• 量价关系的两个研究视角 [page::5]

- 视角1：股价与成交额关系，因子命名为COPA。
- 视角2：涨跌幅与成交额关系，错期量价因子CORAA/ CORAR。

• 高频量价关系中的统计特性与影响 [page::6][page::7]

- 日频数据中量价呈同向关系（相关系数均值约0.43），但高频日内分钟级量价同向关系被打破（近0）。
- 高频涨跌幅与换手率呈较对称的U型关系，较日频呈现更强对称性。
- 价格变动绝对值与成交额关系提升，用以刻画市场微观交易热度。

• 高频量价因子COPA与CORA初步构建及表现 [page::8][page::9][page::10]

- COPA因子（当期价格与成交额相关系数）呈轻微正偏，因子稳定且具负向月度Alpha。
- CORA因子（涨跌幅绝对值与成交额相关系数）同样具备负向Alpha，但易被传统因子解释。
- 中性处理后，COPA表现优异（年化ICIR约-3.94，月度胜率84.51%），CORA表现较弱。
- COPA多空组合收益明显，净值曲线分化显著，符合量价同向的投机特征。

• 引入量价错期因子CORAA（量在价先）和CORAR（价在量先）提升Alpha预测能力 [page::11][page::12][page::13][page::14]

- CORAA与CORAR捕捉分钟级量价时间错位，反映智能资金抢跑和市场情绪反应。
- 中性后仍保持较强负相关IC，CORA ICIR达到-2.55，CORAR ICIR更优达-3.05。
- 多空组合收益平稳，尤其空头表现强劲，空头因子值高表示异常交易过热。

• 数据修正提升因子效果 [page::15][page::16][page::17][page::18]

- 剔除涨跌幅为0的分钟样本，剔除低流动性噪声。
- 对分钟成交额按日内分钟位置做均值标准差标准化处理，剔除U型分布干扰。
- 优化后的adjCORAA 和 adjCORAR因子IC均值提升，年化ICIR均超3。
- 净值曲线更为平滑，夏普比率提升，多头组年化收益明显增加。

• 因子参数敏感性与因子合成 [page::19][page::20][page::21][page::22]

- 错期参数N敏感性测试表明1分钟错期效果最佳，延迟加大效果逐渐递减。
- COPA、adjCORAA和adjCORAR三因子相关性较小，合成后增强预测能力。
- 合成因子IC均值达-5.03%，ICIR-4.31，年化多空组合收益22.51%，回撤仅4.92%。
- 合成因子在沪深300和中证500指数成分股中依旧有效，年化IR超1.5。

• 研究总结 [page::24]

- 高频量价因子以成交额和价格涨跌幅的时间关系捕获市场异常交易行为。
- COPA反映短期量价同向程度，高值代表投机热度大，负向Alpha明显。
- 错期因子揭示知情交易和市场反应，量先价后（CORAA）和价先量后（CORAR）均有效。
- 通过加强数据处理与多因子合成，获得稳定且优异的月度选股因子。
- 高频因子挖掘拓展了中低频Alpha的边界，具备重要的应用价值与研究前景。

量价关系的高频乐章——方正证券研究所市场微观结构剖析系列6报告深度分析

---

一、元数据与报告概览

• 报告标题：量价关系的高频乐章

- 作者及机构：
- 方正证券研究所，金融工程研究团队
- 主要分析师：朱定豪（执业证书编号：S1220519040002E），首席分析师严佳炜（执业证书编号：S1220519090003E）

• 发布日期：2020年2月27日

- 研究主题：基于高频（日内分钟级）量价数据，构建并剖析股票选股Alpha因子，探讨量价互动关系与传统日频量价因子的异同及高频因子的挖掘方法。

• 核心论点：

- 本报告是之前日频量价因子研究的续篇，将选股因子构建的逻辑及方法从日频迁移到日内高频数据上。
- 发现日内高频量价关系同日度量价存在微妙联系，但时间尺度差异导致微观交易结构不同，使得因子构建细节出现差异。
- 通过多个高频量价因子（如COPA、CORAA、CORAR）的设计与测试，揭示高频数据中量价异动蕴含的Alpha信息，并提出多种优化算法，表现稳定且优于传统因子。

• 评级与目标价：报告无明确具体个股评级，属于量价因子算法研究报告。

---

二、逐节深度解读

1. 量价关系的两个视角（第1节）

• 内容总结：

- 报告从行为金融学角度，探讨市场“异常交易行为”。
- 继续先前几篇基于日度量价关系的Alpha因子研究，扩展至分钟级别高频数据。
- 明确量价关系研究的两个视角：
- 视角1：股价（Price）与成交额（Amount）关系，构建因子COPA。
- 视角2：涨跌幅（Return）与成交额关系，构建因子CORAA（量在价前）和CORAR（价在量前）。
- 发现这两视角在高频下有不同表现，且存在“错期”匹配带来的额外Alpha。

