1. 基于分钟K线的主力状态识别与因子构建 [page::2][page::3][page::5]

• 提出两种状态分类方法：方法一基于当前分钟成交量与上一区间最后一分钟成交量比较，划分为缩量上涨/下跌和放量上涨/下跌4种状态；方法二基于当前分钟成交量与区间内成交量最大/最小值比较，划分为6种状态。

- “放量上涨”和“放量持续上涨”状态对主力拉升行为表现相关性最高，“放量下跌”和“放量持续下跌”更能代表主力出货行为。

• 利用不同形态收益构造波动率，采用日内时序截面标准化和绝对值截面标准化后计算20日标准差，修正后方法提升了因子IC与收益率。

2. 主力波动率因子绩效表现及改进算法 [page::6][page::8][page::9][page::10]

• 主力波动率因子由“放量上涨”、“放量持续上涨”、“放量下跌”、“放量持续下跌”四因子等权合成，体现主力资金行为的波动影响。

- 单因子回测显示，年化多空收益率达到33.83%，多头年化超额收益9.96%，夏普比率达到2.85；周频调仓令多空年化收益提升至48.62%，夏普比率达3.65。

• 新算法相比传统20日波动率因子提高了因子持续超额收益，因子与传统波动率相关性约70.85%，说明本质相关但信息含量更丰富。

- 主力波动率风格偏向低流动性、低波动率、低估值，与传统价量因子相关性较低，体现独特选股维度。

3. 因子在不同样本空间及红利策略中的应用 [page::12][page::13][page::15][page::16][page::17]

• 在沪深300、中证500、中证1000、国证2000的各样本空间因子表现差异显著，小盘股中表现最佳，多空年化收益最高达37.69%。

- 应用主力波动率替代传统波动率因子改进红利低波策略，组合年化收益分别提升3.00%和2.42%。

• 结合短期主力波动率和长期波动率构建的红利成长低波长短期波动结合策略，自2013年以来年化收益达到23.96%，超额收益增厚6.40%，夏普比率提升至1.07，最大回撤改善。

- 策略持股数量适中，风格暴露偏向小市值、低波动且兼顾价值属性，具备较强可投资性。

4. 结论及风险提示 [page::19][page::20]

• 主力波动率因子通过细分日内交易形态捕捉主力拉升和出货行为，有效刻画股票波动率，因子表现稳健且具选股能力。

- 因子构建与应用在沪深A股市场表现突出，适合作为波动率替代因子提升红利低波及相关策略收益。

• 量化结论基于历史统计数据，未来市场环境变化可能导致因子失效，投资需谨慎。

一、元数据与报告概览

• 报告标题：基于分钟K线的“主力波动率”构造及应用

- 作者：叶尔乐（执业证书号：S0100522110002）

• 发布机构：民生证券研究院

- 发布日期：2024年8月2日

• 研究主题：量化投资专题，聚焦通过分钟K线数据识别主力资金行为，以构建主力波动率因子及其在红利低波策略中的应用。

核心论点：
本文提出基于1分钟频率价格和成交量数据，基于两种状态分类方法识别主力资金的拉升与出货行为，通过将代表主力资金行为的四种关键个股状态构造波动率因子，形成综合“主力波动率”因子。该因子在多重维度和样本空间均表现出优异的选股能力，尤其在红利低波策略中替代传统波动率因子后有效提升组合长期收益和稳定性。

主要绩效指标包括：

• 主力波动率因子IC均值6.75%，Rank IC均值9.06%。

- 多空年化收益33.83%，多空年化夏普比率2.85。

• 多头年化超额收益9.96%。

- 不同市场规模表现递增，小市值板块表现尤佳。

• 以主力波动率替换传统波动率构建的红利低波组合，年化收益提升约3%。

- 结合短期和长期波动率构建的红利成长低波策略年化收益达23.96%。

风险提示指出，该结论基于历史统计数据，未来市场环境变化可能导致失效。

---

二、逐节深度解读

1. 基于分钟K线的主力趋势识别

1.1 技术形态分解日内分钟K线状态

• 报告认为日内收益率包含复杂投资者行为信息，单纯日频收益率难以有效区分主力资金行为。图1展示传统基于日频收益率的波动率因子多头收益净值曲线，表现震荡且回撤明显。
• 提出两种基于日内1分钟收益率涨跌幅方向和成交量相对变化的状态分类方法：

