• 采用Jiang and Oomen(2008)及Jiang and Zhu(2017)方法，通过5分钟间隔数据计算跳跃收益，能精确识别日内及隔夜价格跳跃时段。[page::1][page::2][page::3]

• 跳跃在不同指数成分股分布差异明显：国证2000成分股跳跃次数和幅度最高，中证800最低；行业间跳跃次数和幅度差异明显，电子行业跳跃次数较多，银行行业跳跃幅度较小。[page::3][page::4][page::5]

• 跳跃因子（Jump）与动量因子呈类反转现象，负相关于未来收益，IC均值为-6.59%，多头年化收益13.97%；正跳跃因子（PosJump）有效性更强，IC均值-9.50%，多头年化收益提高至17.68%。负跳跃因子（NegJump）与未来收益正相关，表现差异显著。[page::6][page::7]

• 区分日内与隔夜跳跃，日内正跳跃收益因子（OCPosJump）表现优于隔夜跳跃因子，日内正跳跃因子IC均值-9.35%。OCPosJump多头组年化收益达20.64%[page::7][page::8]

• 构建日内正跳跃标准差因子（OCPosJumpStd）和平均日内正跳跃收益因子（OCPosJumpAvg），后者表现优异，IC均值-10.83%，多空组合年化收益高达39.91%[page::8][page::9]

• 将日内正跳跃收益与换手率结合构建的平均换手日内正跳跃收益因子（OCPosJumpTAvg）表现更优，IC均值达到-12.37%，10组分组年化收益严格单调，多头年化收益25.53%，夏普1.11，多空组合年化收益43.47%，卡玛3.79。[page::10]

• 周频维度测试显示，OCPosJumpAvg与OCPosJumpTAvg因子稳定性更好，IC均值分别为-7.63%和-8.36%，多空组合年化收益分别高达86.56%及93.68%。[page::10][page::11]

• 因子相关性分析显示，构建的跳跃因子与最大日收益、异常换手率以及动量因子均有一定正相关，剔除相关因子影响后残差因子依然保持较强有效性，证明其独立显著预测能力。[page::11][page::12]

- 跳跃因子在不同股票池均表现优异，IC显著，且因子有效性和股票池平均规模负相关。以OCPosJumpTAvg为例，不同股票池多头组合年化收益分别为11.53%、17.31%、24.48%，多头超额收益分别为7.90%、14.80%、18.49%。[page::12][page::13][page::14][page::15][page::16]

【招商定量 深度报告巡礼之七】如何识别股价跳跃？——详尽解析报告

---

一、元数据与报告概览

• 标题：《如何识别股价跳跃？》

- 作者团队：招商定量任瞳团队

• 发布时间：2024年9月2日

- 发布机构：招商证券

• 主题：利用分钟级数据识别A股市场股价跳跃，构建跳跃收益因子，分析跳跃因子表现及改进，探讨股价跳跃对未来收益影响及其与换手率的关系。

报告围绕股票价格的“跳跃”现象，基于Jiang and Zhu (2017)方法，通过高频（5分钟）数据，系统识别日内及隔夜股价跳跃，并进一步细分跳跃方向（正、负）及时段（日内、隔夜）。核心结论显示，跳跃因子具有显著反转效应，尤其是结合换手率构造的因子表现出更强的预测能力和投资价值，具备较好的实证有效性与策略应用潜力。[page::0]

---

二、逐节深度解读

2.1 引言与背景

股价跳跃被视为信息冲击的直接体现，Fama (1991)的理论指出，短期股价剧烈波动主要由意外信息引发。文中引述学者如Jiang and Zhu (2017)在美股市场的研究发现投资者对短期跳跃反应不足；而A股市场因散户占比较大，投资者对信息过度反应，使得跳跃收益与反转效应紧密相关，反转效应更为明显[page::1]。

进一步，Meng et al. (2024)提出跳跃捕捉到投资者关注的瞬时激增，尤其博彩偏好型投资者短期过度买卖，强化了跳跃收益和未来收益的相关性。报告继承并基于此理论框架开展实证分析。