• 逻辑与假设：

- 股价与成交额通常存在“量价同向”关系（日频显著，均相关系数约0.43）。
- 在分钟级别，量价同向关系显著弱化，需重新设计因子。
- 涨跌幅与成交额关系体现更深层次交易行为及市场投机热度。

• 关键数据点：

- 图示展示日频量价同向关系较强，但高频中被打破。
- 使用标准化和错期匹配等方法提升因子预测力。

• 图表解读：

- 图表1（两个视角示意图）清晰区分了量价关系的两个研究方向，帮助构建因子思路。

2. 从日频走向高频（第2节）

• 数据统计性质差异（2.1）：

- 高频数据不符合传统几何布朗运动模型，存在漂移项目接近零，极值离散，自相关性升高等特征。
- 成交额在日内呈明显U型或W型分布（图表37展示典型日内成交额序列）。

• 量价同向关系的打破（2.2）：

- 日度上，上证综指成交额与收盘价显著同向（图表2）。
- 平安银行分钟级量价关系被打破，量价不呈显著相关（图表3），反映高频数据的复杂性和异质性。

• 价格冲击对称性的提升（2.3）：

- 学界早期研究表明，跌涨导致的成交量扩张不对称（价格上涨更激烈时量更大）。
- 日度数据呈现出不对称的U型换手率曲线（图表4、5）。
- 高频数据则表现出更对称的U型关系（图表6、7），反映高频下市场投机行为更均衡。

• 推断：高频数据中价格变动与成交量之间的相关性更复杂，且更加平衡，因子构建需考虑这些微观结构特点。

3. 两个高频量价关系因子（第3节）

• 因子初步构建（3.1）：

- COPA：分钟级价格与成交额的相关系数，月度取10日均值，样本区间为2014-2019年。
- CORA：分钟级涨跌幅绝对值与成交额相关系数，亦取月度10日均值。
- 样本统计：COPA均值为0.037，偏正；CORA均值为0.336，极大概率取正。
- 图表8-11呈现因子分布和时间序列特征，显示因子稳定性强。

• 原始因子测试（3.2）：

- 回测2014-2019年，整体表现较好，但因子IC值为负，说明因子值越低股票月度收益越高（负向Alpha）。
- 分析解释：
- COPA高值股票短期交易热度高，通常表现为负向Alpha。
- CORA高值反映剧烈成交额与价格波动，投机性强，同样负Alpha。
- 两因子与常见因子高度相关（图表13），例如换手率、波动率等。

• 中性化测试（3.3）：

- 对传统因子（市值、市值对数、反转、换手率、波动率、行业）做正交，中性化后COPA仍表现稳定，年化ICIR-3.94，多空组合年化收益14.58%，夏普2.71。
- CORA中性化后表现显著下降，ICIR仅-1.21，多空组合收益7.89%，夏普1.39，表现较弱。
- 因此COPA为较稳健的量价因子，而CORA需进一步改进。
- 图表15-18展示了中性后因子的回撤与收益曲线及IC表现。

4. 量价错期匹配的新Alpha（第4节）

• 启示（4.1）：

- “量在价先”是股市经典现象，成交量异常通常先于价格变动，预示内幕交易等行为。
- 报告在日频和高频均观察到量价错期带来的Alpha增量。
- 高频下，除量在价先外，还发现价在量先的现象同样具备预测能力。

• 错期因子构建（4.2）：

- CORAA：量在价前一分钟相关系数。
- CORAR：价在量前一分钟相关系数。
- 公式明晰，两个因子反映微观交易中的异常行为。
- 样本数据显示两个因子均值正偏，空头组合相关性提高，表现为交易过热的负向Alpha。
- 图表23-26表明两者因子分布均有右偏，指示负向Alpha来源。

• 因子测试表现（4.3）：

- 中性化后，错期因子ICIR分别达到-2.55和-3.05，表现优于COR A。
- 多头组合基本无相关，空头组表现显著负Alpha，符合理论预期。
- CORAR表现略优于CORAA。
- 图表29-32描述多空组合稳定增长，IC表现平稳。

• 因子小结（4.4）：

- COPA稳健且无需复杂处理。
- 同期CORA因子Alpha有限，但错期CORAA、CORAR带来增量Alpha。
- 高频价格绝对涨跌幅与成交额间的错期关系捕捉了更多微观交易热度信息。
- 后续章节将探讨数据清洗和参数优化以提升因子效果。

