东吴证券价量相关性与信息分布均匀度因子 (cn_stock_factors_hf_dw_cpv_uid_composite)

# cn_stock_factors_hf_dw_cpv_uid_composite ## 文献来源 - **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**: 高子剑、沈芷琦 - **机构**: 东吴证券 - **时间**: 2020-02-23 - **标题**: 《“波动率选股因子”系列研究（二）：信息分布均匀度，基于高频波动率的选股因子》 - **作者**: 高子剑 - **机构**: 东吴证券 - **时间**: 2020-09-01 两篇研报都从日内分钟序列的统计结构出发构造选股因子：前者用分钟收盘价与分钟成交量的日度相关系数，取 20 日的均值、标准差与趋势三个维度，逐层剔除传统反转因子后合成最终的 CPV 因子；后者用日内分钟涨跌幅的标准差（日度高频波动率），取 20 日的变异系数作为「信息分布均匀度」UID 因子，再剔除传统波动率因子。 本表输出这两篇研报中**由子因子进一步合成或正交化得到的因子**，共 8 个：CPV 家族的综合因子、剔除反转版、原文口径趋势因子、最终 CPV 与纯净 CPV；UID 家族的剔除波动率版、纯净 UID，以及作为对照基准的传统波动率因子。两篇研报的日频中间量（日价量相关系数、日内高频波动率）都只需扫描一次 `cn_stock_bar1m_c` 的日内分钟序列，故合并为一张表。 > 本表与 `cn_stock_factors_hf_dw_intraday_pv` 同源但不重复：那张表的来源是东吴金工分钟因子研报**汇总**，输出的是各篇的子因子（`pv_corr_avg`、`pv_corr_std`、`pv_corr_trend`、`vol_daily`、`uid` 等）；本表来源是上述两篇**研报原文**，只输出汇总中缺失的合成与正交化因子，字段名不与那张表重叠。其中 `pv_corr_trend_full` 与那张表的 `pv_corr_trend` 是同一个回归斜率的两种中性化口径，详见该因子的项目实现说明。 ## 表结构 - **表名**: `cn_stock_factors_hf_dw_cpv_uid_composite` - **主键**: `date` + `instrument` - **记录粒度**: 每个交易日每只股票一条记录 | 字段 | 类型 | 可空 | 含义 | | ---- | ---- | ---- | ---- | | `date` | `PlDatetime` | 否 | 交易日期 | | `instrument` | `PlString` | 否 | 股票代码 | | `pv_corr` | `PlFloat64` | 是 | 价量相关性综合因子 PV_corr，20 日价量相关系数的均值因子与波动性因子分别截面标准化后等权相加；值越小未来收益越高 | | `pv_corr_deret20` | `PlFloat64` | 是 | 剔除反转后的价量相关性综合因子 PV_corr_deRet20，两个子因子各自先剔除 20 日反转因子、再分别标准化后等权相加；值越小未来收益越高 | | `pv_corr_trend_full` | `PlFloat64` | 是 | 价量相关性趋势因子 PV_corr_trend，20 个日度相关系数对时间序号回归的斜率，截面上剔除市值与 20 日反转、换手率、波动率三个传统价量因子后的残差；值越小未来收益越高 | | `cpv` | `PlFloat64` | 是 | CPV 因子，`pv_corr_deret20` 与 `pv_corr_trend_full` 分别截面标准化后等权相加，涵盖价量相关性均值、波动、趋势三个维度；值越小未来收益越高 | | `cpv_pure` | `PlFloat64` | 是 | 纯净 CPV 因子，`cpv` 对十个常见风格因子与申万一级行业哑变量回归后的残差 | | `vol20_neutral` | `PlFloat64` | 是 | 传统波动率因子 VOL20，过去 20 个有效交易日日收益率的样本标准差，经市值中性化；研报用作 UID 的对照基准，值越小未来收益越高 | | `uid_devol20` | `PlFloat64` | 是 | 剔除传统波动率后的信息分布均匀度 UID_deVOL20，UID 因子对 `vol20_neutral` 正交化后的残差；值越小未来收益越高 | | `uid_pure` | `PlFloat64` | 是 | 纯净 UID 因子，UID 因子对十个常见风格因子与申万一级行业哑变量回归后的残差 | ## 依赖数据 | 依赖表 | 频率 | 用到的字段 | 用途 | | ---- | ---- | ---- | ---- | | `cn_stock_bar1m_c` | 1 分钟 | `date`、`instrument`、`close`、`volume` | 分钟收盘价与分钟成交量算当日价量相关系数；分钟收盘价相邻相除得到分钟涨跌幅，其样本标准差为当日高频波动率 | | `cn_stock_prefactors` | 日频 | `date`、`instrument`、`change_ratio`、`turn`、`total_market_cap`、`sw2021_level1`、`beta_000300SH_22`、`pb`、`pe_ttm`、`debt_to_asset_lf`、`total_operating_revenue_ttm`、`daily_return` | `change_ratio` 累乘得 20 日反转因子 Ret20、取样本标准差得传统波动率因子 VOL20；`turn` 取 20 日均值得换手率因子 Turn20，三者是趋势因子的回归自变量；`total_market_cap` 取对数做市值中性化；其余字段构造 `cpv_pure` 与 `uid_pure` 回归用的十个风格因子与申万一级行业哑变量 | 分钟表按 `CAST(date AS TIME) >= '09:31:00'` 过滤，剔除开盘集合竞价 bar、保留 15:00 收盘集合竞价 bar，当日恰为 240 根连续竞价分钟（已实测 `min(bars) = max(bars) = 240`）。因子窗口为 20 个有效交易日，为覆盖停牌实际回溯 40 个交易日的分钟数据；`cpv_pure` / `uid_pure` 的风格因子含 250 个交易日同比的营收增速项与 22 日贝塔，故 `cn_stock_prefactors` 单独回溯 300 个交易日。 ## 因子列表 ### pv_corr **中文名**: 价量相关性综合因子 **描述**: 研报把日价量相关系数的 20 日**均值**与 20 日**标准差**视为两个互补维度：均值因子 PV_corr_avg 刻画过去一段时间价量配合（正相关，对应反转）还是价量背离（负相关，对应动量）；波动性因子 PV_corr_std 刻画价量关系是否稳定——价量关系维持一种稳定形态的股票被归为未来多头，在多种形态间频繁转换的被归为空头。研报指出两个子因子的平均月度相关系数仅约 0.15，故简单等权合成。合成后月度 RankIC 均值 $-0.081$、年化 RankICIR $-3.69$，5 分组多空对冲年化收益 19.62%、信息比率 2.42、月度胜率 83.10%、最大回撤 9.50%，明显优于传统反转因子（信息比率 1.04）。 **构建逻辑**: 每月月底回溯每只股票过去 20 个交易日，每日计算该股票分钟收盘价与分钟成交量的相关系数。取 20 日相关系数的平均值并做横截面市值中性化，得到均值因子 PV_corr_avg；取 20 日相关系数的标准差并同样做市值中性化，得到波动性因子 PV_corr_std。再把两者分别横截面标准化后等权线性相加： ```math \text{PV\_corr} = \frac{\text{PV\_corr\_avg} - \text{mean}(\text{PV\_corr\_avg})}{\text{std}(\text{PV\_corr\_avg})} + \frac{\text{PV\_corr\_std} - \text{mean}(\text{PV\_corr\_std})}{\text{std}(\text{PV\_corr\_std})} ``` **项目实现说明**: - 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算 - 240 根分钟 bar 的口径：按 `CAST(date AS TIME) >= '09:31:00'` 剔除开盘集合竞价 bar（沪深记在 09:25、北交所记在 09:30），保留 15:00 收盘集合竞价 bar - 相关系数取 Pearson 相关。当日分钟收盘价或分钟成交量为常数（无成交、一字板）时 DuckDB 的 `CORR` 返回 NaN 而非 NULL，本项目显式转为 NULL，避免 NaN 传播污染后续 20 日滚动统计 - 两个子因子 PV_corr_avg / PV_corr_std 是中间量，字段名已被 `cn_stock_factors_hf_dw_intraday_pv` 占用，本表不重复输出 - 市值中性化实现为：先对子因子做截面 MAD 5 倍去极值与 z-score，再对 $\log(\text{total\_market\_cap})$ 回归取残差 **文献出处**: 作者：高子剑、沈芷琦；时间：2020-02-23；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》；机构：东吴证券 ### pv_corr_deret20 **中文名**: 剔除反转后的价量相关性综合因子 **描述**: 研报指出价量相关性因子可以看作对传统反转因子的一种修正，因此两者选股信息必然重叠——综合因子 PV_corr 与反转因子的平均月度相关系数约 0.16。进一步精炼信息后，新因子月度 IC 均值 $-0.054$、RankIC 均值 $-0.076$、年化 ICIR $-3.28$、年化 RankICIR $-4.17$；相比传统反转因子在维持年化收益不变（19.50% 对 18.74%）的情况下大幅提高稳定性，信息比率 2.86、月度胜率 84.51%、最大回撤仅 3.67%。 **构建逻辑**: 先把两个子因子 PV_corr_avg 和 PV_corr_std 分别剔除反转因子（对 20 日收益率因子 Ret20 回归取残差），再各自横截面标准化，等权线性相加。 **项目实现说明**: - 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算 - 反转因子 Ret20 取过去 20 个有效交易日涨跌幅的累乘收益，与研报「20 日收益率因子」一致 **文献出处**: 作者：高子剑、沈芷琦；时间：2020-02-23；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》；机构：东吴证券 ### pv_corr_trend_full **中文名**: 价量相关性趋势因子 **描述**: 研报在均值与波动两个维度之外，发现价量相关性的**变化趋势**还能带来增量信息。因子值越小，即价量相关系数随时间推移变小的股票，未来收益倾向于越高，这与均值因子的逻辑相呼应。研报回测月度 IC 均值 $-0.042$、RankIC 均值 $-0.057$、年化 ICIR $-3.45$、年化 RankICIR $-3.97$；5 分组多空对冲年化收益 14.55%、信息比率 2.83、月度胜率 85.92%、最大回撤 2.45%。研报注明整体分组不严格单调（分组 2 优于分组 1），但多空对冲在 2019 年明显优于 `pv_corr_deret20`。 **构建逻辑**: 每月月底仍回溯过去 20 个交易日的日度价量相关系数 $\rho_t$，把 20 个 $\rho_t$ 对时间 $t$ 回归，取回归系数 $\beta$： ```math \rho_t = \beta \cdot t + \varepsilon_t, \quad t = 1, 2, 3, \ldots, 20 ``` 再把所有股票的回归系数 $\beta$ 在横截面上剔除市值与传统价量类因子（20 日反转、20 日换手率、20 日波动率因子），得到的结果即为趋势因子。 **项目实现说明**: - 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算 - 字段名加 `_full` 后缀以区别于 `cn_stock_factors_hf_dw_intraday_pv` 的 `pv_corr_trend`：那张表来自研报汇总，只对 $\beta$ 做了市值中性化；本字段按研报原文同时剔除市值与 20 日反转、换手率、波动率四项，是四元截面回归的残差 - 四个自变量分别取 $\log(\text{total\_market\_cap})$、Ret20（20 日涨跌幅累乘）、Turn20（20 日平均换手率）、VOL20（20 日日收益率样本标准差），回归前逐列做截面 MAD 5 倍去极值与 z-score **文献出处**: 作者：高子剑、沈芷琦；时间：2020-02-23；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》；机构：东吴证券 ### cpv **中文名**: CPV 因子 **描述**: 研报的最终因子（Correlation of Price and Volume），涵盖价量相关性 3 个维度的综合信息。研报检验趋势因子在剔除 `pv_corr_deret20` 后仍具有一定选股能力，故把趋势因子的增量信息叠加其上。回测月度 IC 均值 $-0.053$、RankIC 均值 $-0.073$、年化 ICIR $-3.77$、年化 RankICIR $-4.53$；5 分组多空对冲年化收益 19.29%、信息比率 3.03、月度胜率 87.32%、最大回撤仅 2.90%。 **构建逻辑**: 把 `pv_corr_deret20` 与趋势因子分别横截面标准化后等权相加： ```math \text{CPV} = \frac{\text{PV\_corr\_deRet20} - \text{mean}(\text{PV\_corr\_deRet20})}{\text{std}(\text{PV\_corr\_deRet20})} + \frac{\text{PV\_corr\_trend} - \text{mean}(\text{PV\_corr\_trend})}{\text{std}(\text{PV\_corr\_trend})} ``` **项目实现说明**: - 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算 **文献出处**: 作者：高子剑、沈芷琦；时间：2020-02-23；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》；机构：东吴证券 ### cpv_pure **中文名**: 纯净 CPV 因子 **描述**: 研报为剔除常用风格与行业的干扰，把 CPV 因子对 Barra 风格因子与申万一级行业虚拟变量回归取残差。研报称纯净 CPV 仍然具备良好的选股能力，其 5 分组多空对冲的信息比率甚至优于原始因子。 **构建逻辑**: 在每个截面上，把 `cpv` 对 10 个风格因子与申万一级行业哑变量做最小二乘回归，取残差。 **项目实现说明**: - 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算 - 风格因子口径：研报使用 Barra 风格因子，本项目无 Barra 因子库，用 `cn_stock_prefactors` 字段构造十个同名代理变量——Beta 取 `beta_000300SH_22`，Size 取 $\log(\text{total\_market\_cap})$，NonLinearSize 取 Size 的三次项，BooktoPrice 取 $1 / \text{pb}$，EarningsYield 取 $1 / \text{pe\_ttm}$，Growth 取营业总收入 TTM 的 250 个交易日同比，Leverage 取 `debt_to_asset_lf`，ResidualVolatility 取日收益率的 22 日标准差，Liquidity 取 $\log$(22 日平均换手率)，Momentum 用 Ret20 替代 - 行业口径：本项目用 `sw2021_level1`（申万 2021 版一级行业，31 个） - 回归前对因子与自变量逐列做截面 MAD 5 倍去极值与 z-score；行业缺失的股票不参与回归，残差置空 **文献出处**: 作者：高子剑、沈芷琦；时间：2020-02-23；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》；机构：东吴证券 ### vol20_neutral **中文名**: 传统波动率因子 VOL20 **描述**: UID 研报用来对照的传统波动率因子。研报指出 UID 因子在 2019 年 8 月以来的表现欠佳，可能是受传统波动率因子拖累（同期传统因子累计多空对冲收益为负），因此才有后续的正交化处理。 **构建逻辑**: 过去 20 日的日收益率标准差，并做市值中性化处理。 **项目实现说明**: - 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算 - 市值中性化实现为：先做截面 MAD 5 倍去极值与 z-score，再对 $\log(\text{total\_market\_cap})$ 回归取残差 **文献出处**: 作者：高子剑；时间：2020-09-01；标题：《“波动率选股因子”系列研究（二）：信息分布均匀度，基于高频波动率的选股因子》；机构：东吴证券 ### uid_devol20 **中文名**: 剔除传统波动率后的信息分布均匀度 **描述**: 研报把 UID 因子对传统波动率因子 VOL20 做正交化得到的新因子。逻辑是：假设某只股票过去 20 个交易日的信息总量一定，若在某几个交易日发生信息冲击（信息流入速度突然加快、流入量突然增大），这几天的高频波动率会明显高于其他交易日，从而使 20 日波动率的标准差变大；因此信息分布越不均匀的股票该指标越大。研报实测 $\text{std}(\text{Vol\_daily})$ 与 $\text{mean}(\text{Vol\_daily})$ 的平均月度相关系数高达 0.66，故需相除做标准化。正交化后月度 IC 均值 $-0.044$、年化 ICIR $-3.43$；全市场 5 分组多空对冲年化收益 17.99%、年化波动 6.42%、信息比率 2.80、月度胜率 81.82%、最大回撤 1.26%，相比 UID 在近期的表现明显提升。 **构建逻辑**: 先逐日用分钟数据计算日内分钟涨跌幅的标准差，记为每日高频波动率 Vol_daily；对每只股票计算过去 20 个 Vol_daily 的标准差与平均值，相除后做市值中性化，得到信息分布均匀度 UID： ```math \text{UID} = \frac{\text{std}(\text{Vol\_daily})}{\text{mean}(\text{Vol\_daily})} ``` 再把 UID 对 VOL20 做正交化处理，取残差。 **项目实现说明**: - 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算 - 日内分钟涨跌幅仅用当日数据，首根 bar 无涨跌幅、自然剔除研报要求剔除的隔夜收益分量 - UID 本身是中间量，字段名已被 `cn_stock_factors_hf_dw_intraday_pv` 的 `uid` 占用，本表不重复输出 - 正交化对象取本表的 `vol20_neutral`（已做市值中性化），与研报「UID 因子对 VOL20 做正交化」一致 **文献出处**: 作者：高子剑；时间：2020-09-01；标题：《“波动率选股因子”系列研究（二）：信息分布均匀度，基于高频波动率的选股因子》；机构：东吴证券 ### uid_pure **中文名**: 纯净 UID 因子 **描述**: 研报把 UID 因子对 Barra 风格因子和 28 个申万一级行业虚拟变量回归取残差。剔除常用风格与行业后，纯净 UID 因子年化 ICIR 仍可达 $-3.17$，全市场 5 分组多空对冲年化收益 12.96%、年化波动 4.97%、信息比率 2.61、月度胜率 75.32%、最大回撤仅 1.22%，且最近 1 年的表现也明显提升。研报给出 UID 与 10 个 Barra 风格因子的相关系数，其中 VOL20 0.2806、BooktoPrice $-0.1968$、Liquidity 0.1350 最高。 **构建逻辑**: 在每个截面上，把 UID 因子对 10 个风格因子与申万一级行业哑变量做最小二乘回归，取残差。 **项目实现说明**: - 计算频率：研报原文为每月月底计算，本项目按项目规范改为每个交易日计算 - 风格因子与行业口径同 `cpv_pure`；研报在相关性表中用 VOL20 替代波动因子，本项目的十个代理变量中 ResidualVolatility 已承担该角色，不额外加入 VOL20 **文献出处**: 作者：高子剑；时间：2020-09-01；标题：《“波动率选股因子”系列研究（二）：信息分布均匀度，基于高频波动率的选股因子》；机构：东吴证券 ## 复现核对 **核对口径**: 2015-03-01 ~ 2020-07-31（CPV 篇回测期为 2014/01/01-2020/01/31、UID 篇为 2014/01/01-2020/07/31，本项目 `cn_stock_bar1m_c` 自 2015-01-05 起才有数据，加上 20 日窗口预热，起点晚约 14 个月）；全市场不做任何股票过滤（两篇研报均剔除 ST、停牌、上市不足 60 个交易日的次新股）；前向收益取次日开盘到 21 个交易日后开盘（**不用收盘口径**：收盘价含当日反转信息，会系统性放大反转类因子的表现）；IC 为 Pearson、RankIC 为 Spearman；研报为月末截面、本项目逐日，故同时给出月末子样本（65 个截面日）与逐日全样本（1324 个截面日）。研报的「年化 ICIR」是月度 ICIR $\times \sqrt{12}$，本项目月末列按同一口径年化。 | 因子 | 本项目（月末 IC） | 研报 IC | 本项目（月末 RankIC） | 研报 RankIC | 本项目（月末年化 RankICIR） | 研报年化 RankICIR | 本项目（逐日 RankIC） | 出处 | | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | | `pv_corr` | -0.0550 | 研报未披露 IC | -0.0779 | -0.081 | -3.41 | -3.69 | -0.0842 | 研报 2.2.3 节 | | `pv_corr_deret20` | -0.0520 | -0.054 | -0.0741 | -0.076 | -3.60 | -4.17 | -0.0778 | 研报 2.2.3 节 | | `pv_corr_trend_full` | -0.0188 | -0.042 | -0.0244 | -0.057 | -1.96 | -3.97 | -0.0252 | 研报 3.1 节 | | `cpv` | -0.0511 | -0.053 | -0.0698 | -0.073 | -4.16 | -4.53 | -0.0722 | 研报 3.2 节 | | `cpv_pure` | -0.0386 | 研报未披露数值 | -0.0478 | 研报未披露 | -5.09 | 研报未披露 | -0.0487 | 研报 4.1 节 | | `vol20_neutral`（对照） | -0.0438 | 研报未披露 IC | -0.0781 | 研报未披露 | -1.71 | 研报未披露 | -0.0871 | UID 篇表 2 | | `uid_devol20` | -0.0428 | -0.044 | -0.0423 | 研报未披露 | -2.74 | 研报未披露（ICIR -3.43） | -0.0421 | UID 篇 3 节末 | | `uid_pure` | -0.0355 | 研报未披露 IC | -0.0352 | 研报未披露 | -3.04 | 研报未披露（ICIR -3.17） | -0.0332 | UID 篇 4.1 节 | 复现质量：CPV 家族的三个主因子全部命中——`pv_corr_deret20` 月度 IC -0.0520 对研报 -0.054、RankIC -0.0741 对 -0.076；最终因子 `cpv` 月度 IC -0.0511 对 -0.053、RankIC -0.0698 对 -0.073，年化 RankICIR -4.16 对 -4.53。UID 家族的 `uid_devol20` 月度 IC -0.0428 对研报 -0.044，误差 0.001 以内。`cpv_pure` 的年化 RankICIR -5.09 强于未纯净化的 `cpv`（-4.16），与研报「纯净 CPV 的信息比率甚至优于原始因子」的描述一致。 **一处明确对不上，标为待确认**：`pv_corr_trend_full` 的强度只有研报的约一半——月度 IC -0.0188 对研报 -0.042，RankIC -0.0244 对 -0.057，年化 RankICIR -1.96 对 -3.97。方向（负）与研报一致，量级差一倍。可能的原因，按可疑程度排列： 1. **四个控制变量的定义未被研报披露**。研报只写「剔除市值、传统价量类因子（20 日反转、20 日换手率、20 日波动率因子）」，没说这三个传统因子各自怎么算（反转是累乘还是均值、波动率是日收益率标准差还是别的、是否各自先做市值中性化）。