以隔夜涨跌协同性构建股票关联网络 [page::3][page::4][page::5]

• 利用隔夜涨跌的方向与幅度协同性，通过余弦相似度构造股票关联度指标，建立股票关联网络。

- 同行业股票的隔夜涨跌协同性显著高于市场整体，且行业细分程度越高，关联度越强。

• 高频回归分析表明关联度越高的股票未来价格表现关联性越强，且关联网络具有一定的时间延续性。

TractionOR 因子构建与多空收益表现 [page::6][page::7][page::8][page::9]

| 步骤 | 说明 |
|------|------|
| 第1步 | 用80日隔夜收益构建股票关联网络 |
| 第2步 | 剔除关联度最低的20%关系 |
| 第3步 | 获取关联股票月度涨跌幅 |
| 第4步 | 关联度加权平均得预期收益OR因子 |
| 第5步 | 反转、市值、行业中性处理生成最终因子 |

• 参数稳定性测试显示（80，20%）参数组合效果较优，因子RankIC均值4.53%。

- 多空组合年化收益11.48%，年化IR2.47，最大回撤8.27%，月胜率68.6%。

• 因子在小市值股票池（中证1000、国证2000）表现优异，沪深300表现较弱。

| 年份 | 年化收益率 | 年化IR | 最大回撤 |
|-------|------------|----------|----------|
| 2015 | 26.14% | 3.13 | 8.27% |
| 2016 | 14.42% | 3.16 | 2.64% |
| 2021 | 15.64% | 3.23 | 3.36% |
| 2014-2023 | 11.48% | 2.47 | 8.27% |

提纯隔夜涨跌构建 TractionORE 因子，强化因子表现 [page::10][page::11][page::12]

• 通过剔除跳空当天反向开盘的样本，提纯隔夜涨跌数据，剔除非隔夜信息影响的价格变动。

- TractionORE因子 RankIC均值4.3%，多头年化收益11.25%，月换手率76%。

• 多空组合年化收益13.1%，年化IR2.63，最大回撤6.27%，月胜率72%。

| 年份 | 年化收益率 | 年化IR | 最大回撤 |
|-------|----------|---------|---------|
| 2015 | 36.31% | 3.63 | 6.27% |
| 2019 | 12.82% | 3.49 | 1.79% |
| 2014-2023 |13.05% | 2.63 | 6.27% |

Traction 系列合成因子 Tractioncomb 表现优异 [page::13][page::14][page::15]

| 因子 | 年化收益率 | 年化IR | 最大回撤 |
|--------------|------------|--------|----------|
| TractionSI | 14.7% | 3.34 | / |
| TractionORE | 13.1% | 2.63 | 6.27% |
| TractionF | 11.9% | 2.17 | / |
| TractionNS | 14.26% | 2.12 | / |
| Tractioncomb| 19.29% | 3.99 | 3.47% |

• 4因子等权合成带来更显著的收益与风险控制优势，最大回撤仅3.47%。

- 多空组合胜率达77%，表现稳定且超越各单因子。

• 因子间相关性低，特别是与传统Barra因子低相关，具有很好的独特选股能力。

风险提示 [page::0][page::15]

• 该模型基于历史数据，市场未来变化可能导致因子表现波动，投资需谨慎。

金融工程研究团队《从隔夜价格行为到股票关联网络》研究报告深度解读

---

一、元数据与概览

• 报告标题：《从隔夜价格行为到股票关联网络》

- 发布日期：2023年12月19日

• 发布机构：开源证券研究所，金融工程研究团队

- 主要研究员：魏建榕（首席分析师），张翔、傅开波、高鹏、苏俊豪、胡亮勇、王志豪、盛少成、苏良、何申昊、陈威、蒋韬（分析师与研究员团队）

• 研究主题：基于隔夜价格行为构建股票关联网络，挖掘个股涨跌传导机制及相关因子表现，拓展已有资金流视角关联网络体系。

- 核心论点：
- 通过隔夜涨跌的同步性，构建股票关联网络，捕捉个股间的涨跌传导机制。
- 以此构建并优化了隔夜关联网络牵引因子（TractionOR及优化版TractionORE），以及合成因子Tractioncomb，取得稳健的投资回报。
- 因子经过历史回测展现出良好的风险收益特征，且在细分行业和小市值股票表现更优。

