价量波动幅度因子研究背景与总体结论 [page::0][page::4]

• 价量波动幅度从区间波动角度刻画个股活跃程度，是对传统价量技术因子的有效补充。

- 股价振幅因子与未来股票收益正相关，且在传统因子失效的低涨幅、低换手率、低波动率的股票中表现更优。

• 换手率波幅因子与未来收益显著负相关，空头效应强于多头效应。

股价振幅因子的单因子回测表现 [page::5][page::6][page::7][page::8]

| 指标 | IC | RankIC | 空头超额 | 多头超额 | 多空收益差 | 波动率 | 月胜率 | T值 | IR |
|------------|-------|--------|---------|---------|------------|--------|---------|-------|------|
| 均值 | 3.70% | 3.48% | -1.00% | 0.46% | 1.46% | 8.83% | 65.52% | 4.51 | 1.45 |

• 股价振幅因子表现为多头效应显著，且月均多空收益峰值约为1.46%。

- 因子多头收益在涨幅低样本中显著优于传统反转与波动率因子，显示出良好的补充效应。

• 不同观察期下，1-6个月振幅因子的RankIC均为正，2个月观察期效果最佳。

- 因子效应衰减快，持有期超过3个月后，多空收益不再显著。

换手率波幅因子的单因子回测表现 [page::8][page::9]

| 指标 | IC | RankIC | 空头超额 | 多头超额 | 多空收益差 | 波动率 | 月胜率 | T值 | IR |
|------------|-------|--------|---------|---------|------------|--------|---------|-------|------|
| 均值 | -2.90%| -2.77% | -0.69% | 0.18% | 0.87% | 5.21% | 31.03% | -6.01 | -1.93|

• 换手率波幅因子与股票收益显著负相关，空头效应比多头更强。

- 该因子对观察期较为敏感，1个月观察期表现最优，4个月后相关性减弱甚至反转。

多因子模型中价量波幅因子的贡献 [page::10]

| 因子 | 月均溢价 | t值 |
|-------------------|---------|-------|
| 股价振幅 | 0.38% | 5.30 |
| 换手率波幅 | -0.24% | -4.87 |

• 加入价量波幅因子后，多因子模型IC和RankIC均有所提升，IR增加，提升了截面解释力。

- 两因子存在一定相关性，但仍包含各自独特信息，组合效果优于单因子。

因子风险及应用提示 [page::11]

• 因子有效性可能随市场环境变化而变动，有历史统计规律失效风险。

- 股价振幅因子适合短至中期持有，推荐观察期1-3个月，持有期不宜过长。

• 价量波幅因子适合作为多因子模型补充因子，优化选股稳定性与多样性。

报告深度分析：《选股因子系列研究（五十五）——价量波动幅度》

---

一、元数据与报告概览

• 报告标题：《选股因子系列研究（五十五）——价量波动幅度》

- 作者：冯佳睿、罗蕾

• 发布机构：海通证券研究所

- 发布日期：2019年9月

• 主题：本报告聚焦于股票市场中“价量波动幅度”对未来股票收益的影响，研究其作为选股因子的有效性和应用价值。

核心论点与主要信息：

• 股价振幅因子（即一定区间内的股价最高价与最低价之差）与未来股票收益显著正相关，尤其在控制涨跌幅、换手率和波动率后，历史股价振幅越大，未来表现越优。

- 换手率波幅因子（近期内换手率的波动幅度）与未来收益显著负相关，换手率波幅越大，收益表现越差。

• 股价振幅因子是对传统技术因子（涨跌幅、换手率、波动率）有效补充，特别是在传统因子失效的低涨幅、低换手率样本中表现突出。

- 这些价量波幅因子纳入多因子模型后，能够提升模型的预测能力（IC、RankIC表现提升）。

• 风险提示主要包括因子历史有效性可能失效的风险以及统计规律的变化风险。[page::0,4,11]

---

二、逐节深度解读

1. 对传统价量因子的有效补充

• 内容总结：

传统价量技术因子通常表现为“空头效应强，多头效应弱”，即这些因子在涨幅高、换手率高、波动率高的样本段表现较好，在涨幅低、换手率低、波动率低的样本段表现较弱甚至失效。

