• 技术分析与价量关系经典案例：中公教育分钟图表现为放量上涨、微芯生物表现为放量下跌。价量关系有效区分强弱走势，量价配合助力选股决策[page::3]

• 高频价量相关性因子构建方法：计算过去20个交易日内每日股票分钟收盘价与成交量的相关系数，提炼两个子因子——平均数因子PVcorravg和波动性因子PVcorrstd，分别进行市值中性化处理并线性组合得到综合价量相关因子PVcorr。[page::4]

• 价量相关性子因子绩效指标显著：

| 因子 | 年化收益率 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|-------------|------------|------------|----------|----------|------------|
| PVcorravg | 15.25% | 8.96% | 1.70 | 76.06% | 6.72% |
| PVcorrstd | 14.74% | 7.02% | 2.10 | 76.06% | 7.26% |
综合因子PVcorr年化收益19.62%，信息比率2.42，最大回撤9.50%，月度胜率83.10%[page::5]

• 平均数因子PVcorravg对传统反转因子修正逻辑：引入成交量确认信号，区分放量与缩量上涨或下跌状况，揭示了成交量对月度行情反转与动量作用的调节[page::6]

• 波动性因子PVcorrstd修正逻辑：价格涨跌不论，价量相关系数波动稳定代表趋势持续，波动大代表频繁波动，前者偏向多头，后者偏向空头[page::7]

• 价量相关性综合因子PVcorr整体优于传统反转因子Ret20，年化收益19.62%对比18.74%，最大回撤9.50%对比14.22%，信息比率为2.42对1.04，月度胜率差异明显[page::8]

| 指标 | 传统反转因子 | PVcorr综合因子 |
|--------------|--------------|----------------|
| 年化收益率 | 18.74% | 19.62% |
| 年化波动率 | 18.03% | 8.09% |
| 信息比率 | 1.04 | 2.42 |
| 月度胜率 | 69.01% | 83.10% |
| 最大回撤率 | 14.22% | 9.50% |

• 进一步剔除传统反转因子影响后，构造新因子PVcorrdeRet20，年化收益19.50%，最大回撤3.67%，信息比率提升至2.86，极大提高了因子稳定性[page::9]

| 指标 | 传统反转因子 | 新因子PVcorrdeRet20 |
|--------------|--------------|---------------------|
| 年化收益率 | 18.74% | 19.50% |
| 年化波动率 | 18.03% | 6.83% |
| 信息比率 | 1.04 | 2.86 |
| 月度胜率 | 69.01% | 84.51% |
| 最大回撤率 | 14.22% | 3.67% |

• 趋势因子PVcorrtrend定义为过去20日价量相关系数的时间回归斜率，斜率低的股票未来表现更佳，信息比率达2.83，月度胜率85.92%，提供了选股的增量信息[page::10][page::11]

• 最终综合CPV因子=去除反转因子影响的PVcorrdeRet20加上趋势因子PVcorrtrend，年化收益19.29%，最大回撤2.90%，信息比率3.03，月度胜率87.32%[page::12][page::13]

| 指标 | 传统反转因子 | CPV因子 |
|--------------|--------------|------------------|
| 年化收益率 | 18.74% | 19.29% |
| 年化波动率 | 18.03% | 6.36% |
| 信息比率 | 1.04 | 3.03 |
| 月度胜率 | 69.01% | 87.32% |
| 最大回撤率 | 14.22% | 2.90% |

• 纯净CPV因子剔除Barra因子及行业影响后，信息比率进一步升至3.43，最大回撤极低，仅1.58%，显示因子具备较强超额选股能力[page::14]

• CPV因子参数稳定性好：不同回看窗口（20、40、60日）均表现优异，显著超越传统反转因子，且最大回撤明显更低[page::15]

| 回看日数 | 因子 | 年化收益率 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|----------|----------------|------------|------------|----------|----------|------------|
| 40 | 传统反转因子 | 17.40% | 16.04% | 1.08 | 60.00% | 14.92% |
| 40 | CPV因子 | 19.29% | 7.40% | 2.61 | 84.29% | 5.75% |
| 60 | 传统反转因子 | 16.63% | 15.55% | 1.07 | 60.87% | 15.26% |
| 60 | CPV因子 | 18.59% | 6.97% | 2.67 | 82.61% | 6.85% |