- 方法一：以收益率涨跌方向划分区间，比较当前分钟成交量与上一趋势段最后一分钟成交量，相对放量或缩量分为4种状态（放量上涨、缩量上涨、放量下跌、缩量下跌）。
- 方法二：基于趋势段内部成交量与区间内成交量极值比较，划分为6种量价状态（放量持续上涨、平量持续上涨、缩量持续上涨、放量持续下跌、平量持续下跌、缩量持续下跌）。

• 图2和图3提供了两种方法的示意日内K线与成交量状态划分。

1.2 采用不同形态收益计算波动率因子

• 利用上述方法，将日内收益率拆分为不同技术形态对应时段收益，计算过去20日截面标准化收益率后做绝对值截面标准化，再计算标准差，得到波动率因子。

- 表1、表2分别展示两种方法不同状态对应波动率因子的IC、年化收益、多头收益表现，验证“放量上涨”和“放量持续上涨”状态因子表现最佳，IC均接近7%，多空年化超过35%。

• 图4和图5显示“放量上涨/放量持续上涨”与当日收益相关系数最高，说明代表主力拉升行为；类似地，“放量下跌”两状态代表主力出货行为。

- 图6、图7进一步显示不同状态波动率因子的多头净值成长路径。

2. “主力波动率因子”构建

2.1 因子构建

• 选取上述四个放量状态的波动率因子，等权综合作为主力波动率因子（步骤详见图8）。考虑市场单边下跌异常值问题，采用同时包含上涨与下跌状态的因子合成以增加稳定性与普适性。

- 主力波动率因子反映主力资金行为对股价影响幅度的波动程度，波动度越大，未来收益率越低。

2.2 因子绩效

• 表3显示“主力波动率”因子IC 6.75%，Rank IC 9.06%，多空年化收益33.83%，夏普比率2.85，显示较好稳定性和收益。

- 图9描绘了主力波动率因子十分组与多空组合净值，表现稳健持续上升。

• 主力波动率因子与传统20日波动率相关系数高达70.85%，属于对传统波动率的有效改进。

2.3 波动率因子算法讨论

• 与传统直接计算收益率标准差不同，新算法对日度收益率先进行截面标准化，取绝对值截面标准化两步，以捕捉偏离均值的影响幅度（“日内超额波动幅度”），忽略方向因素，使因子粒度更细。

- 图10演示此算法步骤，图11比较新旧算法多头超额净值，显示新算法在全时期均优于传统方法，累计超额收益持续正向积累。

2.4 风格相关系数

• 图12展现主力波动率与常见风格因子间相关性：相较传统波动率，主力波动率因子风格暴露更低。具体和波动率、流动性、价值因子分别相关系数为-46.58%、-28.78%、21.59%，多头组合倾向于低流动性、低波动、低估值特征，符合价量因子预期。

2.5 不同频率回测结果

• 除月频调仓，测试显示周频调仓时主力波动率因子表现更佳。

- 表4显示周频多空年化收益高达48.62%，夏普3.65，强于月频的33.83%。换手率翻倍，表5细化展示了历年换手率差异。

• 图13对比了周频与月频多空组合净值走势，周频曲线明显抬升。

2.6 其他样本空间表现

• 报告分别测试沪深300、中证500、中证1000、国证2000四大样本空间。

- 表6与图14展示，主力波动率因子在小市值板块表现明显优于大盘，Rank IC逐步提升（由3.17%提升至10.82%），多空年化收益由10.31%到37.69%，趋势稳健。