• 关键数据与推理：

- 以涨幅、换手率、波动率三指标将市场划分为8个子样本空间，统计传统技术因子（反转、换手率、波动率）于各子样本的月均多空收益。
- 结果显示传统因子多空收益主要显著集中在涨幅/换手率高的样本内，表现不足。
- 以此背景，报告引入股价振幅因子（过去一段时间内股价最高价/最低价-1）作为补充。
- 振幅因子在涨幅低、换手率低、波动率低的子样本中显著产生正收益（多空收益最大为0.92%），显示出该因子的独特优势和补充价值。

• 专业解释：

- 传统技术因子多为空头策略（卖出表现差的股票）表现更稳定，意味着其对于选取潜在上涨强势股的预测能力有限。
- 振幅因子因侧重于价格区间内的活跃度和波动幅度，捕捉不同的市场信息，弥补了传统因子的不足。

[图表深度解读同页图1、图2见下文][page::4]

---

2. 股价振幅单因子回测

2.1 因子计算

• 振幅因子与换手率和波动率呈正相关，与市值呈负相关，即振幅大的股票通常波动率、换手率较高，且市值较小。

- 为突出振幅因子的独立选股能力，报告采用正交方法剔除反转、换手率、波动率、流动性及市值因子影响，确保振幅因子独立性。

2.2 单因子选股效果

• 3个月振幅因子的月均IC 3.7%，RankIC 3.5%，IR分别为1.45和1.25，说明选股表现显著有效。

- 振幅因子分组表现随着因子得分递增，组合收益稳步提高，多头组合相较空头组合月均超额收益达1.46%，月度胜率达到70.7%。

• 重要发现是，在不同涨跌幅的子样本中，振幅因子与传统反转、波动率因子的表现存在互补性：涨幅低段振幅因子多头效应显著优于其他因子。

2.3 至 2.5 章节概述

• 振幅因子对观察期选择不敏感，1-6个月均表现稳健，但观察期越长，因子效果逐渐减弱（2个月观察期效果最好）。

- 持有期影响显著，持有期超过3个月，因子多空收益迅速衰减甚至反转。此点揭示振幅因子更适合短期持有。

• 振幅因子在中小市值及低涨幅样本的多空收益优于大市值股票，表明其更适合中小盘风格股票选股。

图表细致解读（通过图3至图9）将在图表部分详细说明。

---

3. 换手率波幅单因子回测

• 换手率波幅因子表现为与未来股票收益显著负相关，换手率波动越大，未来表现越差。

- 该因子的空头效应明显（空头月均超额收益-0.69%，显著），多头效应弱且不稳定（多头月均超额仅0.18%，不显著）。

• 与股价振幅因子相比，换手率波幅对观察期的敏感性更高，表现1个月最佳，之后迅速减弱，观察期长于4个月后甚至出现正相关的趋势。

- 以上表明换手率波幅因子作为短期选股指标有效，且其信息稳定性不及振幅因子。

图表分析图10至图12详见后文。[page::8-9]

---

4. 多因子模型回测

• 研究纳入常见9因子（市值、市值平方、反转、换手率、波动率、流动性、ROE、预期净利润调整、SUE），评估加入股价振幅及换手率波幅后的模型表现。

- 股价振幅因子月均截面溢价显著为正，换手率波幅为负，两者均在模型中保持统计显著性。

• 尽管两因子存在相关性（溢价相关系数0.29），但各自都贡献了其他因子无法捕获的信息。

- 加入价量波幅因子后，模型IC及RankIC均有所提升，IR值也提高，表明预测能力增强。

• 但加入两个波幅因子后，IR略有下降，可能因相关性导致波动率上升。

详见表5和表6的数据支持。[page::10]

---

5. 总结

• 报告确认股价振幅因子与股票未来收益显著正相关，且对观察期不敏感，能有效补充传统价量因子，优势在低涨幅、低换手率、低波动率样本中。

- 换手率波幅因子负相关未来收益，多头效果弱，主要空头策略表现显著，但其有效期短且对观察期选择敏感。

• 价量波幅因子纳入多因子模型显著提升模型的解释与预测能力。

- 风险提示集中于因子历史效用的变化风险与统计规律过时的风险。[page::11]