5. 因子构建中的细节讨论（第5节）

• 日内成交额分布修正（5.1）：

- 高频成交额日内存在U型规律，极值时间段主要为开盘、收盘等。
- 使用过去20日数据对每分钟成交额做移动均值和标准差标准化，剔除日内自然分布偏差。
- 图表37展示了典型日内成交额分布。

• 低流动性数据剔除（5.2）：

- 大量分钟涨跌幅为0（约30%-50%），反映交易稀疏无信息的噪音样本。
- 过滤这些0涨跌幅数据可减小噪音干扰，提高因子信噪比。
- 图表38对比了0涨跌幅比例与整体市场成交额趋势。

• 数据处理效果：

- 优化后的错期因子adjCORAA和adjCORAR均值趋近0.1，波动更小，时间序列更平滑（图表39-42）。
- 因子表现显著提升，ICIR均超过3，多空组合年化收益和夏普均上升，最大回撤显著降低（图表43-51）。

• 参数敏感性分析（5.3）：

- 测试不同错期长度1至5分钟，效果随错期增长而减弱，最佳为1分钟错期，建议以1分钟为计算基础（图表52-54）。

• 计算窗口测试（5.4）：

- 测试月度因子采样窗口N（1-20）日，COPA对窗口不敏感，错期因子随N增大ICIR提升，建议窗口取5-15日权衡计算负担与稳定性（图表55）。

6. 高频量价关系因子合成（第6节）

• 三个表现最佳的高频量价因子（COPA，adjCORAA，adjCORAR）之间相关性较低，因而适合合成（图表56）。

- 采用简单等权合成，剔除传统因子后，中性合成因子月度IC均值-5.03%，年化ICIR达-4.31。

• 合成因子十分组分组收益差异显著，多空组合年化收益22.51%，年化波动5.48%，年化信息比率4.11，月度胜率85%以上（图表57-60）。

- 在沪深300和中证500指数样本内，因子依然表现优良，年化收益均超过12%，信息比率约1.5，表明具备稳健的跨市场适用性（图表61-63）。

7. 总结与心得（第7节）

• 将日频量价因子构建逻辑运用到高频数据，发现因子构造方法可迁移但细节需调整。

- COPA因子基于分钟价格和成交额直接相关性，表现稳健可靠。

• CORA因子基于涨跌幅和成交额相关性，独立性不强，需用错期匹配方法改进，产生CORAA和CORAR两个新因子，显著提升预测能力。

- 优化数据处理（成交额标准化和0涨跌幅数据滤除），使错期因子表现更稳定、Alpha更突出。

• 综合三个因子构建高频量价关系复合因子，月度策略胜率高，收益稳健波动适中，表现优异。

- 指出随着中低频因子挖掘逼近极限，高频数据成为重要的Alpha挖掘领域，具有显著发展潜力。

• 建议未来研究继续探索高频因子最新理论及实践，加大因子体系多样化。

8. 风险提示与回测说明（第8节）

• 本报告基于历史高频数据回测，过去表现不代表未来。

- 市场风格变换及微观交易机制演变可能导致因子失效。

• 回测考量了一般交易成本和行业、市值等因子中性化，但不保证全部现实执行风险。

- 设定费用：双边每笔3个基点，月度调仓。

• 股票范围剔除涨停、跌停、停牌及新股等样本。

---

三、图表深度解读

• 图表1（量价关系两个视角示意）

直观展示“两种量价关系因子构建路径”：股价与成交额的COPA，涨跌幅与成交额的CORAA和CORAR，明确了后文因子设计基础。

• 图表2（上证综指日度成交额与收盘价）

明确了日度量价同向关系的稳定存在，印证放量上涨缩量下跌等传统经验。

• 图表3（平安银行分钟级量价关系）

说明高频下日内量价同向关系显著弱化，显示高频交易机制的微观差异。

• 图表4-7（涨跌幅与换手率关系与不对称性）

上证数据支持经典的“不对称量价变化假说”，且高频数据表现出更强的对称性，反映高频市场细节。

• 图表8-11（COPA分布及时间序列）

COPA因子值近似正态分布，时序均值稳定，因子波动控制良好。

• 图表12-18（原始及中性后因子表现）

显示COPA中性后依然保持稳定负IC及较强收益，CORA表现较弱。

• 图表19-20（COPA分组收益）

净值与年化收益分组排序清晰，多空差异明显。

• 图表23-26（CORAA和CORAR因子分布及时序）

两个因子稍有正偏，时序表现稳定，分位数完整。

• 图表27-32（错期因子中性前后表现）

错期因子中性后仍显著负向Alpha，IC稳定，回撤控制较好。

• 图表33-36（错期因子分组年化收益与净值）

市值调整后单调性更优，净值曲线分层明显，尤其CORAR。