• CPV因子在沪深300和中证500不同样本空间均优于传统反转因子，呈现显著的选股表现改进，波动率与最大回撤显著降低[page::16]

| 标的池 | 因子 | 年化收益率 | 年化波动 | 信息比率 | 月度胜率 | 最大回撤率 |
|---------|-----------------|------------|----------|----------|----------|------------|
| 沪深300 | 传统反转因子 | 7.07% | 23.22% | 0.30 | 52.11% | 41.50% |
| 沪深300 | CPV因子 | 12.11% | 10.15% | 1.19 | 71.83% | 16.00% |
| 中证500 | 传统反转因子 | 7.36% | 17.20% | 0.43 | 56.34% | 19.31% |
| 中证500 | CPV因子 | 15.67% | 8.41% | 1.86 | 74.65% | 5.74% |

• 总结：高频价量相关性挖掘了对传统反转因子的有效修正，利用均值、波动性和趋势三个维度信息构建CPV因子，展现了强大的选股信号，稳健且具备较强抗风险能力，为技术分析方法量化应用探索新途径[page::17]

技术分析拥抱选股因子系列研究（一）详尽解读报告

---

一、元数据与概览

• 报告标题：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

- 作者与机构：东吴证券研究所，高子剑（证券分析师，执业证号：S0600518010001021）及助理沈芷琦

• 发布日期：2020年2月23日

- 主题：本报告聚焦于技术分析中的价量关系，利用高频（分时）交易数据中的价格与成交量的相关性，探索旨在提升选股因子的信息量和效果，提出并验证了一个综合价量相关性的全新选股因子CPV。

• 核心论点及目标：

- 技术分析中的成交量与价格的关系，尤其是高频价量相关性，蕴含重要选股信息。
- 通过构建平均数因子、波动性因子以及趋势因子等多个维度，修正并超越传统反转类因子，实现选股性能的大幅提升。
- 最终因子CPV在回测表现出显著优于传统反转因子（Ret20）的风险调整收益和稳定性，具备良好的实用价值。

• 研究样本与回测期间：

- 样本：剔除ST股、停牌股和上市不足60个交易日的新股的A股全市场。
- 回测期：2014年1月1日至2020年1月31日。

---

二、逐节深度解读

1. 前言

• 报告回顾了技术分析的起源与争论，强调虽然技术分析存在争议，但价量关系在股市中依然有效。

- 以2019年10月16日中公教育（涨3.53%且放量上涨）和微芯生物（跌5.33%且放量下跌）两只股票的分钟线成交量与价格走势为例，验证了价量关系对辨别股票强弱的实用性。

• 以此为出发点，报告尝试将技术分析中的价量思想引入选股因子的构建，展示技术分析对量化选股的潜力。

图1、2展示了两只股票的分钟成交量（左轴）和收盘价（右轴）走势，红框标出“量价确认”阶段，生动阐释“放量上涨”和“放量下跌”的含义及其对应未来走势的互证作用。[page::3]

---

2. 高频价量相关性中的选股信号

2.1 价量相关性因子的构建

• 方法：每月月底回溯过去20个交易日的高频分钟收盘价与成交量，计算每日的价量相关系数。

- 构造三个因子：
1. 平均数因子 PVcorravg：过去20日价量相关系数的平均值，体现整体价量关系水平。
2. 波动性因子 PVcorrstd：过去20日价量相关系数的标准差，衡量价量形态的稳定性。
3. 综合两者经横截面标准化并等权求和形成综合因子PVcorr。

• 回测显示：

- PVcorravg年化收益15.25%，信息比率1.70；
- PVcorrstd年化收益14.74%，信息比率2.10；
- 综合因子PVcorr年化收益19.62%，信息比率2.42，最大回撤仅9.50%，优于单因子。

图3、4、5分别展示三个因子的五分组净值走势及多空对冲净值走势，明显分组收益表现差异，侧面印证因子的稳定选股能力。[page::4,5]

2.2 价量相关性因子的逻辑解析

2.2.1 平均数因子PVcorravg对传统反转的修正

• 传统反转因子基于价格涨跌，假设短期反转表现：

- 过去上涨，未来下跌概率大（空头）；
- 过去下跌，未来上涨概率大（多头）。

• 加入成交量后，更精准区分：

- 放量上涨（价量相关大）：类似“末路英雄”，反转概率高，未来走空头；
- 缩量上涨（价量相关小）：涨势尚未耗尽，有动量效应，继续多头；
- 放量下跌（价量相关小）：市场见底反转信号，多头概率高；
- 缩量下跌（价量相关大）：未见放量见底，行情延续空头。

