• 高频量价因子定义与投资逻辑 [page::1][page::2][page::3]

- 构建了三个高频因子：订单失衡（VOI，买卖委托量差异）、订单失衡率（OIR，买卖委托量差占比）和市价偏离度（MPB，平均交易价格与买卖中间价差）。
- VOI因子通过加权买卖委托量差值，更准确反映市场买卖压力。
- MPB因子通过平均交易价格与市场中间价的差异，捕捉买方或卖方主导的交易压力，从而预测价格的均值回归趋势。

• 高频向低频转化方法及反转逻辑分析 [page::4][page::5]

- 高频因子通过分钟截面标准化，日均值计算，再通过距离调仓日的时间加权转换为月度因子。
- 高频VOI和OIR因子分钟IC均值均为正（约12%），但月度IC均值转为负（-2.74%至-3.7%），表现出明显的逻辑反转。
- 反转原因：短期内散户追高杀跌与主力短时操纵（如大单对倒）行为导致高频信号与收益呈正相关，长期则价格趋于回落。

• 高频因子与传统因子相关性及市值中性处理建议 [page::6]

| 因子 | FloatCap相关性 | ROICTTM相关性 | Momentum12m相关性 |
|-------|--------------|----------------|---------------------|
| VOI1 | 0.55 | 0.35 | 0.31 |
| VOI2 | -0.20 | -0.56 | -0.51 |
| OIR | -0.12 | -0.49 | -0.66 |
| MPB | 0.50 | 0.27 | 0.19 |
- VOI1和MPB因子与自由流通市值高度相关，需做市值与行业中性化处理。
- VOI2和OIR因子相关性较小，可不用做市值中性处理。
- VOI2和OIR与ROICTTM和Momentum12m等因子相关度高，后续回测中进行中性处理以剥离共因子效应。

• 单因子回测结果和量化策略表现 [page::7][page::8]

- 10年（2010-2019）月频调仓，剔除停牌、一字板、ST及未满半年股票，进行了极值和缺失值处理。
- VOI1因子：
- IC均值-2.74%，年化IR-1.62，年化多空收益12.45%，夏普比率1.69。
- 胜率70%，最大回撤7.22%。
- VOI2因子：
- IC均值-3.35%，年化多空收益14.73%，夏普比率1.87。
- 去除ROICTTM及Momentum12m影响后，IC均值提升至-3.59%，多空收益提升至15.12%。
- OIR因子：
- IC均值-3.7%，多空收益16.05%，去除Momentum影响后IC均值-4.19%，多空收益17.75%。
- MPB因子：
- IC均值最高绝对值-5.23%，年化多空收益21.24%，夏普比率2.68，表现最优。

• 高频量价因子应用建议与风险提示 [page::1][page::5][page::8]

- 高频量价因子能有效捕捉知情交易者和市场情绪信息，适合结合低频策略应用。
- 量相关因子存在短期误导风险，且高频向低频转换中信息衰减明显。
- 需做好因子中性处理，剔除市值及行业影响，避免共因子干扰。
- 因子回测以及多空组合结果提示MPB因子为强选股信号。

建投金工深度专题98：高频量价选股因子初探 - 详尽分析报告

---

1. 元数据与报告概览

报告标题： 建投金工深度专题98：高频量价选股因子初探
作者： 丁鲁明，陈升锐
发布机构： 中信建投证券股份有限公司
发布日期： 2020年7月14日
研究主题： 高频量价选股因子的构造与投资逻辑研究，量化因子投资策略
研究范围： 中国A股市场，基于高频盘口数据构造新型量价因子并进行低频月度回测

核心观点与评级目标：
报告聚焦揭示盘中高频盘口数据中隐藏的投资信息，通过设计并验证四个高频量价因子，包括订单失衡因子（VOI）、订单失衡率因子（OIR）和市价偏离度因子（MPB），并将高频数据转换为月频低频因子进行回测。研究发现，MPB因子表现最佳，年化多空收益率达21.24%，夏普比率2.68，显示极佳的选股效能。
作者通过剖析高频因子与低频因子表现的反转现象，阐释了短期散户行为和主力资金操纵的市场机制，为量化选股模型的发展提供了新视角。[page::0, page::1]

