价量相关性因子核心结论概述 [page::0]

• 价量相关性因子通过计算价格与成交量的相关系数区分反转效应和动量效应。

- 日内价量相关性表现为反转，因子值越小代表买入信号；隔夜价量相关性表现为动量，因子值越大代表买入信号。

• 相关系数是评估价量配合的“最好尺”，有效提升价量因子的稳定性。

价量相关性因子与选股绩效回顾 [page::5][page::6][page::7][page::8]

• PVcorravg因子5分组回测显示，因子值最小的组未来20日股票表现最好，年化收益率15.25%，最大回撤6.72%。

- 一阶差分价量相关性因子虽然保持一定选股能力，但绩效明显衰退（信息比率由2.77降至1.73），反映差分序列投资价值有限。

日内与隔夜价量相关性拆解与优化 [page::9][page::10][page::11][page::14][page::15]

• 日内价量相关性使用日内涨跌与日内换手率构建的CCOIV呈现反转效应，选股效果稳定。

- 隔夜价量相关性通过隔夜涨跌与昨日换手率的错配构建的COV呈现动量效应，信息比率达到1.84。

• 直接用开盘价换手率组合效果不佳，强调隔夜价量存在“时序错配”特性。

新价量相关性RPV因子构建与回测结果 [page::16][page::17][page::18][page::19]

| 指标 | CCV | CCOIV | COV | RPV |
|------------|-------|-------|-------|-------|
| 年化收益率 | 21.94%| 10.69%| 14.46%| 17.33%|
| 年化波动率 | 10.38%| 7.38% | 7.86% | 6.38% |
| 信息比率 | 2.11 | 1.45 | 1.84 | 2.71 |
| 月度胜率 | 72.55%| 70.59%| 69.61%| 81.37%|
| 最大回撤率 | 10.37%| 12.96%| 6.28% | 5.23% |

• RPV因子将日内价量相关性因子CCOIV与隔夜价量相关性因子COV线性叠加（方向调整后）构成。

- 回测显示RPV在IC值、稳定性和收益率上优于单一因子，且与传统因子相关性低，具有较好创新性。

• RPV正交传统换手率因子和反转因子后依然保留良好选股能力。

RPV因子的参数敏感性与多空收益分解 [page::21]

• 不同回溯天数（20、40、60日）均表现优良，信息比率和稳定性优于传统因子。

- 多空收益分解显示整体偏空头，比例约为4:6，但多头收益波动更小且稳定。

RPV因子在不同指数样本中的表现及实操价值 [page::22][page::23][page::24]

• 在沪深300、中证500、中证1000等不同规模指数中均表现出正向选股效应。

- RPV因子在中证500、中证1000表现尤为突出，稳定性明显优于传统动量与价量因子。

• 基于RPV构建的指数增强多头组合在上述指数中明显跑赢传统因子多头组合，表现更佳。

结论与风险提示 [page::24]

• RPV因子有效整合价量相关性信息，改善了传统价量因子的稳定性和收益表现。

- 该因子为价量相关性的测量提供了新的视角，确认相关性是评估价量配合的最好指标。

• 本报告统计基于历史数据，未来市场环境变化可能导致因子表现发生改变，投资需谨慎。

东吴证券“技术分析拥抱选股因子”系列研究（十一）——新价量相关性 RPV 选股因子深度解析

---

一、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（十一）——新价量相关性 RPV 选股因子

- 作者及发布机构：东吴证券研究所金融工程团队，证券分析师高子剑

• 发布日期：2022年10月11日

- 研究主题：通过价量相关性的研究，特别针对日内和隔夜价量关系，构建新型价量相关性选股因子RPV，并深入分析其选股效果及稳定性。

• 核心论点：

- 价量相关性是评估价量配合最佳的“尺子”。
- 日内价量相关性呈现反转效应，隔夜价量相关性呈现动量效应。
- 将日内与隔夜优质价量相关性因子组合，构建出的RPV因子“新颖且能打”，选股效果和稳定性均显著优于经典价量相关性因子CPV。

• 风险提示：所有统计结果均基于历史数据，未来市场可能发生重大变化。

总结而言，作者旨在深化价量关系的理解，划分细分时段（日内与隔夜），并利用相关性指标打造更优质的选股工具RPV，既承继经典研究成果，又推动选股因子改进、升级。[page::0,4]