图6用二维表形象解释四种价量组合对应的未来趋势，阐明成交量在判断未来走势中的调节角色。[page::6]

2.2.2 波动性因子PVcorrstd对传统反转的修正

• 衡量价量关系日内稳定性：

- 稳定的缩量上涨或放量下跌形态，确认多头信号（与PVcorravg一致）。
- 放量上涨稳定（连续放量）反而被定义为“绝顶高手”，仍延续上涨而非反转。
- 缩量下跌稳定，则仍保持空头预期。

• 该因子强调持续性价量形态的意义，反转判断不再单纯依赖价格方向。

图7详细说明波动性因子对传统反转因子的调节逻辑。

2.2.3 小结与信息提炼

• 价量相关性的平均数因子和波动性因子实为对传统反转因子的修正，综合形成价格与成交量动态确证的更精细因子PVcorr。

- 回测2020近期显示，PVcorr相比传统因子信息比率翻倍，且胜率和最大回撤表现显著优异，但部分时间区间表现不如传统因子。

• PVcorr与传统反转因子的相关度仅0.16，表明其包含了增量选股信息。

图8、9及表1、2数据扎实证明上述分析的有效性。[page::7,8]

---

2.3 提炼剔除信息重叠后的新因子PVcorrdeRet20

• 将平均数因子和波动性因子分别剔除传统反转因子成分后，再等权合成，形成PVcorrdeRet20。

- 回测期内，保持年化收益率约19.5%，最大回撤从9.5%大幅降低至3.67%，信息比率提升至2.86，月度胜率达到84.51%。

• 依然在2019年表现受限，这是因为2019年传统反转强势，价格反转信号明显，降低了对价量相关性改进的需求。

图10与表3、4详细展示了增稳定性的回测结果和年度表现明细。[page::9,10]

---

3. 进一步探索：趋势因子的增量信息

3.1 价量相关性的趋势因子PVcorrtrend

• 利用过去20个交易日的每日价量相关系数，做时间回归拟合，提取趋势系数β。

- 该β衡量价量相关性随时间是上升还是下降，β越小，表明价量相关性变小，未来股票表现越好。

• 剔除市值、传统价量类风格因子后的横截面标准化结果更纯净。

- 该因子回测年化收益14.55%，信息比率2.83，胜率85.92%，最大回撤2.45%，表现稳健且补充PVcorrdeRet20不足。

图11及表5直观展现了趋势因子在各分组回测净值及年度细化表现。[page::11]

3.2 CPV最终价量相关性因子构建

• CPV因子定义为PVcorrdeRet20与趋势因子PVcorrtrend的组合，囊括价量相关性的平均水平、波动性及趋势三个维度。

- 公式标准化表达如图12所示。

• CPV回测年化收益19.29%，信息比率3.03，胜率87.32%，最大回撤仅2.90%，全面优于传统反转因子。

- 即使在传统反转因子2020年1月大幅回撤时，CPV表现仍然正向，显示强韧性。

图12-14及表6、7详细说明了综合因子CPV的组成逻辑及优异表现。[page::12,13]

---

4. 其他重要讨论

4.1 纯净CPV因子的选股能力

• 通过与Barra模型中的主要风格因子（包括动量、波动率、换手率等）检验，CPV相关性很低，属于较为独立的选股因子。

- 对CPV进行风格和行业虚拟变量回归剔除，获得纯净CPV。

• 纯净CPV因子信息比率提高至3.43，月度胜率稳定在87.32%，最大回撤降至仅1.58%，尤其2019年表现明显提升。

- 说明CPV选股能力并非仅受控于传统已知因子具有独立选股价值。

图15与表8、9反映纯净CPV的卓越选股效果及与风格的低相关性。[page::14]

4.2 CPV参数敏感性分析

• 改变回看窗口至40、60个交易日测试，CPV仍旧优于传统反转因子，显示了较强的参数稳健性。

- 回看时间越长，CPV信息比率依然远超传统反转因子，月度胜率分别达84.29%、82.61%，最大回撤显著下降至5.75%和6.85%。

图16、17与表10清晰呈现参数变动对CPV表现的影响，稳健且优异。[page::15]

