量价类技术指标因子 (cn_stock_factors_ta_volume_price)

--- title: 量价类技术指标因子（cn_stock_factors_ta_volume_price） source: bigfactorwarehouse / cn_stock / cn_stock_factors_ta_volume_price format: markdown --- # 量价类技术指标因子（cn_stock_factors_ta_volume_price） > 价与量的联动特征：量比 / 成交额变化率 / 换手率放大倍数度量量能相对自身历史的异动，量价相关系数与回归斜率度量价量同步性，OBV / WAD / PVT / WVAD / MFI 从资金流入流出方向累计多空力量，单笔成交额比刻画大单参与度。 > > - **因子数量**：31 个因子 / 31 个数据列 > - **主键**：`date` + `instrument`（按 `cn_stock_instruments` 对齐全市场标的） > - **数据起始**：2010-01-01，日频增量更新 > - **复权口径**：后复权（`cn_stock_bar1d` 全表统一） --- ## 1. 上游依赖（基础数据表） | 上游表 | 用途 | 本表用到的字段 | |---|---|---| | `cn_stock_bar1d` | 后复权日行情，全部因子的计算输入 | `date`, `instrument`, `open`, `high`, `low`, `close`, `volume`, `amount`, `turn`, `deal_number` | | `cn_stock_instruments` | 全市场标的清单，决定本表每日的 `date` / `instrument` 组合 | `date`, `instrument` | > `cn_stock_bar1d` 为分区表，SQL 的 date 过滤由 `dai.query(filters={"date": [...]})` 下推完成。 --- ## 2. 因子清单（31 列） | # | 因子中文名 | 字段名 | 参数 | 因子逻辑 | 所属因子族 | |---|---|---|---|---|---| | 1 | 量比 | `vol_ratio_5` | 5 | 当日成交量 / 5 日均量 | 量比族 | | 2 | 量比 | `vol_ratio_10` | 10 | 当日成交量 / 10 日均量 | 量比族 | | 3 | 量比 | `vol_ratio_20` | 20 | 当日成交量 / 20 日均量 | 量比族 | | 4 | 量价相关系数 | `corr_vol_price_10` | 10 | 收盘价与成交量的 10 日滚动相关性 | 量价相关系数族 | | 5 | 量价相关系数 | `corr_vol_price_20` | 20 | 收盘价与成交量的 20 日滚动相关性 | 量价相关系数族 | | 6 | 量价相关系数 | `corr_vol_price_60` | 60 | 收盘价与成交量的 60 日滚动相关性 | 量价相关系数族 | | 7 | 量价回归斜率 | `regr_slope_10` | 10 | 收盘价对成交量的 10 日回归斜率 | 量价回归斜率族 | | 8 | 量价回归斜率 | `regr_slope_20` | 20 | 收盘价对成交量的 20 日回归斜率 | 量价回归斜率族 | | 9 | 量价回归斜率 | `regr_slope_60` | 60 | 收盘价对成交量的 60 日回归斜率 | 量价回归斜率族 | | 10 | 成交额变化率 | `amt_ratio_5` | 5 | 当日成交额 / 5 日均额 − 1 | 成交额变化率族 | | 11 | 成交额变化率 | `amt_ratio_20` | 20 | 当日成交额 / 20 日均额 − 1 | 成交额变化率族 | | 12 | 成交额变化率 | `amt_ratio_60` | 60 | 当日成交额 / 60 日均额 − 1 | 成交额变化率族 | | 13 | 换手率放大倍数 | `turn_ratio_20` | 20 | 当日换手 / 20 日均换手 | 换手率放大倍数族 | | 14 | 换手率放大倍数 | `turn_ratio_60` | 60 | 当日换手 / 60 日均换手 | 换手率放大倍数族 | | 15 | OBV 能量潮动量 | `obv_mom_10` | 10 | 10 日 OBV 变化量 / 10 日均量 | OBV 能量潮动量族 | | 16 | OBV 能量潮动量 | `obv_mom_20` | 20 | 20 日 OBV 变化量 / 20 日均量 | OBV 能量潮动量族 | | 17 | OBV 能量潮动量 | `obv_mom_60` | 60 | 60 日 OBV 变化量 / 60 日均量 | OBV 能量潮动量族 | | 18 | 单笔成交额比 | `avg_deal_ratio_5` | 5 | 单笔成交额相对 5 日均值 | 单笔成交额比族 | | 19 | 单笔成交额比 | `avg_deal_ratio_20` | 20 | 单笔成交额相对 20 日均值 | 单笔成交额比族 | | 20 | 单笔成交额比 | `avg_deal_ratio_60` | 60 | 单笔成交额相对 60 日均值 | 单笔成交额比族 | | 21 | 威廉变异离散量 | `wvad6` | 6 | 多空强度×成交量再差分 | WVAD / MFI / TAPI 组合 | | 22 | 资金流向指标 | `mfi14` | 14 | 典型价×量的多空资金占比 | WVAD / MFI / TAPI 组合 | | 23 | TAPI 加权指数成交值 | `tapi` | 1 | 成交额 / 收盘价 | WVAD / MFI / TAPI 组合 | | 24 | 平衡成交量 | `obv` | None | 收盘价涨跌方向累计成交量 | OBV 平衡成交量与其均线族 | | 25 | 平衡成交量移动均值 | `maobv_6` | 6 | OBV 的 6 日简单移动均值 | OBV 平衡成交量与其均线族 | | 26 | 平衡成交量移动均值 | `maobv_14` | 14 | OBV 的 14 日简单移动均值 | OBV 平衡成交量与其均线族 | | 27 | 平衡成交量移动均值 | `maobv_20` | 20 | OBV 的 20 日简单移动均值 | OBV 平衡成交量与其均线族 | | 28 | 平衡成交量移动均值 | `maobv_30` | 30 | OBV 的 30 日简单移动均值 | OBV 平衡成交量与其均线族 | | 29 | 平衡成交量移动均值 | `maobv_60` | 60 | OBV 的 60 日简单移动均值 | OBV 平衡成交量与其均线族 | | 30 | 威廉聚散指标 | `wad` | 累计 | 资金流入流出的持续性累计 | WAD 威廉聚散指标 / PVT 量价趋势指标 | | 31 | 量价趋势指标 | `pvt` | 累计 | 涨跌幅×成交量累计 | WAD 威廉聚散指标 / PVT 量价趋势指标 | --- ## 3. 因子族公式与 DAI SQL ### 3.1 量比族 **公式**：量比_N = Volume / MA_N(Volume) **输出列（3）**：`vol_ratio_5`、`vol_ratio_10`、`vol_ratio_20` ```sql SELECT date, instrument, volume / NULLIF(m_avg(volume, 5), 0) AS vol_ratio_5, volume / NULLIF(m_avg(volume, 10), 0) AS vol_ratio_10, volume / NULLIF(m_avg(volume, 20), 0) AS vol_ratio_20 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.2 量价相关系数族 **公式**：Corr_N = CORR_N(Close, Volume) **输出列（3）**：`corr_vol_price_10`、`corr_vol_price_20`、`corr_vol_price_60` ```sql SELECT date, instrument, m_corr(close, volume, 10) AS corr_vol_price_10, m_corr(close, volume, 20) AS corr_vol_price_20, m_corr(close, volume, 60) AS corr_vol_price_60 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.3 量价回归斜率族 **公式**：Slope_N = REGR_SLOPE_N(Close ~ Volume) **输出列（3）**：`regr_slope_10`、`regr_slope_20`、`regr_slope_60` ```sql SELECT date, instrument, m_regr_slope(close, volume, 10) AS regr_slope_10, m_regr_slope(close, volume, 20) AS regr_slope_20, m_regr_slope(close, volume, 60) AS regr_slope_60 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.4 成交额变化率族 **公式**：AmtRatio_N = Amount / MA_N(Amount) − 1 **输出列（3）**：`amt_ratio_5`、`amt_ratio_20`、`amt_ratio_60` ```sql SELECT date, instrument, amount / NULLIF(m_avg(amount, 5), 0) - 1 AS amt_ratio_5, amount / NULLIF(m_avg(amount, 20), 0) - 1 AS amt_ratio_20, amount / NULLIF(m_avg(amount, 60), 0) - 1 AS amt_ratio_60 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.5 换手率放大倍数族 **公式**：TurnRatio_N = Turn / MA_N(Turn) **输出列（2）**：`turn_ratio_20`、`turn_ratio_60` ```sql SELECT date, instrument, turn / NULLIF(m_avg(turn, 20), 0) AS turn_ratio_20, turn / NULLIF(m_avg(turn, 60), 0) AS turn_ratio_60 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.6 OBV 能量潮动量族 **公式**：OBV_Mom_N = (OBV − OBV_N日前) / MA_N(Volume) **输出列（3）**：`obv_mom_10`、`obv_mom_20`、`obv_mom_60` ```sql SELECT date, instrument, (m_ta_obv(close, volume) - m_lag(m_ta_obv(close, volume), 10)) / NULLIF(m_avg(volume, 10), 0) AS obv_mom_10, (m_ta_obv(close, volume) - m_lag(m_ta_obv(close, volume), 20)) / NULLIF(m_avg(volume, 