3. 主力波动率因子在红利策略中的应用

3.1 红利低波基准策略表现

• 报告回顾了主流红利低波指数（如中证红利低波、红利成长低波）表现，图15、16显示这些指数整体优于沪深300，且超额收益稳健。

3.2 主力波动率在高股息股票中的表现

• 在高股息股票池中测试不同波动率因子表现（表7），主力波动率因子IC和实际回测收益均明显优于传统使用的1年和1月波动率因子。

- 多空年化收益22.08%，多头超额收益6.77%，风险调整指标均优。

3.3 改进策略构建

3.3.1 在红利低波指数中的应用

• 将主力波动率替换中证红利低波和红利成长低波指数中的传统波动率因子，构建的修正组合展示了更优表现（表8、9、10，图17、18）。

- 修正后红利低波组合年化收益率为16.69%，较基准提升3%；修正后红利成长低波年化19.50%，提升6.78%。

• 尽管短期波动率引入带来一定波动增加，但整体夏普比率稳定提升，最大回撤控制有所不同。

3.3.2 更优的红利低波策略构建

• 基于股利支付率、业绩增长与波动率结合实现更完善选股（表11、12、13，图19、20）。

- 长短期波动率结合的红利成长低波策略年化收益达23.96%，超额收益6.40%，同时夏普比率提升至1.07，最大回撤显著下降，显示收益稳健且风险有所缓释。

• 年度表现分布详见表14，2019-2022年均取得双位数超额收益，最大回撤均控制在-10%以内，充分体现策略的实用性。

- 持股数适中稳定，月均27只，增强投资可操作性（图21）。

• 该策略风格暴露（图22）显示偏向小市值与低波动，同时在价值和成长因子上与中证红利低波指数表现相似，具备价值与成长平衡。

4. 结论

• 日内1分钟频价格和成交量的形态识别技术成功捕捉主力资金的拉升与出货行为。

- 两种状态分类方法（4状态与6状态）均明晰划分出放量上涨/下跌与放量持续上涨/下跌状态，体现主力资金行为。

• 以各状态对应区间收益率波动率等权合成，构建主力波动率因子，展现优越选股能力：IC 9.06%，多空年化收益33.83%，多头超额收益9.96%。

- 主力波动率因子较传统波动率更能精准刻画股票波动行为，且在不同市值规模表现持续强化，尤其对小盘股表现尤为突出。

• 基于主力波动率的红利低波策略实证显示策略收益显著提升，结合长短期波动率构建的红利成长低波策略年化23.96%，具备长期投资价值。

5. 风险提示

• 报告强调所有量化结论基于历史统计，市场环境未来变化可能使得策略失效或表现下降。

---

三、图表深度解读

• 图1（日频收益率波动率因子历史表现）

展示2013年至今传统基于日频收益率构建波动率因子的多头、多空及超额收益净值曲线。多头收益曲线变动明显，存在2017年回撤较大，后续收益维持平稳，反映日频波动率因子选股能力不稳定。体现了日频数据颗粒度较低对因子准确性的限制。[page::2]

• 图2、图3（日内状态分类示意图）

图2基于方法一划分4种状态，示例显示放量上涨、缩量上涨、放量下跌、缩量下跌的典型K线与成交量结构；图3是方法二划分6种状态示意，细分了持续性量价关系。两图直观展现技术形态与成交量关系，支持识别主力资金行为逻辑。[page::3][page::4]

• 图4、图5（状态出现次数与涨跌幅相关系数）

以柱状图形式展现不同状态出现频率与股票当日涨跌幅、区间收益与涨跌幅的相关性。两图均突出“放量上涨”与“放量持续上涨”与上涨收益相关系数最高；“放量下跌”和“放量持续下跌”与下跌收益相关性最高，验证这些状态代表主力买卖行为。[page::4]

• 表1、表2（状态波动率因子绩效）

两表详细数值对比了10个技术形态对应波动率因子，从IC到多头收益均有量化指标展示，突出“放量上涨”与“放量持续上涨”因子IC最高、收益表现最优。表中“Rank IC>0占比”均在85%以上，显示因子稳定性较好。[page::6]

• 图6、7（状态波动率因子多头超额净值）

长期跟踪各状态因子多头净值增长，“放量上涨/放量持续上涨”线条明显领先其他状态，体现其优异股价预测能力。[page::6]

• 图8（主力波动率因子流程图）

逻辑清晰图示主力波动率从日内交易状态划分到截面标准化、绝对值转换和20日标准差计算，最终四因子等权合成，可视化展示指标构造全流程。[page::7]