• 评级及目标价：报告没有涉及具体股票评级或目标价格，侧重于因子研究与策略表现分析。

- 主要信息传递：隔夜涨跌行为反映投资者对隔夜信息的反应，通过价格行为的协同性可以挖掘股票间的关联网络；基于该网络构建的因子能有效揭示个股未来补涨机会，实现显著超额收益，丰富了基于资金流的角度股价关联网络研究[page::0-1]。

---

二、逐节深度解读

1. 以隔夜涨跌协同性构建股票关联网络（第1章）

• 关键论点：

- 股票之间的涨跌传导机制，是市场微观结构及投资者行为的反映。
- 继前三篇报告通过基金持仓、北向资金持仓、小单资金流分析股票关联网络后，本篇报告首次从“价格形态”出发，利用隔夜涨跌的同步性构建股票关联网络。

• 逻辑支撑：

- 隔夜价格形态（高开、低开、平开）揭示投资者对隔夜信息的认知反应。
- 若两只股票隔夜涨跌协同度高，意味着受相似隔夜信息影响，天然存在较强的价量关联性。

• 数据与定义：

- 研究区间为2014年1月1日至2023年11月30日。
- 价格形态分类：
- 隔夜低开占47.09%（其中跳空低开放9.61%）
- 隔夜高开占38.48%（跳空高开放7.84%）
- 平开占14.43%
- 价格快速回归特征：隔夜高开样本开盘1分钟内回归昨收的占比33.06%，10分钟内57.03%；隔夜低开相应数据则为1分钟25.47%，10分钟50.65%，显示A股普遍存在“缺口回补”现象，低开惯性较高。

• 图示解读：

- 图1展示股票关联网络体系，说明此前基于资金流以及本篇基于隔夜价格形态构建多维度股票关联网络。
- 图2饼图展示隔夜价格形态分布，低开占比较大，突出价格行为非完全随机。
- 图3线图展示隔夜价格快速回归昨收的时点，低开相较高开存在更强惯性。
- 图4示例说明隔夜涨跌的方向协同（同高开或同低开）与幅度协同（幅度大小的同步性）。

• 核心结论：隔夜涨跌具有明显协同性和模式化特征，具备作为构建股票关联度指标的基础[page::3-4]。

2. 股票关联度指标构建与网络描述（第2节）

• 指标定义：

- 利用股票过去隔夜涨跌幅时间序列，采用余弦相似度衡量两只股票的涨跌同步性：

\[
Corr{cos} = \frac{\sum xi yi}{\sqrt{\sum xi^2 \sum yi^2}}
\]

- 余弦相似度介于-1至1，通过线性变换\(K = \frac{Corr{cos}+1}{2}\)使之归一化到0-1区间作为关联度指标。
- 相比普通相关系数，余弦相似度兼顾涨跌方向与幅度协同，更适合捕捉隔夜价格的复合特征。

• 网络构建：

- 以每只股票为节点，两两间以关联度为权建立边，构成全市场股票关联网络。
- 图5以长飞光纤为中心展示通信行业内股票间的关联度，显示行业内关联度普遍较高（如长飞光纤与信科移动-U关联度94%）。

• 行业内相关验证：

- 图6呈现不同行业分类层级下的股票关联度相对于全市场整体关联度的累积超额，结论为：同行业股票隔夜涨跌关联度稳健且高于市场整体，且细分行业关联度更强。
- 图7柱状图显示关联度均值和胜率进一步验证了行业细分度越高关联度越强的规律。

• 动态与延续性：

- 图8显示当月股票关联度分组与未来1-3个月的股价收益相关平方（R^2）呈显著正相关，说明关联度较高的股票未来股价走势更具联动性。
- 图9展示相关股票之间的关联度具有时间延续性，随时间缓慢衰减而非迅速消失。

• 总结：余弦相似度为有效的股票关联度衡量指标，构建网络揭示行业和未来价格间的连续性关联信息，适合作为投资因子构建的基础[page::5-6]。

3. 基于股票关联网络构建牵引因子TractionOR（第3章）

• 背景与动机：

- 传统反转因子基于全市场涨跌幅构建个股超涨超跌判断，因而反转因子是全域反转。
- 该报告创新地将反转基准缩到股票高关联网络的相关股票，实现局域反转逻辑。

• 因子构建流程（表1与图10）：

1. 取过去80交易日隔夜收益构建关联网络。
2. 剔除关联度最低20%的边，保留高质量关联。
3. 选取当前股票关联股票的当月涨跌幅数据。
4. 按关联度加权平均关联股票涨跌，得到预期收益OR因子。
5. 对因子做截面反转、市值和行业中性化处理，确保因子残差反映局部反转预期，得到TractionOR因子。

