“技术分析拥抱选股因子”系列研究（十四）：RPV 聪明版——聪明换手率是更好的配料
创建于 更新于
摘要
本报告基于价量相关性构建新型选股因子RPV，结合“聪明”换手率优化形成SRV因子，显著提升信息比率至3.07，年化收益率达18.91%。报告详细拆解日内和隔夜价量序列，利用聪明时段换手率增强因子信号，验证因子在不同指数成份股中稳健有效，且与传统风格因子低相关，具备较强选股能力和抗风险性能，为指数增强组合构建提供了实用工具 [page::0][page::4][page::16][page::26][page::27]
速读内容
价量相关性因子的理论基础与实施 [page::4][page::5]
- 价量同向变动构成价量配合，反映为正相关系数，展现反转效应；
- 价量背离对应负相关系数，表现动量效应；
- PVcorravg因子年化收益达15.25%，信息比率1.70，最大回撤6.72%。
新价量相关性因子(RPV)构建与绩效 [page::6][page::9][page::10]
| 因子组合 | 年化收益率 | 年化波动率 | 信息比率 | 月度胜率 | 最大回撤率 |
|---------|------------|------------|----------|----------|------------|
| CCV | 19.77% | 9.68% | 2.04 | 73.91% | 10.18% |
| CCOIV | 10.92% | 7.33% | 1.49 | 73.04% | 13.67% |
| COV | 10.38% | 6.90% | 1.51 | 67.83% | 5.64% |
| RPV | 16.29% | 6.76% | 2.41 | 74.78% | 5.18% |
- RPV结合日内价量反转和隔夜价量动量信息，信息比率明显优于单项因子；
- 因子相关性矩阵显示CCOIV与COV相关度低，增强了组合效果。
聪明换手率指标及其对因子增强的作用 [page::12][page::14]
- 将日内涨跌拆分上午和下午，计算“聪明”指标筛选交易活跃的时段；
- 午后聪明换手率与收益反转更明显，隔夜使用前一交易日14:30-15:00 换手率提升动量信号；
- 使用聪明换手率后，相关因子信息比率和月度胜率均升高。
聪明版RPV因子SRV的构建及性能表现 [page::16][page::17]
| 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 |
|--------|------------|------------|----------|----------|------------|
| CCV | 19.77% | 9.68% | 2.04 | 73.91% | 10.18% |
| RPV | 16.29% | 6.76% | 2.41 | 74.78% | 5.18% |
| SRV | 18.91% | 6.15% | 3.07 | 80.00% | 3.11% |
- SRV因子结合聪明版日内价量相关性和隔夜相关性，提升了夏普比率和风险控制能力；
- SRV与传统风格因子相关性低，因子纯净度高。
不同样本空间及指数增强组合表现 [page::22][page::24][page::26]
| 指数 | 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 |
|------------|------|------------|------------|----------|----------|------------|
| 沪深300 | SRV | 14.57% | 23.82% | 0.61 | 55.65% | 32.90% |
| 中证500 | SRV | 9.86% | 25.83% | 0.38 | 53.91% | 53.73% |
| 中证1000 | SRV | 11.84% | 30.14% | 0.39 | 56.60% | 44.14% |
| 国证2000 | SRV | 21.49% | 29.49% | 0.73 | 57.52% | 36.15% |
- SRV因子优于传统动量因子Ret20及RPV因子表现；
- 构建的指数增强组合表现出持续超额收益，且风险指标改进。
不同切割窗口及残差因子分析 [page::22]
- SRV因子在不同历史窗口回看天数（20、40、60日）均保持稳定，40日窗口表现最佳；
- 对传统反转因子及换手率因子进行正交后SRV残差因子仍保持优良选股性能。
因子多空收益分解 [page::22]
| 因子 | 多空收益率 | 多头超额收益率 | 空头超额收益率 |
|------|------------|----------------|----------------|
| RPV | 16.29% | 4.76% | 11.12% |
| SRV | 18.91% | 5.95% | 12.36% |
- SRV因子多头和空头贡献均优于RPV因子。
深度阅读
“技术分析拥抱选股因子”系列研究（十四）——RPV 聪明版因子深度分析报告解构
---
1. 元数据与报告概览
- 报告标题： “技术分析拥抱选股因子”系列研究（十四）——“RPV 聪明版——聪明换手率是更好的配料”
- 作者及机构： 高子剑（证券分析师，执业号 S0600518010001021-60199793）与庞格致（研究助理，执业号 S0600122090090），东吴证券研究所
- 发布日期： 2023年9月27日
- 研究主题： 基于价量数据的选股因子研究，重点是“新价量相关性因子”（RPV）及其改良版本“聪明版”因子（SRV），通过细粒度价量关系构建更有效的市场选股信号。
- 核心论点与结论：
- 价量相关性是衡量价格与成交量配合关系的有效尺子，具体拆分日内与隔夜价量相关因子具有显著的选股能力。
- 通过引入“聪明”换手率（特定高信息密集时段的换手率）优化原有换手率计算方式，将成交量的“聪明时段”作为信息载体使选股因子性能显著提升。
- 构建“聪明版”日频价量相关性因子（SRV），在2014/01/01–2023/08/31回测中表现优异，信息比率达3.07，年化收益18.91%，月度胜率80%，最大回撤3.11%，表现优于传统RPV及CCV因子。
- 风险提示包括历史数据局限性、单因子波动风险及数据测算误差[page::0].
