• 股票关联网络构建基于隔夜涨跌的余弦相似度，兼顾涨跌方向和幅度协同，将关联度指标分布归一化到0-1之间。同行业股票关联度显著高于全市场水平，且行业分类越细分关联度越高，验证了网络构建的合理性 [page::2][page::3]

• 隔夜价格行为数据统计显示，47.09%的A股样本为隔夜低开，38.48%为隔夜高开，低开占比略高。隔夜高低开后价格普遍在开盘10分钟内回归昨收价，体现市场对隔夜信息反应的快速性 [page::1][page::2]

• TractionOR因子构建流程：

1. 计算过去80个交易日的股票间隔夜收益关联网络；
2. 剔除最低20%关联度的边；
3. 加权计算股票关联股票当月涨跌幅预期收益；
4. 对预期收益做反转、市值、行业中性化，得到因子值。

参数敏感性测试显示，80天回溯，剔除20%关联度为最优参数组，因子RankIC为4.53%，ICIR达2.69，因子有效性强[page::4]。

| 剔除比例 | 回溯期 | 0% | 10% | 20% | 30% | 40% |
|----------|--------|-------|-------|-------|-------|-------|
| | 80 | 1.34% | 4.23% | 4.53% | 4.40% | 4.20% |

• TractionOR因子回测（2014/01/30-2023/11/30）表现稳健，5分组多头年化收益率10.42%，多空组合年化收益11.48%，最大回撤8.27%，月度胜率68.6%。表现偏向小市值股票池，中证1000和国证2000表现优于沪深300[page::5][page::6]

• 因子相关性分析显示，TractionOR因子与传统反转因子及Barra因子相关性极低，且预期收益因子与反转因子有效性呈此消彼长特点，因子具备独立择时和选股能力[page::7]

• 为消除“跳空缺口”对隔夜涨跌的扰动，剔除由向上跳空当日低开和向下跳空当日高开的样本点，提纯隔夜信息主导的涨跌样本，构建TractionORE因子。该因子RankIC均值4.3%，ICIR2.9，5分组多头年化收益11.25%，多空组合年化13.1%，最大回撤6.27%，表现明显优于TractionOR[page::8][page::9]

• TractionORE因子同样偏向小市值股票池表现最佳，沪深300收益相对较弱。因子与Barra因子相关性较低，具备良好独立性[page::10]

• Traction系列中，基金持仓（TractionF）、北向托管券商持仓（TractionNS）、小单资金流（TractionSI）和隔夜价格行为（TractionORE）视角因子间相关性较低，合成Traction_comb因子表现最优，年化收益19.29%，年化IR达3.99，最大回撤仅3.47%，月度胜率高达77%[page::11][page::12]

金融研究报告详尽分析报告

报告标题：《从隔夜价格行为到股票关联网络》
作者/机构：开源证券金融工程首席分析师魏建榕，开源证券金融工程高级分析师王志豪（联系人）
发布日期：2023年12月19日
研究主题：基于隔夜涨跌同步性构建股票关联网络，进一步提出关联网络牵引因子以捕捉个股涨跌传导及反转机会，结合前期资金流维度关联网络研究形成合成因子体系。

---

一、报告概览与核心论点

报告延续开源证券金融工程团队关于股票关联网络的系列研究，重点从隔夜交易价格行为出发，利用隔夜涨跌幅的同步性构建股票间关联度指标，形成一种基于价格形态的股票关联网络。此关联网络基于对隔夜信息的市场反应协同性，辅助构建局域性反转因子——TractionOR及其改进版TractionORE，显示出较传统反转因子更为稳健且有效的多空投资表现。进一步，通过与基金持仓、北向资金持仓及小单资金流构建的关联网络因子合成，收益显著提升，展现了关联网络在挖掘个股补涨机会中的潜力。作者强调该方法不仅拓宽了关联网络的构建维度，也加强了对A股个股间涨跌传导机制的理解。[page::0],[page::1],[page::11]