本项目取 Ret20 = 20 日涨跌幅累乘、Turn20 = 20 日平均换手率、VOL20 = 20 日日收益率样本标准差，四个自变量一次性做四元回归。若研报是逐个顺序剔除、或对自变量另有处理，残差不同 2. **样本区间不同**：本项目缺 2014 全年与 2015 年前两个月，而研报的趋势因子在 2014 年表现最弱（研报表 5：2014 年分组 1 对冲分组 5 的信息比率仅 0.38）。缺掉弱年份本应使本项目更强而非更弱，故这一项解释不了差距方向 3. 趋势因子本身是研报中最弱的一个（研报年化 ICIR -3.45，三个维度里最低），对实现细节最敏感 未为了对上研报去调整控制变量的定义或回归方式。`cpv` 作为 `pv_corr_deret20` 与趋势因子的等权合成，受此影响后仍对上了研报（-0.0511 对 -0.053），说明差距集中在趋势分量本身。 **两点结构性说明**： - `pv_corr` 与 `cn_stock_factors_hf_dw_intraday_pv` 的 `pv_corr_avg` / `pv_corr_std` 是上下游关系而非重复：本表的 `pv_corr` 是那两个子因子标准化后的等权和，子因子本身不在本表输出（字段名已被那张表占用） - 逐日样本的 ICIR 普遍小于月末样本的年化值，这是口径差异不是衰减：逐日列给的是日度 ICIR（未年化），日度 IC 的噪声远大于月度，两列不可直接比较。本表实际输出的是逐日口径，月末列只用于与研报对数 ## 示例数据 按 `date`、`instrument` 排序后的前 5 行与后 5 行，由 `update_docs()` 推送文档时自动填充。 | date | instrument | pv_corr | pv_corr_deret20 | pv_corr_trend_full | cpv | cpv_pure | vol20_neutral | uid_devol20 | uid_pure | |---------------------|------------|-----------|-----------------|--------------------|-----------|-----------|---------------|-------------|-----------| | 2026-10-30 00:00:00 | 000001.SZ | -1.657109 | -1.023867 | -0.115662 | -0.742748 | 0.122693 | -1.176759 | -0.389335 | -0.062289 | | 2026-10-30 00:00:00 | 000002.SZ | 0.327197 | 0.288554 | 0.022883 | 0.199370 | -0.386647 | 0.585302 | 0.059301 | 1.136393 | | 2026-10-30 00:00:00 | 000006.SZ | 0.230641 | 0.059608 | 0.906867 | 0.965810 | 0.763611 | -0.230712 | -0.324328 | 0.179581 | | 2026-10-30 00:00:00 | 000007.SZ | -0.864927 | -1.427291 | -0.990615 | -1.885457 | -1.166802 | -0.097953 | 0.226772 | 0.391681 | | 2026-10-30 00:00:00 | 000008.SZ | -3.687339 | -3.523617 | -0.168755 | -2.321141 | -1.237478 | -1.337859 | -1.086791 | -1.132409 | | 2026-10-30 00:00:00 | 920978.BJ | 0.292195 | 1.067643 | 0.332041 | 0.991208 | 0.229691 | 0.701873 | 0.132231 | -0.280008 | | 2026-10-30 00:00:00 | 920981.BJ | 0.370753 | 0.083404 | -0.558492 | -0.521565 | -0.722144 | 0.436854 | -0.045698 | -0.118210 | | 2026-10-30 00:00:00 | 920982.BJ | 0.015818 | 0.978950 | -0.131024 | 0.462530 | -0.037336 | 1.607557 | -1.307822 | -1.808116 | | 2026-10-30 00:00:00 | 920985.BJ | 0.047807 | 0.298443 | -1.233220 | -1.082011 | -0.293366 | -0.272421 | 0.652918 | 0.682000 | | 2026-10-30 00:00:00 | 920992.BJ | -0.275117 | -0.550132 | -0.126986 | -0.465540 | -0.571030 | -0.090041 | -0.560420 | -0.541321 |