• 表3、图9（主力波动率因子绩效及净值曲线）

表3数值量化主力波动率IC、夏普等指标。图9分组成份以及多空组合净值趋势清晰，显示因子整体稳定且具备较高收益率，且多头组合净值稳步攀升至近12倍。[page::8]

• 图10、11（波动率因子计算新旧算法对比）

图10详细示意了新算法中对时序收益率截面标准化和绝对值处理的渐进效果，图11通过多头超额净值对比，展示新算法比传统算法长期累积更高超额收益的优势，强调新算法不仅提高了信息含量也促进因子的稳定性。[page::9][page::10]

• 图12（主力波动率与风格因子相关性）

柱状图显示主力波动率因子与其他风格指标相关系数，负相关如波动率、流动性，略正相关价值因子。较低的风格暴露表现因子独立选股能力以及对低估值、低波动股票的偏好特征。[page::10]

• 表4、图13（周频与月频回测差异）

表4显示周频调仓时因子IC虽略降但收益及夏普大幅提升，多空收益超48%，图13则直观反映周频纯收益曲线远超月频，反映较高交易频率有助更及时捕获主力资金行为信息。[page::11][page::11]

• 表5（因子换手率对比）

展示2013-2024年切换周频和月频调仓时的换手率，周频普遍约两倍于月频，体现收益提升的同时交易频率提升风险管理需加以考量。[page::11]

• 表6、图14（不同样本空间表现）

分板块展示因子表现，层级递增显示小市值股票中表现更好，特别是在中证1000和国证2000，IC和收益显著提升，多空最大回撤下降，曲线图14支持此趋势，强调主力波动率因子对中小市值股票的选股力。[page::12][page::12]

• 图15、16（红利低波指数与沪深300对比）

作为策略背景，显示主要红利低波指数长期跑赢沪深300，且绝对收益与超额收益具有明显优势，突出研究的策略基础理论必然性。[page::13]

• 表7（波动率因子在高股息池表现）

明晰比较主力波动率与传统一年、一月波动率因子的IC、年化超额收益等指标，主力波动率获得显著提升，凸显其对高股息股票池的有效性。[page::13]

• 表8-10、图17、18（红利低波组合构建与表现）

采用主力波动率替换传统波动率因子的指数策略，长期表现数据展示年化收益和夏普率均提升，短期波动率纳入带来一定波动加大，但整体收益稳健。两套组合均明显优于对应基准。[page::14][page::15]

• 图19、表12（红利成长低波策略短期波动）

描述短期波动率应用的策略历史净值及指数对比，优势突出，说明因子选股能力及回测稳定性较高。[page::16]

• 图20、表13（红利成长低波策略长短期波动结合）

综合短期主力波动率与长期波动率优势，策略年化收益进一步提升至23.96%，同时夏普率和最大回撤指标改善，代表收益与风险管理能力兼具。[page::17]

• 表14（年度绩效明细）

具体年度分解，绝大多数年份实现双位数超额收益且回撤控制良好，量化策略展现较强的抗周期能力和稳定性。[page::17]

• 图21、22（持股数与风格暴露）

持股数相对均衡稳定，具备良好分散性和投资操作便利。策略风格显示偏向低波动、小盘价值，兼顾成长特征，具备多因子均衡效应。[page::18]

---

四、估值分析

本报告属于量化策略专题研究，主要关注因子构建与绩效评估，未涉及传统估值模型（如DCF、PE倍数等）。因此没有估值分析章节。

---

五、风险因素评估

• 报告唯一风险提示为量化回测基于历史数据，未来市场环境若发生显著变化，因子表现和策略效能可能失效或减弱。

- 未显性纳入流动性风险、模型过拟合风险或市场极端事件情况下的稳定性。

---

六、批判性视角与细微差别

• 报告在因子构造和数据处理环节均采用复杂标准化和绝对值处理方法，虽提高了因子信息含量和稳定性，但具体对异常值和极端行情处理细节未充分展开，可能对极端行情表现评估有所欠缺；