---

二、逐章节深度解读

1. 股票关联网络研究背景及体系介绍

报告开篇回顾了团队之前基于资金流不同维度（基金持仓、北向券商持仓、小单资金流）构建的关联网络及因子。此次研究创新点在于跳脱资金流维度，从隔夜价格行为出发，通过隔夜涨跌幅的方向与幅度协同性挖掘关联关系。文章提出，隔夜高低开反映市场对隔夜信息（利好或利空）的集中反应，若两股隔夜涨跌高度协同，说明二者受到同类型隔夜信息影响，关联度较高。[page::0],[page::1]

2. 隔夜价格行为及关联度构建

• 隔夜涨跌形态被细分为高开、低开和平开，且进一步区分跳空和非跳空，数据覆盖2014年至2023年。统计显示，A股以隔夜低开占比47.09%为主，高开占比38.48%，平开占比14.43%，跳空比例相对较小。

- 价格回归趋势表明隔夜高低开后，日内价格快速回归昨收价较为普遍，开盘10分钟内回归比例分别为高开57.03%，低开50.65%。说明多数隔夜波动受信息扰动但随后市场快速纠正。

• 协同概念细节阐述隔夜涨跌的方向协同（两股同向涨跌）和幅度协同（涨跌幅大小同步）。

- 数学方法通过两只股票过去一段时间的隔夜涨跌幅计算余弦相似度作为关联度指标，优于传统相关系数更能兼顾方向与幅度的统一，之后标准化至0-1区间。[page::2]

3. 股票关联网络构建与特征验证

• 股票间两两余弦相似度指标构建关联网络，局部以通信行业的长飞光纤为中心节点实例分析，邻近高关联度股票大多行业相关。

- 同行业的股票关联度显著高于全市场平均，且行业分类越细化，关联度越高。数据通过累积统计趋势曲线及柱状图显示了这一稳定特征。

• 未来价格关联性验证显示当月关联度越高，未来1-3个月间股票对日收益的拟合优度（R-squared）越高，说明该关联指标具有较好的预测价关联性和延续性。

- 关联度随时间逐渐衰减，但在1-3个月时间内仍保持较强稳定性，体现股票关联网络的半持久性特征。[page::3]

4. 构建关联网络牵引因子——TractionOR

• 从传统市场反转因子以全市场涨跌幅作为基准不同，TractionOR因子以高关联股票涨跌幅为基准，体现局域反转逻辑。

- 因子构建步骤包括：用过去80交易日隔夜收益构建关联网络，剔除低关联度20%关系，计算关联股票的月度涨跌幅加权平均得到股票预期收益，再做反转市值及行业中性化获得因子值。

• 参数敏感性分析显示80天回溯期和剔除20%低关联边界的参数组合效果较好，因子RankIC均值约4.53%，RankICIR2.69，较稳健有效。

- 回测结果显示，TractionOR因子5组分类多头年化收益10.42%，因子多空组合年化收益11.48%，月度胜率68.6%，最大回撤8.27%。分选股域看，因子对小市值股票池表现更佳，沪深300股票池中收益3.9%，国证2000中13.4%。[page::4],[page::5],[page::6]

5. 提纯隔夜涨跌样本构建TractionORE

• A股普遍存在“缺口回补”现象，即跳空缺口能够在次日或未来几天内回补，缺口次日高低开存在均值回归倾向。

- 报告根据此规律剔除跳空缺口影响样本点，即若昨日跳空向上，当日若低开剔除，反之亦然，意图剔除非隔夜信息主导的涨跌，提升因子纯度。

• 经该样本提纯后构建TractionORE因子，RankIC均值4.3%，RankICIR2.9，分组多头年化收益11.25%，多空组合年化收益13.1%，最大回撤6.27%，月度胜率72%，均优于TractionOR。

- 其表现仍偏向小市值股票池，沪深300表现最弱，其他指数表现较优，2023年2-5月收益较高。

• 因子与Barra传统因子相关性较低，独立性强。[page::7],[page::8],[page::9],[page::10]