---

2. 逐节深度解读

2.1 高频量价因子定义与其投资逻辑

2.1.1 研究引言

随着低频基本面和价量因子饱和，市场对高频数据的利用需求日益强烈。高频盘口数据反映了市场委托买卖的动态信息，透过其结构能洞察知情交易者情绪和市场预期。报告选用Level1数据（五档买卖盘口），具体到分钟级别，包括买卖委托价、委托量、成交量额。

2.1.2 高频因子详解

• VOI因子（订单失衡）：通过买卖委托量差异量化订单簿不平衡程度，反映市场多空力量对比。Chordia和Subrahmanyam文献支持订单失衡与收益正相关的经典理论基础。VOI构造采用价格变动条件微调委托量增减，公式化计算买卖方量的变化差。
• VOI因子改进（VOI2）：VOI初版仅考虑第一档盘口，忽略下档订单。VOI2通过衰减加权五档委托量，优化权重分布，使数据利用更充分，权重通过线性衰减设计，前档权重最高。
• OIR因子（订单失衡率）：弥补VOI量级偏差，定义为买卖委托量差除以买卖量总和，体现不平衡比例，更精准衡量买卖力量强弱。OIR通过加权五档委托数据获得，数学表达明确。OIR能识别VOI值大但实际买卖比率低的情况，提升信号有效性。
• MPB因子（市价偏离度）：计算平均成交价与买卖中间价的差异。该因子代表交易价格与市场挂单中心价的偏离，通过均值回归性质预测价格后续走势。MPB的逻辑是：当成交价高于中间价，说明卖方压力大，股价可能回落；反之则买方压力大，股价可能上涨。

该部分详细阐释了因子的数学定义及其背后的市场微结构逻辑[page::1, page::2, page::3]。

---

2.2 高频转低频的方法与逻辑

出于实际投资应用的需求，报告设计了高频（分钟级）因子向低频（月度级）因子的转换流程：

• 截面标准化：消除市场整体走势对个股盘口影响，提高因子横截面可比性。

- 分钟因子加权转为日因子：日内分钟因子以等权平均法合成。

• 日因子衰减加权转为月因子：考虑信息时效性，距离调仓日越远权重越低，采用线性衰减加权。

通过这一流程使因子适合更低频的资产配置和调仓策略，确保信息有效性最大化。[page::4]

---

2.3 高频量价因子低频化反转特性分析

主发现： 高频量价因子在分钟频率下与收益率呈现正相关，但转为月频后订单失衡和订单失衡率因子与收益率关系出现显著反转，变为负相关。MPB因子则始终负相关。

解释逻辑：

• 散户行为角度：短期追涨杀跌造成高频内正相关，价格短暂上升后因高位回落引发长期反转。

- 主力操纵角度：主力通过“大单对倒”制造强买卖压力，短期表现为正相关信号，但长远看价格兑现回落，导致长期表现反向。

具体举例显示某股票出现大量卖单（VOI2骤降），短线诱导散户卖出，次日股价大幅反弹，实现主力低价吸筹目标，形成因子表现逻辑反转的案例。[page::5]

---

2.4 高频量价因子与常用因子的相关性

多维度分析四个高频量价因子与主流传统财务和价格动量因子的IC相关系数：

• VOI1和MPB因子与自由流通市值高度正相关（>0.5），故被要求做市值中性化调整。

- VOI2与ROICTTM、ROETTM及12个月动量因子相关性较强，后续剥离这类因子影响进行调整。

• OIR因子与多个中期动量因子（3月、6月、12月）相关显著，进行动量中性化处理。

此部分体现了高频因子与传统因子之间的相互关联与可能的共性因子风险，处理方法增强因子独立性和稳健性。[page::6]