2.2 跳跃收益的识别与计算方法

核心技术采用Jiang and Oomen (2008)及Jiang and Zhu (2017)提出的跳跃-扩散模型：

• 价格变动模型包含持续部分（扩散）和随机跳跃部分（跳跃），分别由布朗运动及计数过程描述。

- 利用简单收益率与对数收益率差异结合累积方差检测跳跃。

• 构建Jump Statistic（JS）跳跃统计量，基于统计检验（常用5%置信度）判断跳跃存在性。

- 采用替换收益序列中各时段为中位数后计算JS的差值，识别具体跳跃时段。

具体步骤详见图1（决策流程图），此法既可判定日是否有跳跃，也能定位跳跃时段以计算跳跃收益，采用5分钟数据间隔及隔夜收益作为额外时段，覆盖日内外所有跳跃事件。

数学公式和计算流程支撑了方法科学性，保证高度识别准确性，为后续因子构建奠定基础[page::1][page::2][page::3]。

2.3 跳跃在指数与行业中的分布

报告统计2019年以来三个宽基指数（中证800、中证1000、国证2000）月均跳跃次数及跳跃幅度：

• 跳跃次数：小市值股票（国证2000）跳跃次数最多，中证800最少。（图2）

- 跳跃幅度：中证1000与国证2000跳跃幅度相仿，中证800较少。（图3）

从一级中信行业看：

• 跳跃次数方面，电子、医药等行业跳跃活跃，交运、银行、钢铁等行业跳跃较少。（图4）

- 跳跃幅度方面，银行幅度明显较小，其他行业幅度分布均匀。（图5）

此分布体现小市值及成长型行业更易出现信息冲击及价格跳跃，说明跳跃对投资价值识别的重要性。[page::3][page::4][page::5]

2.4 跳跃收益因子构建与效果比较

构建三个基本因子：

• Jump因子：过去20个交易日跳跃收益累积。

- NoJump因子：过去20个交易日非跳跃收益累积。

• MOM因子：同期20日收益累计，用作比较。

回测结果（表2）显示：

• Jump因子负向预测未来收益，与动量因子类似但反转效应更强，IC均值-6.59%，t值6.65，表现显著。

- NoJump因子表现不佳，IC均值0.90%，t值0.63，不显著。

• Jump因子的年化多头收益13.97%，多空组合收益26.46%，但单调性一般，夏普0.59。[page::5][page::6]

进一步，将跳跃细分为正跳跃和负跳跃：

• PosJump：过去20日正跳跃收益累积，IC均值-9.50%，表现更优，提示正跳跃反转效应强。

- NegJump：过去20日负跳跃收益累积，IC均值6.23%，表现与未来收益正相关，反应不足，未来负向趋势加剧。

多头组合收益分别为17.68%（PosJump）和16.27%（NegJump），多空组合均超过30%，提升显著。

细分跳跃方向揭示市场对正向和负向信息的不对称反应，提供更精准的因子设计思路。[page::6][page::7]

2.5 隔夜跳跃与日内跳跃分析

区分隔夜跳跃（收盘至次日开盘）和日内跳跃（开盘至收盘）

• 日内跳跃（OCJump）表现显著负相关未来收益，IC均值-7.57%，t值-7.82。

- 隔夜跳跃表现正相关，IC均值1.15%，但显著性较弱。

• 日内正跳跃（OCPosJump）效果优于整体正跳跃，IC均值-9.35%，t值-7.45。

- 隔夜负跳跃及日内负跳跃效果较弱。

期望专业机构偏向日内活跃交易，隔夜交易受噪声影响较大，划分趋势符合投资者行为学逻辑。[page::7][page::8]

2.6 衍生跳跃因子构建

采用统计特征演化建构：

• 日内正跳跃标准差因子（OCPosJumpStd）：衡量跳跃收益波动性，IC均值-9.88%。

- 平均日内正跳跃收益因子（OCPosJumpAvg）：加权近期日内跳跃收益，半衰期10日，IC均值-10.83%，优于之前因子，表现更稳定，具更强预测力。

因三个日内正跳跃相关因子相关性超过85%，报告重点关注表现最优的OCPosJumpAvg因子进行后续研究。[page::8][page::9]

2.7 融入换手率增强因子

结合换手率构造日内正跳跃与换手率加权均值因子——平均换手日内正跳跃收益因子（OCPosJumpTAvg）：

• 该因子IC均值显著负相关未来收益，达-12.37%，显著度提升。

- 多头年化收益25.53%，夏普比率1.11，多空组合收益43.47%，卡玛比率3.79，策略表现大幅优化。

• 分组收益呈严格单调性，体现换手率反映关注度与跳跃带来的市场反转关联，结构优化明显。

结合换手率显著增强因子信息效率及风险调整后的回报能力。[page::9][page::10]