4.3 其他样本空间应用

• CPV因子在沪深300和中证500样本空间中均表现出较大的优越性。

- 与传统反转因子相比：
- 沪深300多空对冲年化收益由7.07%提升至12.11%，信息比率由0.30提升至1.19；
- 中证500多空对冲年化收益由7.36%提升至15.67%，信息比率由0.43提升至1.86；

• 同时，CPV因子显著降低了波动率和最大回撤风险，胜率也明显提升。

图18、19与表11展现了CPV因子在不同市值段的广泛应用价值，适用性强。[page::16]

---

5. 总结

• 本报告系统挖掘了基于高频价量相关系数的选股因子信息，提出了平均数因子、波动性因子及趋势因子，科学修正和超越传统反转因子。

- 综合三维度，构建了最终CPV价量相关性因子，回测数据体现出优异的风险调整收益、稳定性和抗回撤能力。

• 纯净CPV因子在剔除已知风格和行业影响后依然表现强劲，体现选股独立性。

- 参数调整和不同样本空间的实证均证明CPV因子的可靠性和通用性。

• CPV为技术分析价量关系向量化转化的成功典范，蕴藏丰富且可靠的选股信息，值得投资者深入应用及跟踪。

- 报告也提醒投资者因子收益基于历史数据，未来不可直接保证，投资需结合风险管理。

---

6. 风险提示

• 所有统计分析均基于历史数据，未来市场环境或技术指标有效性可能发生重大变化。

- 单一因子可能存在表现波动，实际策略应辅以资金管理和风险控制措施。

---

三、图表深度解读

| 图表编号 | 内容简述 | 主要发现及意义 |
|--|--|--|
| 图1、2 | 2019年10月16日 中公教育和微芯生物分钟价量走势图 | 销量放大对应上涨（中公教育强势），放量对应下跌（微芯生物弱势），体现价量关系辨别强弱股能力。[page::3] |
| 图3、4 | PVcorravg、PVcorrstd 因子五分组多空对冲净值走势 | 两子因子均展现显著分组差异，表现稳定，预示选股有效性。[page::4] |
| 表1 | 年化收益率、波动率、信息比率等多空对冲指标 | 两子因子信息比率均较好，组合效果更佳，收益风险控制均衡。[page::5] |
| 图5 | 综合因子PVcorr五分组净值 | 综合指标提升了收益和稳定性，侧面佐证因子有效整合信息。[page::5] |
| 图6 | PVcorravg对传统反转的修正示意图 | 通过成交量把反转因子细分成四象限，提升预测准确性。[page::6] |
| 图7 | PVcorrstd对传统反转修正示意 | 安定的价量状态推动未来上涨，波动性大则风险更高。[page::7] |
| 图8 | 价量相关性因子的逻辑总结图 | 三子因子构建传统反转修正逻辑框架，方便理解和应用。[page::7] |
| 图9 | PVcorr与传统反转因子多空对冲净值 | PVcorr整体稳健表现优于传统因子，波动和回撤均更低。[page::8] |
| 表2 | 两因子多空对冲主要绩效指标对比 | PVcorr因子年化收益略高，信息比率翻倍，回撤降低。[page::8] |
| 图10 | PVcorrdeRet20五分组净值 | 新因子剔除传统因子影响后更稳定，波动率与回撤显著降低。[page::9] |
| 表3、4 | 新因子与传统因子比较及年度表现细节 | 新因子各年度绩效稳健，尤其非2019表现大幅提升。[page::9,10] |
| 图11 | 趋势因子PVcorrtrend五分组净值 | 趋势因子确认价量相关性时间序列变化趋势的重要性。[page::11] |
| 表5 | 趋势因子各年度表现 | 稳健且增补反转及平均因子信息，尤其回撤极低。[page::11] |
| 图12 | CPV因子结构图 | 直观展示因子构成，方便理解最终选股因子整合逻辑。[page::12] |
| 图13、14 | CPV因子及与传统反转因子净值对比 | 全面优于传统反转，提高清晰度和稳定性。[page::12,13] |
| 表6、7 | CPV因子与传统反转及年度表现 | CPV信息比率近3，回撤仅2.9%，表现优异稳健。[page::13] |
| 表8 | CPV与Barra风格因子相关性 | 相关度低，独立性好，排除风格影响提高纯净信号价值。[page::14] |
| 图15 | 纯净CPV五分组净值 | 纯净CPV更强选股能力，回撤进一步降低。[page::14] |
| 表9 | 纯净CPV年度表现 | 反映纯净因子对不同年份的选股贡献及稳定性。[page::14] |
| 图16、17 | CPV与传统反转因子净值（回看40、60日） | CPV参数稳健，回测效果持续优异。[page::15] |
| 表10 | 回看40、60日CPV与传统反转绩效对比 | CPV收益稳定性大幅优于传统反转因子。[page::15] |
| 图18、19 | 沪深300、中证500成分股CPV因子净值 | 表明不同样本空间CPV均表现优异，具有广泛应用价值。[page::16] |
| 表11 | 两样本空间多空对冲绩效指标 | CPV因子在各样本均显著优于传统因子，包括收益及风险指标。[page::16] |