---

二、逐节深度解读

2.1 前言与价量九象限基础（页4）

• 内容聚焦：回顾技术分析基本价量形态（九种基本价量关系，如量增价涨、量增价跌、量缩价涨等），强调价量组合反映市场的情绪与力量变化。

- 支撑逻辑：价量关系多样且复杂，价格涨跌必须依托成交量的配合。东吴金工团队在此复杂体系中寻求简约且普适的信号，以相关性为“尺”，优势在于其可以量化价量配合度。

• 关键数据：表1详述九种价量关系及其市场含义；表2罗列近年东吴金工在价量因子研究中的重要报告，体现研究的系统性和持续累积的深度。

这一节既搭建理论框架，也过渡到相关性因子分析。[page::4]

2.2 价量相关性月度IC及反转动量效应（页5-6）

• 主要内容：

- 以结果为导向，用2019年两只股票的分钟级价量表现作为引例，揭示价量同向（配合）与反向（背离）的差异对股价走势预示力。
- 提出PVcorravg 因子，即利用过去20个交易日股票分钟收盘价与分钟成交量的相关系数平均值作为量价配合度指标。

• 关键论点与数据：

- PVcorravg因子组间多空对冲年化收益率为15.25%，信息比率1.70，月度胜率76.06%，最大回撤6.72%。
- 因子值越小（即价量呈反向关系），未来20日股价上涨概率越大，反转效应显著。
- 价量四象限图（图4）揭示，价量反向（放量下跌/缩量上涨）具备多头信号，价量同向则呈空头信号，创新性地用成交量增强传统反转信号的判定。

• 逻辑解读：

- 韧性的态度识别了反转和动量机制共存的市场现实，利用价量“相关性”的符号来区分两者，提供定量策略依据。
- 相关性反映价量配合程度，作为因子可以捕捉市场情绪变化的微妙信号。

[page::5,6]

2.3 一阶差分处理影响选股效果衰减（页7-8）

• 内容：

- 对价量相关性因子采用一阶差分序列（即对价和量先求日内差分序列，再计算相关性），发现其选股效果显著减弱。

• 数据对比（表3）：

- 原CPV因子信息比率为2.77，而一阶差分版本仅1.73，收益率由17.51%降至8.42%。

• 解释：

- 股价原始序列存在较强单调性连续性（趋势性），而一阶差分序列变得波动无序，表现为震荡，信息含量降低。

• 图示支持：

- 深振业A收盘价与一阶差分序列（图5）直观呈现价格趋势的单调性与价差振荡性的差别。
- 差分CPV因子净值走势（图6）也侧面反映了选股效果的衰落。

该部分强调对价量因子构造时，考虑价量序列性质的重要性，单纯差分处理或导致因子稳定性和收益率下降。[page::7,8]

2.4 日与夜的切分及不同机制（页8-10）

• 核心发现：

- 传统动量因子Ret20是全天涨跌的累积，但日内涨跌呈反转效应，隔夜涨跌却呈现动量效应。

• 解释：

- 隔夜涨跌受机构影响居多（集合竞价阶段隐含机构参与多、信息披露集中），散户参与较少，延展出动量效应。
- 日内涨跌更多受散户驱动，表现反转效应。

• 图7展示了划分时间段与因子定义的示意。

- 进一步分析：通过换手率对日内因子分层切割，观察ICIR的变化趋势发现，换手率越高，反转效应越明显，量价配合强化了反转逻辑（图8）。

• 隔夜因子切割初步失败：

- 用当天集合竞价换手率划分隔夜因子无明显单调效果，未能展现出预期的动量结构（图9）。

• 进一步突破：

- 引入“昨日换手率”，重新划分隔夜因子，观察隔夜涨跌与昨日换手率的匹配，得到分层清晰的动量与反转效应区分，昨日换手率高部分动量，高换手率对应可能的“信息泄露”与知情交易（图10）。

该段揭示了日内价量结构与隔夜价量结构本质不同，需要差异化处理，为后续因子合成提供理论基础。[page::8,9,10,11]

3. 各类CXV因子构建（页12-15）

• CXV定义：每日价序列与换手率序列相关性构成的选股因子，X可为收盘价、涨跌幅、开盘价、隔夜涨跌等。

- 全天涨跌CXV（CCV和CDCV）：
- CCV（收盘价与全天换手率相关性）表现优良，IC负向反转，信息比率2.11。
- CDCV（一阶差分收盘价）效果较弱。