• 逻辑解释：因子值越大，表明该股票相较于其关联股票具有较大的预期反转补涨空间。

- 参数敏感性测试（图11）：
- 多种窗口长度（20至240交易日）和边剔除比例（0%-70%）均测试，参数组（80日，剔除20%）稳定获得较高的Rank IC（4.53%）和Rank IC IR（2.69）。

• 回测表现：

- 分组测试（图12-13）显示单调且分组分化明显，5分组多头年化收益达10.42%，月均换手率76%。
- 多空组合年化收益11.48%，年化IR 2.47，最大回撤8.27，月度胜率68.6%（图14，表2）。

• 市场偏好：

- 因子在小市值股票池（中证500、中证1000、国证2000）表现明显优于大市值（沪深300），表明隔夜涨跌协同反映的局部反转更适用于中小盘股（图15，表2）。

• 季节性：

- 2023年因子多空组合在部分月份表现突出，如2-5月和10月，1月及6-9月较弱（图16）。

• 理解与提示：因子与传统反转因子部分负相关，呈现“此消彼长”效应（图17），且与经典Barra风险因子相关性较低（表3），说明因子提供了独立风险收益维度[page::6-9-10]。

4. 提纯隔夜涨跌样本，构建优化因子TractionORE（第4章）

• 动机：

- A股普遍存在“缺口回补”现象，即隔夜跳空缺口之后股价往往回补缺口（图18），常伴有次日高低开逆反信号（图19）。
- 这种跳空缺口影响的隔夜涨跌非真实隔夜信息反映，可能影响因子信号纯度。

• 方法：

- 在构建因子时剔除因跳空缺口而导致逆反高低开的隔夜涨跌数据点，剔除非隔夜信息驱动的涨跌样本，净化信号。

• 效果：

- 优化后的TractionORE因子依然具备较好Rank IC（4.3%），Rank IC IR增强至2.9，5分组多头年化收益提升至11.25%，月均换手率76%（图20-21）。
- 多空组合年化收益提升至13.1%，IR 2.63，最大回撤缩小至6.27%，月度胜率72%（图22，表4）。

• 市场偏好及季节性：

- 仍偏向小市值股票（图23，表4），2023年因子多空组合收益在沪深300、中证500明显优于大盘。
- 月度表现显示2-5月表现强劲（图24）。

• 与风险因子相关性：同样与Barra因子相关性低，表示具有独立的风险收益特征（表5）[page::10-13].

5. Traction系列合成因子表现（第5章）

• 背景：

- 本报告为股票关联网络研究体系的补充，已有基于基金持仓（TractionF）、北向托管券商（TractionNS）、小单资金流（TractionSI）构建的因子。

• 相关性分析：

- TractionORE因子与前三个资金流视角因子之间无显著截面相关，IC序列相关均较低（表格数据展示），资金流因子之间相关度则较高。

• 合成因子方式：

- 四个因子采等权合成，形成Tractioncomb因子。

• 表现：

- Tractioncomb因子表现更佳，RankIC均值5.6%，RankIC IR3.6。
- 分组呈单调且显著分化，多头组年化收益16.08%，月均换手率 71%（图25-26）。
- 多空收益年化19.29%，IR3.99，最大回撤3.47%，月度胜率77%，表现稳健显著优于单因子（图27-28，表6）。