---

三、图表深度解读

图1：常见技术因子在不同样本空间的月均多空收益（2010.01-2019.08）

• 展示三大技术因子（反转、换手率、波动率）在8个涨幅、换手率和波动率交叉子样本中的多空收益表现。

- 结果明显：在涨幅和换手率均高区间，因子表现强劲（多空收益至0.9%），在低涨幅、低换手率区多空收益多为负或不显著。

• 表格颜色深浅及加粗表明统计显著性，体现因子选股能力依赖市场行情与流动性条件。

- 该图旨在说明传统因子在市场低活跃区域的局限，为后续引入振幅因子埋下基础。

图2：股价振幅因子在不同样本空间的月均多空收益

• 反映振幅因子在同样的样本空间下的表现。

- 与图1形成对比：振幅因子在所有子样本均显著为正，尤其在涨幅低、换手率低、波动率低这一“弱势”区间，表现尤为突出（月均多空收益达0.92%）。

• 视图用色、加粗突出统计显著性和因子优势，证明振幅因子是传统因子的有效补充。

图3：股价振幅组合的因子特征（相关性分析）

• X轴为振幅因子分组，从最低到最高。

- Y轴为标准化的其他因子特征表现（波动率、换手率、反转、流动性、市值）。

• 波动率与换手率曲线（深蓝、蓝线）随振幅增加明显上升，暗示振幅与市场活跃度强相关。

- 市值呈下降趋势（紫色线），表明高振幅股票多为小市值股票。

• 反转和流动性特征轻微上升，说明振幅独立携带其他信息。

图4、5：3个月振幅因子分组收益及多空收益累计净值

• 图4展示因子得分分组的月均超额收益，分组从低到高，收益单调上升，最高组与最低组差异显著。

- 图5为月度多空收益及累计净值走势，呈稳定上升趋势，表明因子长期恒定有效。

图6：不同涨跌幅分组中价格类因子的多头超额收益

• 不同涨跌幅五个样本组分别统计振幅、反转、波动率因子的月均多头超额收益。

- 振幅因子多头收益随涨幅降低而升高，在最低涨幅组中表现优于其他因子。

• 反转与波动率因子在高涨幅区间表现出优势。

- 说明因子有效区间不同，验证振幅因子补充功能。

表2和表3：不同涨幅与波动率样本中的因子分组收益

• 数据展示振幅因子在低涨幅和低波动率样本中收益的单调性及超额收益普遍高于传统因子，进一步佐证文本结论。

图7：不同观察期下振幅因子的RankIC和ICIR表现

• 观察期从1个月到12个月，2个月观察期RankIC最高3.84%，整体1-6个月区间稳定且显著。

- 备注12个月观察期显著性大幅下降，说明因子主要反映中短期波动信息。

图8：不同持有期下振幅因子的月均多空收益

• 持有期1个月时超额收益最高（1.67%），持有期增长导致收益迅速衰减，5个月后出现负收益。

- 表明振幅因子适合短期交易策略，用于长期持有效果减弱。

图9：不同市值风格中振幅因子的月均多空收益

• 市值最大20%股票中，因子表现相对弱，收益约0.62%。

- 中小盘股票中收益均超过1%，其中D1-D4组均显著，表明振幅因子在中小盘股票较强。

图10、11：换手率波幅因子分组收益及多空收益累计净值

• 图10：分组收益曲线表现为当换手率波幅低时，收益为正；随波幅增加，收益快速下滑甚至负值。

- 图11：多空收益累计净值上升，说明空头策略有效。

• 表4中的IC及IR均为负值，验证换手率波幅因子负相关性。

图12：不同观察期下换手率波幅因子的IC表现

• 随观察期延长，IC呈上升趋势但由负转向正，最长观察期失效，显示因子对时间窗口高度敏感。

表5、6：多因子模型截面溢价和IC对比

• 表5展示9因子基础模型中加入振幅与换手率波幅的溢价及统计显著性，两波幅因子均显著影响未来收益。

- 表6强调加入波幅因子提升模型预测能力（IC和IR提升），但两因子同时加入引起模型波动性增大，IR略微下降。

---

四、估值分析