---

四、估值分析

报告未涉及传统估值模型或具体个股估值，重点为量化选股因子构建及回测，侧重统计指标与因子表现评估。因子表现用信息系数（IC）、IC信息比率（ICIR）、多空对冲年化收益、波动率、最大回撤、月度胜率等多维风险调整绩效指标评价。

---

五、风险因素评估

• 历史数据基础性风险：因子分析基于2014-2020年历史市场数据，市场环境变化可能导致未来表现差异。

- 单因子波动性及表现稳定性风险：因子月度表现存在波动，部分时间区间（如2015年中及2019年部分月份）表现不佳。

• 量价关系有效性的市场依赖风险：价量相关性信息在不同市场状态或波动性极端时期可能失效。

- 实际应用风险：因子仅为选股信号，需结合资金管理、风险控制等多策略综合应用。

报告明确提示上述风险，提醒用户谨慎使用。[page::0,17]

---

六、批判性视角与细微差别

• 优势：

- 系统的多维价量相关性选股因子设计，兼顾历史统计表现与逻辑解释。
- 丰富的回测数据涵盖多个样本和参数，体现因子稳健性高。
- 通过剔除风格与行业影响提纯因子，展示了其独立选股价值。

• 潜在不足：

- 部分年份因子表现不及传统反转，特别是2019年，反转效应强烈使价量因子失效，此点报告有诚实披露，但表明该因子非绝对稳定。
- 回测期依赖于A股市场，尚未呈现国际市场或极端行情下表现，适用范围需进一步验证。
- 未讨论交易成本和市场冲击，这在高频因子策略落地中通常必需关注。
- 报告并未展开详细的收益来源分析（如行业配置效应分解），可能影响策略解释力。

• 表述中留意：

- 信息比率和胜率等统计指标均偏向于正面，正视这些指标偏向历史表现数据。
- 报告中表达较为谨慎，对存在的时间段表现不足点明确提醒。

---

七、结论性综合

本报告基于技术分析中的价量关系，以高频分钟数据为核心，构建了测量价格与成交量相关性的平均数因子、波动性因子及趋势因子。通过细致逻辑分析，这三个因子对传统的价格反转因子进行了有价值的修正，揭示成交量信息在股价运动反转和延续中的关键作用。

经严密的实证回测，综合因子CPV包含三维度价量相关信息，显著提升了选股效能，具体表现为：

• 年化收益率超19%，大幅优于传统反转因子的18.74%；

- 信息比率超3，较传统的1.04暴增，显示更稳健的风险调整收益；

• 最大回撤低至2.9%，表明风险控制能力卓越；

- 87%以上的月度胜率，保证绝大多数时期的选股有效性。

剔除已知风格和行业影响后，纯净CPV的表现依然卓越，验证了其独立选股信号价值。此外，CPV因子对参数设置具有良好的适应性，在沪深300和中证500等多个样本空间均显示超常表现。

图表清晰展示了因子构建各维度的贡献及最终的量化优势（详见图3-19）。

综上，CPV因子代表了价量关系结合高频数据的选股因子创新，显示了技术分析与量化研究的有效结合路径，为投资者提供了具备定量优势和实操性的工具。

---

报告评级：报告着重于研究成果分享，无明确个股或行业评级，但其所提出的CPV因子被证明优于传统选股因子，具备重要的策略价值和应用潜力。

---

参考图片

---

（全文已超1000字，详尽覆盖报告所有章节、图表及关键内容，遵循溯源要求）

报告