---

2.5 高频量价因子测试结果

根据2010-2019年回测结果，月频调仓，样本剔除流动性差、停牌、ST以及上市未满半年股票，采取极值和缺失剔除处理，得到如下效果总结：

| 因子 | IC均值 | 年化IR | 年化多空收益 | 夏普比率 | 备注 |
|--------|----------|--------|---------------|----------|--------------------|
| VOI1 | -2.74% | -1.62 | 12.45% | 1.69 | 市值、行业中性化 |
| VOI2 | -3.35% | — | 14.73% | 1.87 | |
| VOI2剔除ROIC & Momentum | -3.59% | — | 15.12% | 1.91 | 剥离相关性因子影响 |
| OIR | -3.70% | — | 16.05% | — | |
| OIR剔除Momentum12m| -4.19% | — | 17.75% | — | 剥离相关性因子影响 |
| MPB | -5.23% | -2.68 | 21.24% | 2.68 | 性能最优，市值中性化|

各因子均表现出稳健的多空收益，其中MPB因子表现最为卓越，显示其作为价格均值回归的领先指标功能。

图表“图7”详细展示VOI1因子的IC波动与多空收益累积曲线，反映因子稳健性和累积赚钱效应。[page::7, page::8]

---

3. 图表深度解读

3.1 图1：浦发银行盘口数据截屏（页1）

显示浦发银行收盘时买一量3017手相比卖一量295手明显较大，说明短时买入意愿更强，对价格短期上涨形成预示，帮助理解订单失衡因子直观含义。[page::1]

3.2 图2：天软Level1分钟高频盘口数据样例（页2）

提供了某只股票10分钟内的买卖五档委托量和成交信息，支持衰减加权VOI2及OIR因子的计算，数据充分体现高频盘口结构复杂性和动态多维度信息。[page::2]

3.3 图3：高频量价因子反转案例（页5）

左图展示某日某股票分钟VOI2因子出现显著负值，表现为大单卖出，右图则反映出该股票次日股价大幅上涨，验证了主力对倒诱导散户卖出的策略逻辑，为因子高频与低频表现反转提供实证支持。[page::5]

3.4 图7：VOI1因子回测效果（页7）

左表IC均值负值但稳定，年化IR及夏普比率表现不错；右图多空收益曲线稳步上升，总收益超过220%。此图数据验证了VOI1因子尽管IC负，但多空收益显著，具体收益率及波动率均反映因子应用价值。[page::7]

3.5 表1：高频与月频因子IC对比（页4）

呈现高频因子IC约为12%（正相关），月频因子IC值均为负，表明因子在低频表现上出现系统的信号方向反转，信息有效性有所削弱，但仍具有显著预测能力。[page::4]

3.6 表3：高频量价因子与传统因子IC相关系数矩阵（页6）

详细列出了各高频因子与传统价值、成长、动量、规模类因子的相关关系，指出哪些因子需要进行中性化处理，支持后续因子独立性调整的必要性和技术操作方向。[page::6]

---

4. 估值分析

本报告并无传统意义上公司估值或资产估值分析，而核心在于基于高频盘口数据构建选股因子及检验其因子表现。因子采用信息系数（IC）、年化IR、夏普比率等量化指标衡量预测能力，与收益率相关性为核心评判标准。
因子构造基于买卖委托量差异及成交均价偏离，衰减权重赋值提升数据质量，数据处理过程严格，策略逻辑可信。因子降频采用衰减加权时效性考虑，符合量化策略中信号衰减规律。
整体因子风险调整绩效指标表明MPB因子更优，是本研究重点推荐的量价停留信号。

---

5. 风险因素评估

报告未专门列出风险章节，但从内容可识别以下风险：

• 市场环境风险：高频盘口数据依赖市场整体活跃度与结构，流动性不足时因子信号稳定性可能下降。

- 信号衰减风险：高频因子向低频转化过程中信息损失，导致部分因子表现反转，策略需灵活调整。

• 策略实施风险：主力“对倒”行为复杂，未来可能调整交易行为模式，导致模型拟合风险。

- 相关性风险：高频因子与传统因子存在高相关性，需中性化处理，否则可能引入重复风险。

• 数据质量风险：盘口Level1数据深度有限，部分重要盘口信息可能缺失。

报告明确处理部分风险，例如市值中性化、相关因子剥离等缓解措施。[page::5, page::6]