• 日内涨跌CXV：

- CCOIV（日内涨跌与日内换手率相关性）和CCOV（日内涨跌与全天换手率相关性）表现相当，反转效应明显，信息比率约1.45左右。

• 隔夜涨跌CXV：

- 多种价格序列与换手率组合：
- COYV（今日开盘价对应昨日换手率）表现较好，但呈现反转（IC负），推断开盘价包含上一日日内信息，导致该因子与隔夜动量预期不符。
- COYCYV（隔夜涨跌与昨日换手率）IC正，信息比率1.84，表现最佳且符合隔夜动量效应，确认为隔夜价量相关性的最佳代表，即COV。

图11-13展现上述因子的分组净值走势，体现出因子有效性和稳定性差异。整体上，构造因子时需精确匹配涨跌定义与换手率时间定义，才可捕捉有效价量信号。[page::12,13,14,15]

4. RPV因子构建与特征（页16-21）

• 核心构造理念：

- 组合日内价量相关性最佳代表因子CCOIV（反转）与隔夜价量相关性最佳代表因子COV（动量，正向）;
- 因方向不同，构造时对COV取负，二者标准化后线性做差，得到新因子RPV。

• 数学表达：

$$
\mathrm{RPV} = \frac{\mathrm{CCOIV} - \mathrm{mean}(\mathrm{CCOIV})}{\mathrm{std}(\mathrm{CCOIV})} - \frac{\mathrm{COV} - \mathrm{mean}(\mathrm{COV})}{\mathrm{std}(\mathrm{COV})}
$$

• 选股绩效：

- RPV月度IC均值-0.034，信息比率2.71，年化收益17.33%，最大回撤5.23%，月度胜率81.37%；
- 明显优于基准CCV，净值曲线单调上升，稳定性极好（图14，表10、11）。

• 因子创新性：

- RPV与CCV相关系数仅0.2456，属于较新因子，且构成因子间也低相关，高附加值；
- 与经典换手率因子Turn20和传统反转因子Ret20正交后仍保留强选股能力，验证因子独立贡献度（图15-17，表13）。

• 与风格因子相关性：

- RPV与Barra风格因子相关系数低于±0.1，剔除风格行业影响后，纯净RPV依旧表现稳定，信息比率达2.27（图18，表14、15）。

• 参数稳定性：

- RPV对回测窗口回看长度敏感度低，在40、60日回测中信息比率和稳定性均优于Ret和CCV（表16）。

• 多空收益分解：

- RPV多头年化收益10.14%，空头年化收益6.79%，多头空头收益贡献合理且多头稳定性较高（表17）。

• 不同市场样本表现：

- 在沪深300、中证500、中证1000不同规模股票中均表现良好，特别是中证500和中证1000中，信息比率和收益显著优于Ret20和CCV（表18）。

• 指数增强组合实证：

- 以RPV构建的多头组合优于Ret20和CCV组合，尤其在中证500和中证1000指数成分股市场（图19-21，表19-21）。

综上，RPV因子兼具“新颖”与“能打”的特质，是价格与成交量关系深入细分与模型化的研究成果，实证良好，稳定性突出，适合广泛应用于指数增强及量化选股策略。[page::16-23]

---

三、图表深度解读

• 图1-2（页5）：中公教育和微芯生物2019年10月16日分钟价量图。前者价涨量增，形成价量配合典型，后者价涨量缩，呈现价量背离。两者差异直观说明价量相关性方向与股价强弱的关系。

• 图3-4（页6）：PVcorravg分组收益图显示因子值小（价量反向）对应表现最佳，图4价量四象限分布清晰解释因子负值含义，符合价量经典理论。
• 图5-6（页8）：深振业A收盘价与一阶差分序列对比，证实一阶差分抹除趋势性，导致价量相关性选股能力衰减，表现通过相关净值曲线（图6）体现。
• 图7（页9）：日内和隔夜时间切分示意，定义因子计算区间，指导因子构建。
• 图8-10（页10-11）：日内因子换手率分层ICIR呈递增，隔夜因子用当日换手率切分无效，但用昨日换手率分层后呈现良好单调，体现两类价量规律不同。
• 图11-13（页13-15）：全天CCV、日内CCOIV和隔夜COV三个因子10分组净值曲线，体现各因子稳定增长，选股有效，且COV表现突出。
• 图14（页16）：RPV因子10分组净值走势，分组1-10呈显著单调，凸显因子极强选股能力。
• 图15-17（页18-19）：RPV分别正交Turn20、Ret20及二者后，10分组净值依旧稳定表现，验证因子增量信息及独立性。
• 图18（页20）：纯净RPV因子净值稳健，剔除风格行业效应后仍有效。
• 图19-21（页22-23）：基于沪深300、中证500、中证1000指数成分股的三种选股组合表现对比，RPV组合在中证500及1000表现最优，强化应用价值。