- 依赖分钟级高频数据的计算体系，周频和月频调仓收益差异显著，暗示交易成本和实际可执行性风险需要关注，尤其在换手率大幅提升的情形下；

• 因子表现对小市值股票偏好明显，策略在流动性较差股票上的表现可能带来实操风险；

- 风险提示过于简略，未充分展开模型逻辑潜在的市场结构变化失败风险，如主力资金行为模式突变、政策监管等因素影响；

• 报告未提供量价关系形成因果机制和行为金融理论深度解读，部分因子表现提升归因主要基于历史经验和相关性，需后续进一步验证理论机制稳定性；

- 组合表现虽优于基准，但相对夏普和最大回撤配置仍有改进空间，特别组合最大回撤在部分策略中较高，需关注长期风险控制策略。

---

七、结论性综合

本报告创新性地提出了基于日内1分钟频率涨跌幅与成交量相对变化的状态分类方法，细致捕捉主力资金拉升与出货的技术形态，构建放量上涨、放量持续上涨、放量下跌和放量持续下跌4个关键状态的收益波动率因子，并通过截面标准化、绝对值处理及历史波动率计算形成“主力波动率”综合因子。

经过详尽的回测分析，主力波动率因子在IC、年化收益、夏普比率等关键量化指标上均优于传统基于日频收益率或固定窗口波动率因子，特别是在小市值股票样本中表现更为突出，验证了策略对主力资金行为的有效捕获力与强选股能力。

该因子在红利低波投资策略中应用效果显著，以主力波动率替代传统波动率因子后，年化收益提升3%左右，结合短期与长期波动因子构建的红利成长低波策略自2013年起实现年化23.96%的高收益率，且风险调整后表现稳定，最大回撤有所控制，持股数量适中操作可行。

图表多维度数据与回测结果充分佐证报告结论，展示出主力波动率因子通过更精准刻画日内主力资金行为对股票波动率的影响，实现量价信息与波动率结合的因子迭代升级，提升了因子在不同市场环境下的绩效稳定性与选股效果。

整体而言，主力波动率因子为量化投资中融合高频交易形态与传统波动率指标的创新尝试，在主力资金行为挖掘与红利低波策略优化中提供了强有力支持，具备良好的应用推广价值。但仍需关注市场环境变化及具体执行成本等实际操作风险。

---

八、报告主要图表索引（示例）

• 图1：日频收益率构建的波动率因子历史表现

- 图2：状态分类方法一日内分时状态识别示意图

• 图3：状态分类方法二日内分时状态识别示意图

- 图4：方法一技术状态出现次数与收益相关性

• 图5：方法二技术状态出现次数与收益相关性

- 图6：状态分类方法一波动率因子多头净值

• 图7：状态分类方法二波动率因子多头净值

- 图8：主力波动率因子计算流程示意图

• 图9：主力波动率因子十分组及多空组合净值

- 图10：主力波动率因子新算法示意图

• 图11：不同算法主力波动率因子多头超额净值对比

- 图12：主力波动率与常见风格因子相关系数比较

• 图13：周频与月频调仓主力波动率因子多空净值对比

- 图14：不同样本空间主力波动率因子多空净值

• 图15：主要红利低波指数与沪深300走势

- 图16：主要红利低波指数相对沪深300超额净值

• 图17：修正后红利低波组合净值对比

- 图18：修正后红利成长低波组合净值对比

• 图19：红利成长低波策略（短期波动）净值

- 图20：红利成长低波策略（长短期波动结合）净值

• 图21：红利成长低波策略（长短期波动结合）持股数量

- 图22：红利成长低波策略（长短期波动结合）风格暴露

---

九、总结

本文基于分钟频高颗粒度数据剥离主力资金行为状态，创新构建“主力波动率”因子，既突显了日内交易情绪动态，也解决了传统日频波动率因子表现波动大的痛点。因子具备优良的选股能力和风险收益平衡特征，且在红利低波策略中应用表现突出。结合长短期波动率因子构建的红利成长低波策略提供了超越传统指数长期稳定的超额收益，具备较强的实操参考价值。量化结论务必结合市场环境动态调整，合理控制交易频率和风险。

[page::0,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]

报告