---

6. 批判性视角与细微差别

• 因子IC均为负值：报告中多因子IC均为负，表明在计算方式上可能采用了与收益率方向相反的定义，或者因子构造处于反向投资逻辑；但其多空收益正向且显著，提示IC方向解读需小心。

- 主力对倒逻辑依赖主观解释：因子反转逻辑较依赖主力操纵行为假设，实际操纵行为复杂多变，长期稳定性存疑。

• 因子稳定性与适用范围待考察：高频转低频过程中出现信号衰减，提示不同市场环境和流动性条件下，因子表现波动较大，未来需动态调整模型参数。

- 样本选取偏差：回测主要基于A股市场，且十年区间为牛熊周期波动影响，因子表现可能受宏观或行业特征影响。

• 因子设计可扩展性有限：因子仅用五档盘口数据，未纳入更深层级订单簿信息及委托撤单动态，深度待开发。

整体来看，报告理性对因子有效性进行了多方面验证，但部分逻辑需结合市场微观结构进一步验证和优化，[page::5, page::8]

---

7. 结论性综合

本文系统构建了基于高频盘口数据的四个量价因子（VOI1、VOI2、OIR、MPB），并设计高频向月频转换方法，通过历史十年A股全市场回测验证其选股有效性，重要结论如下：

• 高频盘口数据蕴含重要交易情绪与信息，特别是订单不平衡和市场成交价偏离中，多维度的订单失衡信号能够反映市场力量对比，辅助预测未来股票收益走势。

- 高频因子（VOI1/2，OIR）与未来短期收益表现正相关，但转为月度低频时发生收益相关性显著反转，原因在于散户短期行为和主力大单对倒操纵造成的周期性价格走势。该反转揭示了高频量价因子需谨慎在不同频率使用。

• 市价偏离度因子（MPB）的均值回归特性使其作为长期选股指标表现优异，回测多空收益最为突出，年化达21.24%，夏普比率2.68，是四个因子中最具投资价值的因子。

- 高频因子与传统财务、动量、规模等因子存在一定相关性，部分因子需要进行市值及行业中性化处理及重要因子剥离，提升独立性和稳健性。

• 因子经过截面标准化、分钟到日再到月加权衰减的多层转换，虽然信息有所衰减，但仍保留强的预测能力，显示其实际应用潜力。

- 综上，报告为高频盘口数据的量价因子研究提供了理论与实证支持，拓展了传统低频财务因子选股之外的新路径，对机构量化投资者具有较高的参考价值。

图表支持的深刻洞察包括：

• 图3反转案例形象展示因子日内表现与次日报酬的动态联系，支持高频与低频信号反转理论。

- 表1和表3清晰反映因子间及与传统因子的相关结构，有助于组合构建的风险管理。

• 图7等回测曲线彰显因子收益的稳健增长轨迹，验证因子实用性。

整体看，中信建投的此篇专题研究理清了高频量价因子的设计逻辑、频率转换方法与市场行为机制，为构建基于盘口数据的高效选股因子体系提供了系统而深入的框架和实证经验。[page::1, page::4, page::5, page::6, page::7, page::8]

---

参考文献

报告中引用了以下核心文献，为高频订单簿及量价信号的研究提供理论支撑：

• Tarun Chordia and Avanidhar Subrahmanyam (2004) "Order imbalance and individual stock returns: Theory and evidence", Journal of Financial Economics

- Han-Ching Huang et al. (2014) "The performance of imbalance-based trading strategy on tender offer announcement day"

• Tarun Chordia et al. (2002) "Order imbalance, liquidity, and market returns", Journal of Financial Economics

- Rama Cont et al. (2014) "The price impact of order book events", Journal of Financial Econometrics

这些文献为本报告中的因子构造和市场微结构分析提供了坚实的学术基础。[page::8]

---

通过以上分析，本报告堪称高频量价因子与低频量价因子研究的典范之作，为机构投资者探寻高频盘口信号价值提供了丰富且专业的范本。

报告