2.8 周频测算验证

验证跳跃因子在周频上的表现：

• OCPosJumpAvg和OCPosJumpTAvg因子IC均值分别为-7.63%和-8.36%。

- 周频下两因子多头年化收益在17.46%和21.81%之间，多空组合收益极高，均呈单调提升。

• 周频调仓未提升多头组合表现，但空头端收益显著提升，暗示频率调整对策略风控有利。

周频测算补充了策略的时间敏感性视角，兼顾交易频率和信息捕获。[page::10][page::11]

2.9 因子相关性及持久性分析

跳跃因子与其他高收益且关注度相关因子（最大单日收益Max，异常换手率AbTurn，动量MOM）相关性约60%以上，较为显著。

多元回归剔除相关因子影响得到残差因子，IC均值虽有所下降（约减半），但依然保持显著，说明跳跃因子部分独立于传统收益/换手率因子，具一定创新价值和独立信息量。[page::11][page::12]

2.10 不同股票池（中证800、中证1000、国证2000）中的应用

跳跃因子在不同规模及风格股池表现显著：

• Smaller cap市场（国证2000）中表现最优，IC最高至-13.40%，t值超过7。

- 中证800（大盘股）表现较弱但依然显著。

• 多头组合年化收益区间从9.52%（中证800）至18.74%（国证2000）提升，超额收益同样稳步上升。

确认跳跃因子对小市值及成长型股票效果更为显著，符合高波动、高信息不对称的市场特征。[page::12][page::13]

---

三、图表深度解读（精选）

图1：跳跃收益计算步骤

一个流程图，交代如何基于简单和对数收益率计算JS统计量，依次替换收益值并检测跳跃时段，直观展示整个跳跃识别方法。[page::3]

图2-3：宽基指数跳跃次数及幅度

• 图2显示小市值（国证2000）跳跃发生次数最多且波动较大，2020年3月系统性风险时各指数跳跃次数趋同。

- 图3幅度统计显示中证1000与国证2000跳跃幅度较接近，表现出中小盘股的更高价格跳跃幅度。[page::4]

图4-5：行业跳跃次数与幅度

• 图4箱线图展示电子及医药行业跳跃次数领先，钢铁等传统行业相对较低。

- 图5反映银行行业跳跃幅度明显低于其他行业，其他行业幅度均衡。
表明不同产业的信息冲击频率和强度存在差异。[page::4][page::5]

图6-7：Jump因子分组年化收益与多头超额稳定性

• 图6：Jump分组的年化收益不完全单调，后段部分组异常，显示因子单调性有待提升。

- 图7：多头超额收益波动较大，夏普偏低。
反映初版因子尚有优化空间。[page::6]

图8-11：PosJump与NegJump因子表现

• 图8与图10：两因子分组年化收益基本单调，PosJump夏普提升至0.84。

- 图9与图11：多头超额与多空收益稳定性改善，尤其区分方向后，因子表现更加突出。
证明跳跃方向区分带来显著改进。[page::7]

图12-13：日内正跳跃因子OCPosJump分组表现

• 收益明显分组递增，年化收益最高组20.64%。

- 多头收益与多空组合稳定提升，因子具有较好可操作性和预测力。
[page::8]

图14-17：不同日内正跳跃衍生因子表现

• OCPosJumpStd与OCPosJumpAvg表现均优于基础因子。

- 分组年化收益最高组可达到19.52%（OCPosJumpAvg）且多空组合收益显著高达近40%。
反映定权与波动因素纳入增强了因子稳定性与收益表现。[page::9]

图18-19：结合换手率的OCPosJumpT_Avg因子表现

• 图18: 表现出强烈单调性，年化收益最高组达25.53%，收益超额明显。

- 图19: 多头稳步增长，多空组合表现尤为出色，收益曲线平稳稳定。
换手率纳入显著提升了因子的可用性和风险调整后绩效。[page::10]

图20-23：周频跳跃因子表现

• 两个因子在周频的年化收益和IC均显著，多空组合年化收益甚至达到90%以上，卡玛比率提升，策略越发成熟。

- 数据显示周频调仓对空头策略提升效果更明显。

周频测试验证了因子在不同时间框架下的稳健性与拓展性。[page::11]