• 图表37（2018年12月底成交额日内分布）

典型的U形成交量分布，为后续数据处理标准化提供依据。

• 图表38（分钟涨跌幅为零数据占比与日成交额）

揭示流动性季节性波动对数据质量的影响。

• 图表39-42（adjCORAA和adjCORAR时序分布）

优化后数据更平稳，因子均值下降，说明剔除日内分布影响及低流动性噪音有效。

• 图表43-51（优化前后因子效果对比及收益）

优化后IC、夏普及净值净值均有显著提升，回撤降低，收益单调性增强。

• 图表52-54（不同错期长度因子分布和表现）

1分钟错期效果最佳，随着延迟增大Alpha明显衰减。

• 图表55（因子计算窗口月取值敏感性）

错期因子随采样窗口增长效果增强，建议5~15交易日。

• 图表56（三因子相关性）

各因子相关性较低，有利合成增浓Alpha。

• 图表57-60（合成因子月IC和收益）

展示复合因子表现显著优于单因子，收益稳健且分层清晰。

• 图表61-63（合成因子在大盘指数里的表现）

表明因子具有一定市场通用性，在沪深300和中证500也有良好表现。

---

四、估值分析

本报告为量价因素选股策略研究，未涉及公司财务估值模型或市场整体估值价目标设定，不适用传统估值模型分析。

---

五、风险因素评估

• 历史回测风险：回测结果基于历史分钟级数据，不保证未来持续有效。

- 微观交易结构变动：市场结构、委托规则变更可能导致高频因子失效。

• 市场风格切换：不同市场阶段量价关系特征可能不同，因子表现受限。

- 数据风险：高频数据噪音大，成交量日内分布及停牌等影响需持续修正。

• 策略参数风险：错期参数、采样窗口选择导致因子表现波动，需动态调整。

- 流动性风险：极低流动性股票的因子可能产生噪声及错误信号。

报告明确警示以上风险，强调本策略仅供参考。

---

六、批判性视角与细微差别

• 模型假设约束：以相关系数衡量量价关系，忽略可能的非线性或复杂动态交互。

- 因子负向Alpha说明：量价同向强烈时股票短期表现负向，可能反映投机泡沫，但对实证机制解释不足。

• 多头组合收益偏低问题：多头对应量价相关性弱或无关状态，容易受噪声干扰，说明因子在选股时更能规避高风险个股而非主动捕捉持续正Alpha。

- 过分依赖高频数据质量：高频成交额及收益率计算受交易撮合、算法交易等影响，可能夸大或误判信号。

• 参数确定略显简单：使用等权合成缺乏对因子权重的优化，未来可能存在进一步提升潜力。

- 盈利稳健性与市场环境关联较大：如2015年股灾及2019年市场调整期间，因子回撤明显，显示稳定性受宏观环境限制。

• 缺少交易成本和市场冲击敏感性分析：真实交易对冲、流动性限制及滑点等因素未系统考虑。

尽管如此，报告结构严谨，论证逻辑连贯，多个角度交叉验证因子有效性，整体分析具有很高的市场实用价值。

---

七、结论性综合

本报告基于方正证券研究所系统过往量价相关因子研究，成功将日频量价选股Alpha因子迁移至日内分钟高频数据。两大核心视角，即“股价与成交额”以及“涨跌幅与成交额”关系，被分别用COPA与错期匹配的CORAA/CORAR因子刻画，捕捉高频下市场微观结构中的多层次交易行为。

研究发现：

• 日频量价同向关系在高频层面被打破，但高频中形成了“错期量价关系”，即成交量先于价格或价格先于成交量的异常现象，具备显著Alpha预测能力。

- 经过持续的数据清洗、成交额标准化、剔除0涨跌幅样本等细致处理，三大因子COPA、CORAA、CORA_R稳定性与预测力均得到显著提升。

• 三因子内在相关性较低，等权合成后产生稳定且优越的多空选股策略，年化收益超22%，波动率低于5.5%，信息比率高达4.11，月度胜率超过85%，最大回撤低于5%。

- 在沪深300和中证500等主流指数成分股中，合成因子仍具良好表现，显示了较强的市场适用性。

• 该系列研究凸显高频数据作为下一个量化Alpha挖掘重点的战略意义，指向未来策略研发对高频微观结构的深入依赖。

最后，本报告以量价微观交互关系，结合高频数据的实际特征，设计出具有强预测能力并理论基础扎实的高频因子体系。这为投资者提供了一套可行且风险可控的高频选股工具，同时开启了对量价互动更深层次的探索路径。

---

（所有结论均基于报告正文内容，引用页码详见报告分页标注）[page::0,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,24]

报告