6. Traction系列因子合成与综合表现

• 团队此前已基于基金持仓（TractionF）、北向资金持仓（TractionNS）、小单资金流（TractionSI）分别构建关联网络因子。

- TractionORE与其他三个资金流因子序列相关度较低，而资金流因子之间相关性较高。4因子等权合成成Tractioncomb因子。

• Tractioncomb因子RankIC均值5.6%，RankICIR3.6，分组年化收益16.08%，多空组合年化收益19.29%，年化IR3.99，最大回撤3.47%，月度胜率77%，显著优于单因子表现。

- 单因子表现中，TractionSI和TractionNS因子年化收益较高，TractionF与TractionORE因子在样本外部分年份收益出现不同程度回撤，体现合成因子提升了风险分散和表现稳健性。

• 近年来合成因子多空收益大多稳定，2015-2017年收益尤为突出。2023年相对表现有所下降但依旧保持一定优势。[page::11],[page::12]

7. 风险提示与报告结尾

• 报告明示模型基于历史数据进行测试，市场未来可能发生变化，存在模型失效风险。

- 研究团队成员及其背景介绍，权威性较强。

• 报告所属的开源证券为中国证监会批准的中资证券经营机构，具备合法咨询资格。

- 报告定位为开源证券客户专属，包含保密条款，且声明不对信息准确性承担保证责任。[page::12],[page::13]

---

三、重要图表及数据解读

图2（PDF第2页）

• 图示内容：环形图展示A股市场隔夜开盘价格形态的分布，占比分别为高开38.48%（跳空高开7.84%），低开47.09%（跳空低开9.61%），平开14.43%。

- 解读及意义：反映市场隔夜多数调整偏向低开，跳空比例较低说明多数价格变动为盘中调整。此布局为判断市场情绪提供基础，也支持后续筛选样本时考虑低开高开影响。

• 与文本联系：为构建隔夜价格关联网络打下数据基础，明确多样本形态，以便筛选异常跳空数据。[page::2]

图3（PDF第2页）

• 图示内容：折线图显示隔夜高开和低开股票，价格快速回归昨收价的累积占比，开盘10分钟内分别达到57.03%和50.65%。

- 解读及意义：显示多数隔夜开盘形成的价格偏离具有短暂性与修正性，提示隔夜涨跌主要反映对隔夜信息的即时反应，其后价格回归常态。

• 文本联系：验证市场对此隔夜信息的合理反应，为构建关联度提供可信的价格行为假设。[page::2]

图4（PDF第2页）

• 图示内容：散点图示例展示两只股票的隔夜涨跌幅关联，红色点落在第一、第三象限（同向区域）表明方向协同，点距零点远近反映幅度协同度。

- 解读及意义：直观展示了两只股票隔夜涨跌的高度协同可度量，支持用余弦相似度等指标衡量市场信息传递。

• 文本联系：支撑因子计算方法的合理性。[page::2]

图5（PDF第3页）

• 图示内容：长飞光纤为中心与通信行业相关股票的关联度矩阵，相关度多在80%以上。

- 解读及意义：说明同一行业股票更易出现高关联，验证因子基于行业内信息传递的逻辑。

• 文本联系：表明关联度指标符合行业联动效应，合理性高。[page::3]

图6至图9（PDF第3页）

• 内容：图6柱形图显示行业分类细度越高关联度越大；图7折线图显示未来股价关联度与当前关联度正相关且持久；图8分组显示高关联股票未来价格更高度相关；图9关联稳定性显示关联网络具备一定延续性。

- 分析：该系列图表印证关联网络指示的关联度不仅具有统计相关性，而且具有预测能力及时间稳定性，符合关联网络主要假设。

• 推论：有效支持因子设计和后续投资策略构建。[page::3]

表1及图10（PDF第4页）

• 表1详述构建TractionOR因子的步骤，重点是利用关联度加权关联股票的收益作为预期收益，再结合反转及中性化处理。

- 图10是数学公式示意，展示如何计算加权预期收益和获取残差因子。

• 意义：完整阐释了从原始数据到有效因子形态的过程，体现研究的系统性与科学性。[page::4]