图24-29：不同股票池因子表现曲线

• 三个主要市值分层指数均展现该因子良好表现，大小市值因子效果递增，图形曲线多头与多空均表现优异。

- 验证了因子跨市场的稳定性和通用性，体现策略的广泛应用潜力。[page::13][page::14][page::15][page::16]








---

四、估值与因子策略分析

本报告核心是因子构建与有效性验证，并未直接涉及估值模型与目标价设定，而是通过因子IC、t值、多头组合年化收益、多空收益、多头夏普、多空卡玛等多维度量化指标评估因子绩效。

• 因子IC（信息系数）主要在-6.59%至-12.37%区间，显著负相关未来收益。

- 多头组收益在10%-25%不等，多空组合表现更佳，最高近43%年化。

• 加权及纳入换手率后表现最优，多频率适用。

- 不同股票池适用性广，小市值表现更为优异。

• 相关性分析剔除混杂因子后仍保持显著性，符合量化策略稳健性要求。

此类跳跃因子在实际策略构建中具备良好信号品质和可交易性，具备潜在实盘应用价值。[page::6]-[page::16]

---

五、风险因素评估

报告末尾强调：

• 结果基于历史数据和模型假设，受政策及市场环境变化影响模型可能失效。

- 数据与结论为投资参考，不构成具体投资建议或收益保证。

• 股票或基金选择与报告内容有关联性，不是确定性推荐。

- 报告延时转发可能导致信息落后，以及相关估值和评级预期会随时调整。

• 订阅者需自行判断投资适当性和风险承担，报告团队承诺清晰准确表达观点，非荐股。[page::0][page::17][page::18]

---

六、批判性视角与细微观察

• 报告虽采用严谨统计模型，但高频跳跃识别高度依赖数据质量，价格异常、交易规则调整可能影响识别准确性。

- 因子表现虽优，但多因子高相关性较强，独立性有限，剔除相关因子后绩效有明显回落，说明跳跃因子存在部分与传统动量或换手因子重叠。

• 单调性问题在某些因子显现，提示优化空间。

- 报告中多以IC和简单回测收益为核心测试，未涉及交易成本、滑点、流动性限制等现实约束，实际落地需进一步调查。

• 报告风险提示部分充分，强调因子投资非无风险，需投资者谨慎使用。

---

七、结论性综合

本报告系统性地介绍了基于分钟级别数据的跳跃识别方法，采用Jiang and Zhu (2017)等文献构建跳跃收益因子，有效捕捉A股市场中信息冲击导致的价格非连续跳跃。核心贡献和结论包括：

• 跳跃-扩散模型及Jump Statistic的方法，不仅识别日跳跃，还精准定位日内跳跃时段，提升跳跃识别精度。

- 跳跃因子具有显著反转特性，尤其正跳跃因子预测未来股票收益负相关，并表现优于传统动量因子。

• 区分隔夜和日内跳跃发现日内跳跃反转效应更明显，隔夜跳跃对收益预测贡献有限，符合市场行为学逻辑。

- 构建的日内正跳跃衍生因子，如标准差、指数加权平均因子，有效性明显提升，增强策略稳定性和收益。

• 将跳跃收益与换手率结合构建因子，提升因子IC负相关系数至12.37%，年化多头收益提升至25.53%，多空组合收益惊人，表现最为亮眼。

- 周频测试验证上述因子时间尺度稳健性，尤其空头端表现更加强势。

• 跳跃因子对小市值市场反应更为敏感，跨股票池具有良好适用性与普遍有效性。

- 因子与传统收益及换手率因子存在较强相关性，剔除共性暴露后仍保持显著，显示跳跃因子含有独特信息。

• 报告方法论严谨，数据丰富，策略表现亮眼，但实际应用需关注交易成本与市场变化风险。

综上，报告提出的跳跃识别与因子构建框架为识别股票价格跃变及短期反转效应提供了强有力工具，结合换手率等流动性指标拓展了因子预测能力，具有重要学术价值和实际应用潜力，值得策略研究与实盘投资进一步检验和优化。[page::0]-[page::17]

---

以上为报告内容的全面细致分析解读，涵盖了报告的所有理论框架、方法细节、核心数据依据、图表解读、因子表现、风险提示及结论总结，为投资和研究提供系统认知。

报告