每个图表都紧密配合文字，系统支撑价量关系带来的选股信息，且通过分组多空净值、IC、ICIR、信息比率、最大回撤等多角度验证因子效用与稳定性。[page::5-23]

---

四、估值分析

本报告主要聚焦选股因子的构建及其统计绩效分析，未涉及传统意义上的公司估值（如DCF、PE、EV/EBITDA）模型应用。因此，本报告不涉及估值环节的具体方法和推导。

---

五、风险因素评估

报告中唯一明示的风险提示为：

• 本报告所有统计结果均基于历史数据，未来市场可能发生重大变化。

这一条风险提示强调了因子及策略基于历史表现，无论信号稳定性多强，仍然存在因市场结构变化、制度变化、流动性变化等因素导致未来失效的潜在风险。[page::0,24]

---

六、批判性视角与细微差别

• 因子构造的复杂性与易用性的权衡：RPV因子虽收益稳定、选股效果优异，但其构建依赖于高频分钟数据及复杂的价量相关性计算，对数据质量及计算资源有较高要求，可能影响实际应用的普及。

- 隔夜信息难以完全观测：对“昨日换手率”作为隔夜信息泄露的代理，假设投资者结构和信息传递逻辑，虽然符合实证，但因市场环境和交易机制改变，其稳定性需持续验证。

• 部分回测区间表现波动：

- 表11和表15中显示2016-2018年部分年份因子表现波动较大，有亏损存在，需关注市场周期对因子表现的影响。

• 回测的稳健性及样本外验证待深化：报告虽使用多个样本空间验证因子表现，但仍聚焦于A股市场主板及指数成分股，未来可尝试更长样本期与跨市场验证。

整体来看，报告的论点逻辑自洽，数据及因子表现支持核心结论，但因子推广依赖于数据及市场连续性，未来仍需持续监测。[page::7,10,11,24]

---

七、结论性综合

本报告系统深入剖析价量相关性的多时段结构特征，通过细分日内与隔夜两个时段的价量关系，识别出两种截然不同的市场行为模式——日内价量呈反转效应，隔夜价量呈动量效应。基于此，研发搭建具备高度稳定性和强选股能力的新型价量相关因子——RPV。

RPV因子通过将日内价量相关性最佳代表CCOIV与隔夜价量相关性最佳代表COV进行相关性方向调整后线性组合，完美融合了两类价量信息，显著超过经典价量因子CPV和传统动量因子的表现。

RPV因子在综合收益率、信息比率、最大回撤和月度胜率等关键指标上均表现优异，且具备较强的新颖性与独立性。其在沪深300、中证500及中证1000等不同规模指数成分股中的一致表现，验证了其广泛适用性和实际投资参考价值。

此外，RPV因子抗干扰能力强，剔除行业风格和市场共性影响后依然稳健奉献超额收益，展现了良好的策略稳定性及持续生命力。基于RPV的指数增强组合，在中证500和中证1000指数中表现尤为出色，具备较高的实际应用潜力。

因此，RPV因子作为价量相关性度量及选股信号的新里程碑，恰如报告结语所强调的，“相关性是评估价量配合最好的一把尺”，并且为投资策略提供了既新颖又“能打”的强劲工具。本报告构筑的理论基础严谨、实证细致、方法结构清晰，提供了宝贵的研究思路及改进路径。

同时，投资者应注意该因子仍基于历史数据验证，须留意未来行情变化风险。

---

参考图表示意（示例）

• 图3 PVcorravg因子5分组与对冲净值走势：

• 图14 RPV因子10分组及多空对冲净值走势：

• 图19基于沪深300成分股不同投资组合净值走势：

• 图20基于中证500成分股净值走势：

---

总体评价

本报告在价量相关性领域的研究已形成较为成熟和创新结合的体系，体现了东吴证券研究所金融工程团队的深厚积累和专业洞察。RPV因子的设计与验证过程科学合理，有效兼顾理论逻辑与实证结果，极具学术及实务参考价值，是价量因子研究领域的优质标杆报告。

[page::0-25]

报告