---
2. 逐章深度解读
2.1 前言与高频价量相关性CPV因子
- 价量关系理论是技术分析核心之一，价格涨跌需成交量配合以确认趋势。2019年两个案例（中公教育与微芯生物）分别展示价量配合与价量背离，通过分钟价量数据计算价量相关系数，该相关系数体现价量配合程度。
- PVcorravg因子定义：
\[
PV\corr\avg = \frac{1}{20} \sum{i=1}^{20} Corr(Pi, Vi)
\]
其中，$Pi$ 和 $Vi$ 分别为第 $i$ 天的分钟收盘价和成交量序列。
- 该因子在2014-2020年回测表现良好：5分组多空对冲年化收益15.25%，信息比率1.70，月度胜率76.06%，最大回撤6.72%。同时其对传统反转因子Ret20进行了修正，揭示价量相关矩阵中的动量与反转效应逻辑，尤其放量上涨与缩量下跌对应价格趋势反转的动量效应[page::4][page::5]。
2.2 新价量相关性RPV因子及其构成
- 报告以2022年10月发布的相关研究为基础，定义日频价量相关性（CXV）因子，通过过去20交易日价格序列与换手率序列计算相关系数，并进行市值中性化处理。
- 核心构成因子分析：
- CCV因子： 当天收盘价与全天换手率相关系数，表现较好，年化收益约19.77%，信息比率2.04，为基准因子[page::6][page::7]。
- CCOIV因子（日内CXV因子）： 当天收盘价减开盘价的日内涨跌与日内换手率相关，呈现反转效应，年化收益10.92%，信息比率1.49，选股效果不及CCV[page::7][page::8]。
- COV因子（隔夜CXV因子）： 以隔夜涨跌（今开-昨收）与昨全天换手率相关，表现出动量效应，年化收益10.38%，信息比率1.51[page::8][page::9]。
- 基于上述因子组合构造RPV因子：
\[
RPV = \frac{CCOIV - mean(CCOIV)}{std(CCOIV)} - \frac{COV - mean(COV)}{std(COV)}
\]
- RPV因子10分组多空对冲信息比率提升至2.41，年化收益16.29%，最大回撤仅5.18%，显著优于单个子因子。相关性矩阵显示CCOIV和COV因子低相关（-0.1166），支持因子互补合成效果[page::9][page::10].
2.3 价量关系高级解读与“聪明”换手率的引入
- 报告进一步拆分日内涨跌为上午和下午两部分，定量分析不同换手率分层下局部日内因子表现，发现高换手对应反转效应增强(图9)，隔夜因子则体现信息泄露的“时序”错配（图10），高换手隔夜区间更显动量[page::10][page::11]。
- 引用“殊途同归聪明版”研究，定义“聪明指标”衡量每分钟价格变化与成交量综合信息，选取成交量集中最高20%分钟为“聪明时段”，分别计算上午和下午聪明换手率[page::12]。
- 对隔夜改用前一日14:30-15:00的换手率反映知情交易活跃度，得到更强势隔夜相关因子（表9）[page::13].