20), 0) AS obv_mom_20, (m_ta_obv(close, volume) - m_lag(m_ta_obv(close, volume), 60)) / NULLIF(m_avg(volume, 60), 0) AS obv_mom_60 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.7 单笔成交额比族 **公式**：AvgDeal_N = (Amount / DealNumber) / MA_N(Amount / DealNumber) **输出列（3）**：`avg_deal_ratio_5`、`avg_deal_ratio_20`、`avg_deal_ratio_60` ```sql SELECT date, instrument, (amount / NULLIF(deal_number, 0)) / NULLIF(m_avg(amount / NULLIF(deal_number, 0), 5), 0) AS avg_deal_ratio_5, (amount / NULLIF(deal_number, 0)) / NULLIF(m_avg(amount / NULLIF(deal_number, 0), 20), 0) AS avg_deal_ratio_20, (amount / NULLIF(deal_number, 0)) / NULLIF(m_avg(amount / NULLIF(deal_number, 0), 60), 0) AS avg_deal_ratio_60 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.8 WVAD / MFI / TAPI 组合 **公式**：WVAD = Δ6(SUM((C−O)/(H−L) × Volume, 6))；MFI = m_ta_mfi(H, L, C, V, 14)；TAPI = Amount / Close **输出列（3）**：`wvad6`、`mfi14`、`tapi` ```sql SELECT date, instrument, m_delta(m_sum((close - open) / NULLIF(high - low, 0) * volume, 6), 6) AS wvad6, m_ta_mfi(high, low, close, volume, 14) AS mfi14, amount / NULLIF(close, 0) AS tapi FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.9 OBV 平衡成交量与其均线族 **公式**：OBV = 累计(IF(C>前C, +V, IF(C<前C, −V, 0)))；MAOBV_N = SMA(OBV, N) **输出列（6）**：`obv`、`maobv_6`、`maobv_14`、`maobv_20`、`maobv_30`、`maobv_60` > 累计型因子族：builder 用固定锚点 `cum_anchor_date` 查询。 ```sql SELECT date, instrument, m_ta_obv(close, volume) AS obv, m_ta_sma(m_ta_obv(close, volume), 6) AS maobv_6, m_ta_sma(m_ta_obv(close, volume), 14) AS maobv_14, m_ta_sma(m_ta_obv(close, volume), 20) AS maobv_20, m_ta_sma(m_ta_obv(close, volume), 30) AS maobv_30, m_ta_sma(m_ta_obv(close, volume), 60) AS maobv_60 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.10 WAD 威廉聚散指标 / PVT 量价趋势指标 **公式**：AD = IF(C>前C, C−MIN(前C, L), IF(C<前C, C−MAX(前C, H), 0))；WAD = 累计(AD)；PVT = 累计((Close/前Close − 1) × Volume) **输出列（2）**：`wad`、`pvt` > 累计型因子族：builder 用固定锚点 `cum_anchor_date` 查询。 ```sql SELECT date, instrument, SUM(CASE WHEN close > m_lag(close, 1) THEN close - least(m_lag(close, 1), low) WHEN close < m_lag(close, 1) THEN close - greatest(m_lag(close, 1), high) ELSE 0 END) OVER (PARTITION BY instrument ORDER BY date) AS wad, SUM((close / NULLIF(m_lag(close, 1), 0) - 1) * volume) OVER (PARTITION BY instrument ORDER BY date) AS pvt FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` --- ## 4. 数据加工说明 ### 4.1 加工链路 ``` cn_stock_bar1d（后复权，WHERE close IS NOT NULL） → 10 组因子族 SQL 并行执行（joblib loky, n_jobs=8） → 按 cn_stock_instruments 左连接对齐全市场标的 → schema 归一化（列序 / 类型 / 缺失值） → dai_write 按 date 的年份分区落库 ``` - 历史构建：`create()`，自 **2010-01-01** 起按 **2 年**一段滚动执行，每段结束后 `gc.collect()` 释放内存。 - 增量构建：`build()`，默认覆盖最近 5 个自然日；落库前跑 `tester.py`，落库后更新前端文档。 ### 4.2 回溯冗余（避免窗口未预热导致的缺失值） 窗口算子只在查询下推后的行集上计算，所以每次计算都会**向前多取一段行情**： | 参数 | 取值 | 说明 | |---|---|---| | `lookback_days` | **300 个自然日**（≈ 200 个交易日） | 本表最长窗口 / 预热需求约 60 个交易日 | 多读一段历史不改变任何输出值（窗口算子只向前看），只是把区间首日的"本可避免的缺失"消掉。 EMA / RSI / ATR / MACD / TRIX 属于 IIR 递推算子，理论上预热期无限长，因此这些表的冗余按 **约 5 倍最长周期**取值，而非刚好等于窗口长度。 ### 4.3 停牌空值行的处理 `cn_stock_bar1d` 在停牌日会保留一行、但 `open/high/low/close/amount` 全为 NULL、`volume` 为 0。 `m_ta_*` 递推类算子只要吃到一个 NULL，之后就永久输出 NULL。因此所有 SQL 统一加 `WHERE close IS NOT NULL`，把停牌行从计算输入中剔除（此时 `m_lag(close, 1)` 指向上一个**交易日**， 符合技术指标的常规口径）。 实测（2024-01 全市场，回溯起点 2021-06）： | 处理方式 | bbands_middle_20 | atr14 | kdj_j_9 | macd_diff_12_26_9 | |---|---|---|---|---| | 不加过滤 | 88.3% | 88.3% | 88.4% | 88.1% | | **加 `WHERE close IS NOT NULL`** | **99.7%** | **99.7%** | **99.7%** | **99.5%** | ### 4.4 累计型因子的锚点 `obv`、`maobv_*`、`wad`、`pvt` 是从序列起点累加的因子，累计起点变了绝对水平就变。为保证历史构建与每日增量构建落库的值一致，这四族固定从 `cum_anchor_date = 2010-01-01` 起算（与本因子库数据起始日一致），而不是跟着增量窗口的回溯起点漂移。 推论：2010 年前上市的股票，其累计值起点为 2010-01-01 而非上市首日；`obv_mom_*` 是 OBV 的差分，锚点在差分中被抵消，所以不受影响、也无需固定锚点。 ### 4.5 标的对齐与覆盖度 落库前以 `cn_stock_instruments` 为基准左连接，因此**每个交易日都是全市场标的的完整行**， 停牌股与上市不足窗口长度的新股在对应因子列上为 NULL。入库校验要求单因子整体覆盖度 ≥ 85% （`tester.py` 关键测试点），单日覆盖度 ≥ 80%（非关键，仅告警）。 ### 4.6 本表实现要点 - **累计型因子的锚点约定**：`obv`、`maobv_*`、`wad`、`pvt` 是从序列起点开始的累计值，其绝对水平依赖累计起点。为保证历史构建与每日增量构建的结果一致，这四族固定从 `cum_anchor_date`（默认 2010-01-01，与本因子库起始日一致）开始累计，而不是从增量窗口的回溯起点开始。2010 年前上市的股票，其累计值起点为 2010-01-01 而非上市首日。 - `obv_mom_*` 是 OBV 的差分再除以均量，锚点在差分中被抵消，因此无需固定锚点。 - `avg_deal_ratio_*` 依赖成交笔数字段。上游表中该字段名为 **`deal_number`**（不是因子文档写的 `deal_num`），本表已修正；停牌或缺笔数的样本经 `NULLIF` 保护后为 NULL。 - `vol_ratio_5` 的口径为日频 5 日均量比，替代了部分上游表用分钟表 7200 分钟窗口近似 5 日的写法。 --- ## 5. 覆盖度实测 实测区间 **2026-09-07 ~ 2026-09-17**（9 个交易日、50052 行，已按 `cn_stock_instruments` 对齐全市场标的）： | 指标 | 数值 | |---|---| | 因子列数 | 31 | | 最低覆盖度 | **93.23%**（avg_deal_ratio_60） | | 中位覆盖度 | 99.50% | | 最高覆盖度 | 99.79% | | 覆盖度 < 85% 的列数 | 0 | | `tester.py` 关键测试点 | ✅ 通过 | 覆盖度最低的三列：`avg_deal_ratio_60`(93.2%)、`avg_deal_ratio_20`(93.5%)、`avg_deal_ratio_5`(93.6%)。缺失主要来自**上市不足窗口长度的新股**与**当日停牌**，逐列明细见 `testdata/coverage_report.md`，数据示例见 `testdata/sample_data.csv`。 --- ## 6. 示例数据 {{sample_data}} --- ## 7. 使用建议 1. **横截面标准化**：本表含绝对量纲列（价位、波幅、成交量等），跨股票比较前建议用 `c_zscore(因子, group=date)` 或 `c_rank(因子, group=date)` 处理，或改用同族的比值型因子。 2. **去极值**：比值类因子分母虽已做 `NULLIF` 保护，但小分母仍会放大尾部，建议按日做分位数截断。 3. **冗余筛选**：同一指标的多参数档位之间相关性很高，建模前建议按 IC / 相关性 / 特征重要性做筛选， 而不是把全部列直接喂给模型。 4. **无未来函数**：全部因子只用当期与历史滚动数据；回测时注意前向收益口径（建议用次日开盘价）， 收盘价口径会系统性高估短周期反转类因子的收益。