图11参数敏感性表（PDF第4页）

• 内容：多组参数下因子RankIC均值的表现，其中80天窗口和剔除20%低关联边为较优配置。

- 解读：因子表现对参数调整有一定容忍度，显示方法稳健。

• 重要性：增强研究置信度与实际可行性。[page::4]

图12-14及表2（PDF第5-6页）

• 回测图与数据：分组收益曲线清晰呈现单调梯度，整体多空组合年化收益11.48%，IR2.47。

- 细分指数表现如中证1000及国证2000表现更优，支持因子更适用于中小盘股。

• 风险指标最大回撤8.27%，波动适中，月度胜率高于近七成。

- 意义：实际应用具有投资价值，因子长期有效且风险可控。[page::5],[page::6]

图18-19及图20-22（PDF第8-9页）

• 跳空缺口回补统计显示缺口后价格回补概率高，且回补形成的高低开具备趋势。

- 基于该现象，剔除非隔夜信息主导涨跌样本，形成TractionORE。

• TractionORE表现更优，年化收益13.1%，月度胜率72%，回撤降低。

- 对比显示纯化样本处理提升了因子信噪比。[page::8],[page::9]

表4及图23-24（PDF第9-10页）

• Risk-adjusted表现仍偏小市值，沪深300表现相对较弱，统计及月度收益进一步验证了该结论。

- 因子与传统Barra因子低相关，表明其发掘新因子空间，有助于构建多因子投资组合。[page::9],[page::10]

表5及相关图（PDF第10页）

• 表5为TractionORE与Barra因子相关系数，整体较低，尤其流动性、杠杆率等负相关均小于10%，体现因子独立性。

- 进一步说明因子具有较好的组合利用价值。[page::10]

图25-28及表6（PDF第11-12页）

• 分析4个Traction单因子及合成因子的IC序列相关性，显示资金流视角因子间相关性较高，而价格行为视角的TractionORE与其他因子相关性低。

- 合成因子表现明显超越单个因子，年化收益率达19.29%，IR3.99，最大回撤仅3.47%。

• 历年表现稳定，增强实操信心。

- 该结果显示多维度关联网络因子合成可最大化发掘市场信息，提升选股效率。[page::11],[page::12]

---

四、估值分析

本报告主要着眼于量化因子构建和验证，并未涉及传统财务指标估值模型（如DCF、P/E等）分析。其“估值”实质为因子金融属性的有效性反映，通过RankIC、IR等统计量评价因子预测能力和稳定性，衡量因子在对应回测期的“价值”。

因子构建中优势参数查验和不同市场域的绩效对比，等同于因子价值的敏感性及适用范围分析。报告中尤其重视因子间相关性及组合效果，这种因子融合形式体现了一种多元信息融合的“软估值”方法。

---

五、风险因素评估

• 历史数据限制：因子测试基于历史样本，有可能未来市场信息结构或投资者行为发生变化，导致模型失效。

- 市场结构变化：A股市场特有的高波动性及制度性特征（如涨跌停制度、交易机制）可能造成因子表现波动，尤其跳空缺口策略的稳定性需持续关注。

• 信息解释风险：隔夜涨跌虽反映隔夜信息，但若因不可预见的市场事件、交易机制变化等因素导致隔夜价格反应失真，关联网络因子准确性或受影响。

- 样本选择偏误：剔除跳空缺口回补样本以提纯隔夜信息，但剔除过严可能带来样本偏差，影响因子泛化能力。

• 策略实施风险：交易成本、市场冲击、资金流动性等因素均可能影响因子策略的实际表现，与报告理论回测存在差异。

- 报告没有给出具体的风险缓解措施，但其构建中对参数稳定性和样本剔除体现了一定的风险控制意识。[page::12]

---

六、批判性分析与细微差别

• 关联网络构建假设：报告假设隔夜涨跌主要由隔夜信息驱动，市场反应高度同步。但在实际市场中，个股消息、流动性差异、交易规则等都可能引入噪声，关联度解释力可能受限。