- 应用上述“聪明”换手率构建聪明版日内价量因子（amCOamSV、pmCOpmSV）和隔夜价量因子（SCOV），下午相关性因子pmCOpmSV表现优异，和改良后的隔夜因子SCOV均有显著进步[page::14-16]。
2.4 聪明版RPV合成因子SRV与绩效提升
- 聪明版因子通过横截面标准化处理的聪明版日内价量因子（SCCOIV）和聪明版隔夜价量因子（SCOV）相减得到SRV因子：
\[
SRV = \frac{SCCOIV - mean(SCCOIV)}{std(SCCOIV)} - \frac{SCOV - mean(SCOV)}{std(SCOV)}
\]
- SRV因子表现显著优于CCV和初版RPV，信息比率提高至3.07，年化收益18.91%，最大回撤降至3.11%，月度胜率高达80%（图17，表14）[page::16][page::17]。
- 相关性矩阵显示SRV与CCV因子相关性仅0.2277，因子新颖且独立，pmCOpmSV与SCOV低相关保证了合成因子效果[page::17][page::18]。
2.5 其他重要讨论和应用场景
- 分年度表现： SRV因子每年的信息比率稳定保持在2以上，多空对冲收益稳定，波动率低(表16，17)。
- 因子正交验证： 通过剔除传统反转因子Ret20和换手率因子Turn20的影响，SRV因子的残差仍表现优异（图18-21，表18），表明其捕捉了传统因子未完全涵盖的价量信息。
- 纯净因子表现： 对因子剔除行业和Barra风格因子影响后，纯净SRV因子的多空对冲年化收益仍达10.5%，信息比率2.37，表现稳定（图22-23，表20-21）。
- 参数敏感性分析： 以回顾窗口20、40、60日的稳健测试显示SRV因子均优于RPV和传统反转因子Ret20，40日窗口表现最佳（表22）。
- 收益分解： SRV因子多头和空头超额收益全面优于RPV，且月度胜率与最大回撤均表现较好，风险调整后收益高（表23）。
- 样本空间扩展： SRV因子在中证500、1000及国证2000等不同指数成分股中表现持续优于传统模型，收益稳定（表24）。
- 指数增强策略应用： 以沪深300、中证500、1000和国证2000成分股构建基于Ret20、RPV、SRV因子排序的指数增强组合，SRV组合均呈现最高年化收益和信息比率，且最大回撤最低，显示因子具备实际投资可行性（图24-27，表25-28）[page::18-26]。
---
3. 图表深度解读
- 图1、图2（分钟价量走势图）直观展示价量配合与价量背离现象，分别以中公教育和微芯生物2019/10/16分钟数据做对比，支持价量相关系数构建思路[page::4]。
- 图3（PV
价格与成交量相关系数平均构建的因子表现稳健，分组1与分组5净值差显示策略有效性，且对应传统反转策略的修正逻辑(图4)[page::5]。
- 图4（PV
二维价量图象限划分，基于成交量大小和价格涨跌，对传统反转逻辑增添维度，精细化区分不同价量组合的预期走势[page::5]。
- 图5-7（CCV、CCOIV、COV 因子净值走势）
展示全天、日内及隔夜价量相关因子表现。CCV表现最好，CCOIV较弱，COV表现中性偏好。各因子性能差异体现了价量关系时序和颗粒度的重要作用[page::7-9]。
- 图8（RPV因子净值）
组合CCOIV和COV信息后得到的RPV，相比单因子净值曲线，提升显著，验证低相关子因子的互补优势[page::9]。
- 图9-10（局部日内和隔夜因子ICIR柱状图）
明确高换手率对应日内反转强度增加，隔夜时段高换手对应动量加剧，契合投资者行为及市场信息传递机理[page::11]。
- 图11-12（上午、下午局部日内因子ICIR）和图13-14（因子分布）
下午因子反转性更明显且分布更对称，形成高效日内价量因子基础，支撑聪明版日内因子选取策略[page::14-15]。
- 图15（CCOIV聪明版因子净值）和图16（SCOV聪明版因子净值）
使用“聪明时段”换手率后，日内及隔夜价量因子表现均显著提升，净值上升更陡，风险指标下降，成就更优因子基础[page::15-16]。
- 图17（SRV因子净值）
聪明版合成因子延续优秀走势，长期稳健持续超额收益明显[page::17]。
- 图18-21（正交后因子净值走势）
驱除传统反转及换手因子影响后，聪明版SRV因子残差依然表现稳定，说明其独到信息含量[page::19-20]。
- 图22-23（纯净RPV、SRV因子净值）
剔除行业及Barra风格影响后的纯净因子依然保持强劲收益和良好稳定性，强化因子稳健性理论[page::21]。
- 图24-27（指数增强组合净值）
SRV选出的高信心组合显著跑赢基准及其他因子组合，投资实用性强。包络回测覆盖沪深300、中证500、1000以及国证2000[page::24-26]。
---
4. 估值方法
本报告不涉及传统企业估值模型，而是基于统计学与量化选股因子构建与回测，通过相关系数及IC（信息系数）等指标量化价量关系的有效性。
关键量化指标包括：
- IC（信息系数）：因子值与未来收益的相关性，代表因子预测能力方向和强度；
- ICIR（信息比率）：IC均值与其波动率的比率，衡量因子稳定性；
- 年化收益率与波动率：反映因子策略风险调整后的表现；
- 月度胜率：因子多头胜率；
- 最大回撤率：风险控制指标，衡量因子投资极端损失风险。
此外，报告强调了因子正交（剔除传统因子影响）和纯净因子的构造，确保因子价值独立且稳健。
---
5. 风险因素评估
报告明确指出三方面风险：
- 历史数据局限性：统计结果基于过去数据，市场环境的根本变化可能导致因子无效；
2. 单因子波动风险：单因子模型可能出现较大波动，需结合资金管理与风险控制；
- 数据测算误差风险：数据质量及测算方法可能影响结果准确性。
风险认知明确，建议实际应用时务必结合风险管理措施[page::0] [page::27].