• 样本外表现：

- 各单因子样本外收益表现参差，TractionSI表现尤其稳健。
- TractionNS因子在2021年6月后表现减弱明显。

• 结论：

- 合成因子通过整合价格形态与资金流多维度信息，实现更强的风险调整后收益，体现关联网络对股价的多方面牵引作用[page::13-15]。

6. 风险提示及合法合规声明（第6章）

• 强调模型基于历史数据，无法保证未来市场适用。

- 报告适用范围限定，风险等级为中风险，推荐仅限专业投资者或风险承受能力较高者。

• 明确免责声明，强调报告不构成投资建议，投资需考虑个人风险承受力，且因子与策略未来表现存在不确定性。

- 强调版权和法律责任，明确机构信息及联系方式[page::15-17]。

---

三、图表深度解读

1. 图1 股票关联网络研究体系

• 展示不同视角的股票关联网络构建路径，包括基金持仓、北向资金、小单资金流和本篇的隔夜价格行为，归纳为资金流视角与价格形态视角两大技术路线。

- 逻辑清晰，说明本报告是在前述资金流关联研究的基础上，拓展股票关联网络构建的创新工作。

2. 图2-4 隔夜价格行为数据特征

• 图2饼图定量展示隔夜低开占比最大，说明价格开盘方向偏空情绪更普遍。

- 图3曲线展现价格回归昨收的时间特征，支持价格行为存在明显惯性，尤其低开更明显，提示方法需考虑价格回归影响。

• 图4二维散点展示两只股票隔夜涨跌幅的方向与幅度协同性，红色点集中于同向四象限，蓝色点散布在反向象限，验证了价格同步特征。

3. 图5股票关联网络示意

• 表格形式列出通信行业主要成分股对长飞光纤的关联度，高达80%以上，印证行业精细化分类可强化关联识别的逻辑。

- 图6-7确认行业细分等级越细，股票关联度越高，验证了关联网络有效性。

4. 图8-9未来股价相关性与关联度延续性

• 关联度越高的股票，未来1-3个月的价格R-squared越大，表明关联网络具有前瞻性预测能力。

- 延续性图则说明该关联关系呈缓慢衰减，因而基于月度计算适宜。

5. 表1与图10 因子构建流程及数学表达

• 展现预期收益计算公式，利用股票关联度权重对周围股票当月涨跌幅加权，配合截面反转等处理，得到TractionOR因子。

6. 图11参数敏感性表

• 通过多参数组合，展示因子RankIC的变化范围，确认80期间窗口、20%边去除的稳定表现优于其他参数。

7. 图12-16因子分组表现及市场区间表现

• 趋势清晰，分组单调性好，表现持续优异，多空组合年化收益稳定提升，且2023年周期性波动。

8. 图17相关性对比及表3相关系数矩阵

• 展现预期收益因子与反转因子有效性“此消彼长”关系，及TractionOR与Barra经典因子相关性很低，确保因子独立性。

9. 图18-19跳空缺口回补分析及因子样本剔除原因

• 统计跳空缺口后续价格回补概率及次日高低开特征，指导如何剔除非信息驱动涨跌样本。

10. 图20-24 优化因子TractionORE表现

• 优化后因子在历史回测和细分市场表现均优于原始因子，突出处理“缺口回补”对因子信号纯度提升作用。

11. 表5及图23-24 优化因子与市场基本面及近年表现

• 因子仍偏向中小市值市场，季节性表现活跃，2023年表现稳定。

12. 图25系数相关矩阵与图26-28合成因子表现

• 因子截面相关度低，IC序列表现突出，合成因子显著优于单因子，多空组合年化19.29%，表现稳健且风险较低。

13. 表6年度表现

• 2015-2017年表现尤为强劲，2023年有所回落但仍稳健。

---

四、估值分析

• 本报告为因子研究报告，无具体证券估值数据与目标价格。

- 因子构建基于统计学方法（余弦相似度、加权平均及截面回归残差）和策略回测绩效。

• 采用多月股价相关性等动态检验，确保因子稳定性与预测能力。

- 无折现率、倍数选择等传统估值参数，聚焦因子有效性验证。

---

五、风险因素评估

• 历史数据局限性：模型基于历史，未来股市变化可能导致因子失效或收益波动。

- 市场结构变化：随着市场机制、投资者行为、监管或信息披露规则变更，隔夜涨跌行为及其关联结构可能发生变异。

• 价格跳空缺口影响：跳空缺口的“缺口回补”效应对因子信号纯度造成干扰，需提纯以免影响因子表现。

- 因子偏好：因子偏向小市值股票，可能面临小盘股流动性不足、波动性更大等风险。

• 模型参数敏感性：系统对样本窗口期及边剔除比例敏感，需谨慎调参。

- 交易成本与策略执行风险：高换手率（约70%-76%）对应较高交易成本，侵蚀实际收益。

• 数据及测算风险：指标依赖市场数据准确性，数据缺失或延迟会影响因子构建。

- 报告仅提示市场未来可能变化，未提供专门缓解策略[page::0,15].