- 样本剔除与纯化逻辑：剔除跳空缺口样本以提升因子质量具备逻辑但存在主观定性风险，剔除边界界定及其影响未细化讨论。

• 小市值偏好明显：两版因子均偏向小市值股票，反映了因子可能挖掘的是市场中更具波动性、异动表现的细分板块，适合中小盘风格配置，但可能面临小盘股流动性及政策波动风险。

- 收益稳定性：虽然年化收益及IR表现良好，但特定年份如2023年表现下滑，提示因子有效性随市场环境波动。

• 未涉及宏观变量：没有对宏观经济、政策等大背景对因子表现的影响做深入分析。

- 因子合成的提升：合成因子表现优势显著，显示多角度融合优于单一视角，这点既是亮点也提示单因子检验需谨慎。

• 总体而言，报告论述逻辑清晰，实证充分，阐释客观严谨，但读者应关注模型假设的前提限制及市场适用范围。

---

七、结论性综合

报告系统而详尽地介绍了基于隔夜价格行为构建的股票关联网络，并将其应用于开发一种基于局域反转逻辑的因子体系——TractionOR及其进一步纯化版本TractionORE。两者均实证表现稳健，显示较传统全市场反转因子更细致地捕捉了个股涨跌的传导机制。
结合此前基于资金流视角的关联网络因子，研究团队创新提出Traction系列多因子合成策略，显著提升了选股收益和风险控制能力，表现出通过多维度抓住股价牵引力信号的独特优势。
该股票关联网络研究不仅深化了对A股市场中个股涨跌关联性的理解，也为构建更精准的量化策略提供了有力工具。

重要发现包括：

• A股市场隔夜低开占比最高，但价格回归昨收价速度快，说明市场对信息有较高关注度和修正需求。[图2、3][page::2]

- 余弦相似度作为隔夜涨跌的关联度指标兼顾方向和幅度同步性，较相关系数更适合构建股票关联网络。[图4][page::2]

• 同行业股票间关联度显著高于市场整体，且越细分行业对应关联度越高，验证因子逻辑合理。[图5-7][page::3]

- 当月关联度高的股票未来价格关联性和关联度保持较强稳定，关联网络具备延续性。[图8-9][page::3]

• TractionOR因子展现良好单因子择时能力，尤其对中小市值股票池有效性强，回测年化收益11.48%。[图12-14，表2][page::5-6]

- 通过剔除跳空缺口回补样本提纯形成的TractionORE因子进一步提升收益和风险调整指标，表现更稳健，年化收益13.1%，最大回撤降至6.27%。[图18-22，表4][page::8-9]

• TractionORE因子与资金流视角构建的基金、北向、小单资金流关联因子截面及序列相关性均较低，三资金流因素间相关性较高。

- 多因子等权合成Tractioncomb因子实现了稳定且显著的年化收益19.29%和低3.47%最大回撤，显示多维度的协同作用。 [图25-28，表6][page::11-12]

总体结论： 基于隔夜价格行为的关联网络构建拓展了股票关联研究的维度和方法，通过组合资金流及价格行为视角因子，实现了更强的投资表现及风险控制能力，代表了量化多因素策略挖掘市场信息的成功实践。

---

参考标注：

• [page::0],[page::1] 报告基本信息、研究背景和主要方法说明

- [page::2] 隔夜涨跌行为详解，指标构建方法

• [page::3] 股票关联网络具体构建及统计验证

- [page::4],[page::5] TractionOR因子构建步骤及参数敏感性

• [page::5],[page::6] TractionOR因子回测表现

- [page::7],[page::8],[page::9],[page::10] TractionORE因子精炼样本构建与回测分析

• [page::11],[page::12] Traction_comb合成因子研究及表现

- [page::12] 风险提示与报告总结

---

结语

本报告是对A股市场个股间涨跌传导逻辑与行为特征的量化深化，拓展了关联网络的视角及实证应用，且经过充分的历史样本测试验证了因子的有效性和稳健性。结合多因子融合策略，能够支撑量化投资组合构建。其前提假设及小市值偏好特征，建议投资者结合自身需求及市场变化适时调整。整体来看，该研究对于理解A股复杂的股票涨跌互动机制和提升量化选股策略实操能力具有积极价值。

报告