报告属于金融量化因子研究类，未涉及单独公司估值分析，主要聚焦于因子统计有效性和预测能力，故无传统意义上的估值模型、目标价等内容。

---

五、风险因素评估

• 因子有效性变化风险：市场结构、投资者偏好等变化可能导致因子历史表现失效。

- 历史统计规律失效风险：过往数据规律未来未必持续，特别是量化因子在受到广泛关注后可能被市场提前反应削弱。

• 报告未详细给出具体缓解措施，但通过多因子模型的构建和因子组合方式能够相对平滑单一因子风险。

整体风险提示简洁，重点提醒因子投资中需注意历史经验的时间一致性和持久性问题。[page::11]

---

六、批判性视角与细微差别

• 振幅因子与换手率波幅因子间存在一定相关性，报告中虽做正交分析减弱因子间相关影响，但两者共同加入模型导致IR下降，值得警惕实际组合中的因子重复暴露风险。

- 振幅因子的衰减速度快，持有期超过3个月多空收益不显著，显示因子适用时间窗口有限，对实操中交易频率要求较高，且可能伴随交易成本上升。

• 换手率波幅因子受观察期影响较大，其稳定性和持续性略逊一筹，实操时需对观察期参数进行细致调优。

- 从样本划分来看，因子效果强弱与市场环境紧密相连，因子在市场低迷或低活跃期表现更优，暗示其可能与市场情绪或流动性因素密切相关。

• 报告未展现因子在极端市场环境或重大事件影响下的表现，是否稳定还有待检验。

---

七、结论性综合

本报告系统深入研究了价量波动幅度因子对股票未来收益的预测作用，重点提出并验证了股价振幅因子与换手率波幅因子两种创新型价量波幅指标的投资价值。研究表明：

• 股价振幅因子是对传统技术价量因子的强有效补充，尤其在传统因子失效的低涨幅、低换手、低波动市场环境中，振幅因子表现出显著的正向预测能力，月均多空收益达0.92%以上，且选股排名相关指标（IC、RankIC）显著为正。其适合短线持有策略（持有期不超过3个月），且在中小市值股票中效果更佳。

- 换手率波幅因子与未来收益显著负相关，换手率波动剧烈暗示股票未来表现差，空头策略有效，但多头策略不稳定，且因子对时间窗口敏感。

• 两价量波幅因子纳入包含市值、反转、换手率、波动率、ROE等9因子的多因子模型后，整体模型的预测能力（IC及IR）得到提升，显示因子含有其他常见因子未覆盖的额外信息。

- 报告广泛利用跨样本空间的回测数据支持结论，详细分析了因子在不同市场环境、不同观察期和持有期的表现，数据丰富、逻辑严密。

• 但因子衰减快、换手率波幅因子稳定性较差等局限提醒投资者使用时需保持谨慎，结合多因子策略和风险管理框架。

- 风险提示明确因子有效性可能变化，历史统计规律可能失效，是量化因子研究中普遍存在的风险。

报告的数据图表清晰直观，有效地证明了价量波幅因子的补充价值，对量化投资者构建多因子选股模型具有重要参考价值。

---

八、附录：主要图表展示

• 图3：股价振幅组合的因子特征

• 图4：3个月振幅因子分组收益

• 图5：3个月振幅因子多空收益

• 图6：不同涨跌幅样本中价格类因子多头超额收益

• 图7：观测期对振幅因子RankIC的影响

• 图8：不同持有期下振幅因子的月均多空收益

• 图9：不同市值风格中振幅因子的月均多空收益

• 图10、11分别为换手率波幅因子的分组收益及多空收益

• 图12：不同观察期对换手率波幅因子IC的影响

---

结语

此次研究充分证明价量波幅因子在中国A股市场的实用价值，尤其股价振幅因子的稳定正向收益特征及其作为传统技术因子的有力补充，为量化投资因子的多样化构建提供了科学依据。投资者在使用时须结合短期持有策略，兼顾换手率波幅因子带来的短期风险警示，同时注意因子历史有效性的风险，合理配置，方能在实操中取得理想投资回报。[page::0-14]

报告