---

六、批判性视角与细微差别

• 关联因子的前提假设：

- 因子构建基于隔夜涨跌完全反映隔夜信息，实际可能被其他市场结构如大宗交易、限售股解禁等非公开信息影响。

• “缺口回补”处理为经验性剔除，可能存在边界模糊：

- 剔除样本点是否过度，是否遗漏了真正的隔夜信息价变部分，尚需在实操中平衡。

• 指标解释性局限：

- 余弦相似度虽兼顾方向幅度，但不考虑价格波动率差异等。

• 小市值偏好潜在流动性风险：

- 因子偏向小市值股票，但这类股票可能面临流动性风险与高波动性，回测中未详细说明交易成本及冲击成本。

• 关联网络动态调整机制待补充：

- 关联度是历史窗口期计算，市场突发事件或结构性变化可能导致快速失效，报告中未深入讨论实时更新和调整方法。

• 样本外/实盘验证数据有限：

- 尽管2023年有样本外回测，但因子实盘执行及规模扩展风险未充分展开。

• 期望收益与反转交替现象值得深究：

- 图17所示两者有效性此消彼长，暗示存在复杂市场结构或行为学机制，未来研究值得进一步深入。

总之，报告框架严谨、数据详实，创新视角独特，但仍需关注因子在不同市场环境和实际交易中的稳健性和执行风险[page::0-15]。

---

七、结论性综合

本报告在开源证券股票关联网络研究体系基础上，突破性地引入“隔夜价格行为”视角，通过分析隔夜涨跌的同步性，构建了基于价格形态的股票关联网络。利用余弦相似度技术指标，准确捕捉了股票间隔夜涨跌与幅度协同，且验证了行业细分下关联度更高的经济合理性。基于此网络构建了局域反转的牵引因子——TractionOR，并进一步剔除因跳空缺口回补造成的噪声，优化得到TractionORE。因子在历史与样本外均展现稳健的投资绩效，尤其在中小市值板块表现优异。

此外，报告将价格形态关联网络与基金持仓、北向资金、小单资金流等多维度资金流视角关联因子合成，形成Tractioncomb合成因子，显著提升了风险调整后的超额收益表现，多空组合年化收益达19.29%，夏普比率近4且最大回撤仅3.47%。该结果验证了价格行为与资金流行为作为股价牵引核心因素的相辅相成，体现了关联网络研究在投资策略中的强大应用潜力。

图表数据进一步印证了各因子表现的单调性、分组分化和一致性，关联度与未来股价相关性预测能力，以及跳空缺口市场行为的普遍性。加上低相关性的风险因子校正，这些因子为投资者提供了独特的 alpha 来源。

报告同时审慎提示，该模型基于历史数据且较偏向小盘股，实际运用仍需注意市场结构变化、流动性风险与交易成本，并非投资保证，需结合多因子模型与风险管理共同应用。

综上，报告提供了创新、系统且实证支持的隔夜价格行为股票关联网络构建方法与因子体系，为A股市场关联关系认知及因子投资策略带来新的视角与工具，具有较强的理论价值和应用前景[page::0-15]。

---

参考图表索引

• 图1 股票关联网络研究体系示意图

• 图2 A股隔夜价格形态分布

• 图3 隔夜高低开后价格快速回归昨收比例

• 图4 隔夜涨跌高度协同示例

• 图5 股票关联网络局部示例（表格）
• 图6 行业内股票关联度稳定超过市场整体

• 图7 行业分类越细分关联度越高

• 图8 关联度越高股票未来股价R-squared越高

• 图9 关联网络具有延续性

• 图10 TractionOR因子构建示意图

• 图11 参数敏感性测试

（数据表格）

• 图12 TractionOR因子分组单调性

• 图13 TractionOR因子5分组多头年化收益

• 图14 TractionOR因子多空组合表现

• 图15 TractionOR因子市场分域表现

• 图16 2023年各选股域月度收益

• 图17 预期收益因子与反转因子有效性比较

• 图18 跳空缺口未来5日回补频率

• 图19 跳空缺口次日高低开倾向

• 图20 TractionORE因子分组单调性

• 图21 TractionORE因子多头年化收益

• 图22 TractionORE因子多空收益表现

• 图23 TractionORE偏小市值股票池表现

• 图24 2023年优化因子各选股域月度收益

• 图25 Traction系列因子截面相关性及资金流因子序列相关

• 图26 Tractioncomb因子分组表现

（组合线图）

• 图27 Tractioncomb因子多头年化收益

• 图28 Tractioncomb因子多空组合收益表现

---

结束语

本报告通过系统方法和丰富数据，深度剖析了利用隔夜价格行为构建股票关联网络的机制与投资价值，成功将价格同步性转换为有效的多空因子，并有效结合其他资金流视角因子，验证其独立贡献并实现组合提升。报告结论严谨而富有洞察，具备较强实证力量，为投资研究和策略开发提供了宝贵思路和工具框架，值得市场参与者重点关注与参考。[page::0-15]

---

（全文完）

报告