报告《从隔夜价格行为到股票关联网络》中，我们假设“隔夜收益是对隔夜信息的价格反应”，认为两只股票隔夜收益的高度协同，意味着两只股票受同类隔夜信息的影响，因而其关联度较高。 本篇报告中，我们从价格形态出发，通过涨跌停情绪外溢现象，寻找股票关联特征。涨跌停情绪外溢是指，若股票A在当前时点价格触及涨停板，导致其买入受限，投资者寻找其关联股票，进而导致关联股票之后出现价格上涨的现象。 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 我们通过日内分钟价格数据，识别个股日内触及涨跌停板的时点，按月统计涨跌停股票数量（下文如无特别说明，统计区间均为20140130-20240229），历史各月涨跌停股票数量差异较大，平均每月近1000只个股触及涨跌停，且多数月份涨跌停 个股数超过500只。 图2：多数月份超500只个股触及涨跌停 涨跌停（去重） 涨停 跌停 4000 3500 3000 2500 2000 1500 1000 500 20140130 20140530 20140930 20150130 20150529 20150930 20160129 20160531 20160930 20170126 20170531 20170929 20180131 20180531 20180928 20190131 20190531 20190930 20200123 20200529 20200930 20210129 20210531 20210930 20220128 20220531 20220930 20230131 20230531 20230928 20240131 0 数据来源：Wind、开源证券研究所 我们以统计区间内全部涨（跌）停样本量为分母，计算日内各时点的涨（跌）停在板样本占比。开盘9:31涨停在板样本占比15%，跌停在板样本占比16%；上午11:30涨停在板样本占比46%，跌停在板样本占比29%；收盘15:00涨停在板样本占比73%，跌停在板样本占比66%，说明日内触及涨停板但收盘破板的样本占27%，日内触及跌停板但收盘破板的样本占34%。 另外，分钟涨（跌）停在板样本占比的边际变化，一定程度反映了当前时点刚刚触及涨（跌）停板的样本占比情况。从边际变化来看，日内刚刚触及涨停板时点分布相对均匀，而刚刚触及跌停板时点较多分布于尾盘阶段。 图3：日内涨跌停样本占比 80% 跌停涨停 70% 60% 50% 40% 30% 20% 10% 9:31 9:39 9:47 9:55 10:03 10:11 10:19 10:27 10:35 10:43 10:51 10:59 11:07 11:15 11:23 13:01 13:09 13:17 13:25 13:33 13:41 13:49 13:57 14:05 14:13 14:21 14:29 14:37 14:45 14:53 0% 数据来源：Wind、开源证券研究所 逻辑上，日内交易活跃阶段，投资者交易情绪较高，对于市场有较高关注度，涨跌停情绪外溢发生概率相对较高。因此，我们选取过去20个交易日、每日开盘90分钟交易数据构建涨跌停外溢股票关联网络。将前一分钟涨跌停个股的涨跌停方向 与当前分钟跟随个股的涨跌方向相匹配，得到涨跌停个股对跟随个股的关联度，构建涨跌停外溢关联网络。 表1：涨跌停外溢关联网络构建 第1步取个股过去20个交易日1分钟频交易数据，选取每日开盘90分钟数据； 第2步判断股票A日内涨跌停状态，若涨停，赋值1（正向），若跌停，赋值-1（负向），作为股票A在t时刻涨跌停方向𝐿(𝐴,𝑡)；判断股票B日内1分钟涨跌方向，若上涨（含涨停），赋值1（正向），若下跌（含跌停），赋值-1（负向），作为股票B在 第3步 第4步 t时刻涨跌方向𝐷(𝐵,𝑡)； 匹配股票B当前分钟涨跌方向𝐷(𝐵,𝑡)与股票A前1分钟涨跌停方向𝐿(𝐴,𝑡−1)，计算二者同向比例，作为股票A对股票B的关联度𝐾𝐴𝐵； 资料来源：开源证券研究所 通过股票间的关联度指标，我们将当月涨跌停个股与全市场个股相关联，从而构建股票关联网络。如图4所示，在股票关联网络局部示例中，世嘉科技对华脉科技关联度97%，而华脉科技对世嘉科技关联度94%，二者非对称。 图4：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：20240229） 股票的高关联常见于同行业的股票之间，本文通过涨跌停外溢构建股票关联网络，其必要条件之一为“同行业股票间的关联度理应更高”。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5：同行业分类股票关联度稳定超过市场整体关联度图6：行业分类