---
6. 审慎视角与细微差别
- 报告贯彻系统性回溯，详尽比对多种价量构造因子，充分验证聪明换手率的增益效果，体现理论与实证相结合的良好设计。
- 因子建立依赖于历史交易数据，尤其是分钟级别的成交量与价格数据，若未来市场微结构或交易行为发生改变，可能会削弱因子表现。
- 报告中的“聪明”指标虽有效果显著，但其基于成交量平方根与价格波动比例的定义，反映的是市场对信息反应的分布特征，是否完全捕获所有价格信息尚有探讨空间。
- 因子构建聚焦于回测窗口的市值中性化处理，可能对中小市值或者流动性极端的股票适用性存在一定限制。
- 报告中多次强调低相关性因子的组合优势，但因子之间仍存在一定正负相关，组合优化策略选择尤为重要。
- 尽管回测窗口时间跨度较长（近10年），但2023年的最新表现存在下降的迹象（部分表格显示信息比率及收益下降），需持续关注最新数据演化趋势[page::18][page::21][page::22].
---
7. 结论性综合
本报告通过对中国A股市场分钟及日频价量数据细致分析，创新引入基于“聪明”换手率的价量相关性因子SRV，有效改进了原有RPV因子的构造方法。主要发现包括：
- 价量相关性因子是捕捉价格趋势与成交量配合的有效工具，其中日内价量（反转）与隔夜价量（动量）两种效应互补；
- 通过“聪明”指标确定高知情交易时段，重构换手率序列，显著提升了因子的稳健性和预测能力；
- 由聪明版日内价量因子和隔夜价量因子合成的SRV因子，表现出：
- 更高的信息比率（3.07）和年化收益（近19%），
- 更低的波动率和最大回撤（分别6.15%与3.11%），
- 优异的月度胜率（80%），反映选股信号的可靠性和风险控制优势；
- SRV因子在各主流指数样本空间均表现优异，具备良好的普适性；
- 与传统反转因子及换手因子存在低相关性，提供了投资组合优化中增量收益的可能；
- 实际应用中，SRV因子可作为构建指数增强组合的重要因子，带来显著超额收益和较低的风险指标。
- 图表中从分钟价量配合演绎到跨日、多时段的价量相关系数演变，充分验证了该因子的稳健性和连续性。
- 风险提示清晰，强调历史数据局限、单因子波动风险和数据质量问题，提醒投资者谨慎应用。
总体而言，报告展现了东吴证券研究所金融工程团队对价量配合新颖而实用的量化方法论，SRV因子因其高效的选股能力和较好稳健性，有望为量化策略提供强有力的选股工具与投资支持。
---
附：关键图表索引
| 图表编号 | 描述 | 页码 |
| -------- | ------------------------------------------------------------ | ----- |
| 图1、图2 | 中公教育与微芯生物2019/10/16价格成交量分钟走势图，展示价量配合与背离 | 4 |
| 图3 | PVcorravg因子5分组多空对冲净值曲线，表现稳健 | 5 |
| 图4 | PVcorr_avg因子修正传统反转因子示意图 | 5 |
| 图5-7 | CCV、CCOIV、COV因子10分组多空对冲净值走势 | 7-9 |
| 图8 | RPV因子净值曲线，组合子因子效果突出 | 9 |
| 图9-10 | 分解日内与隔夜不同换手率分层的因子ICIR表现 | 11 |
| 图11-12 | 上午下午局部日内因子年化ICIR对比，下午反转更强 | 14 |
| 图13-14 | 上午、下午聪明版因子分布直方图 | 15 |
| 图15-16 | CCOIV聪明版因子与SCOV聪明版因子净值走势 | 15-16 |
| 图17 | 聪明版RPV合成SRV因子净值曲线，优异选股表现 | 17 |
| 图18-21 | RPV与SRV因子剔除传统因子后残差净值走势 | 19-20 |
| 图22-23 | 纯净RPV与SRV因子的净值曲线，行业与风格剔除后仍然稳健 | 21 |
| 图24-27 | 基于沪深300、中证500、1000及国证2000成分股构建的指数增强组合净值 | 24-26 |
---
结语
本报告层层递进地将价量关系的经典理论与实证量化结合，充分挖掘了分钟级价量数据的深层信息，尤其是“聪明”换手率的引入极大强化了价量因子的预测能力。其出色的风险收益特征和跨样本空间的验证，表明SRV因子在实际投资中的应用潜力巨大，值得后续深入研究与实践探索。
[page::0-27]
