• 成交量的边际变化是股价波动的重要驱动，个股日内成交量波动呈现“潮汐”形态，即成交量由低变高再回落，类似海潮涨落，反映投资者交易热情的起伏。涨潮时股价快速下跌暗示短期过度悲观，退潮时股价快速上涨反映短期过度乐观 [page::0][page::3][page::4]。

• “潮汐”因子的构造基于：在每个交易日内识别成交量邻域峰值（涨潮时刻、顶峰时刻、退潮时刻），计算涨潮到退潮全过程的价格变动速率，通过最近20个交易日的均值作为“全潮汐”因子指标 [page::5][page::6]。

- “全潮汐”因子回测（2013-2022年全A股票，月频）表现强劲：Rank IC为-7.09%，信息比率2.94，年化收益率27.11%，月度胜率84.91%；十分组多空对冲组合净值曲线显示明显的趋势性收益优势 [page::6]。

• 将“潮汐”进一步拆分为“涨潮”和“退潮”两半过程，根据涨潮起点和退潮终点的邻域成交量大小划分为“强势半潮汐”和“弱势半潮汐”，分别计算其价格变动速率均值，构建对应因子 [page::6][page::7]。

- “强势半潮汐”因子回测结果同样优异，Rank IC 为-4.88%，年化收益率21.01%，信息比率3.38%，充分体现交易活跃时段的高信息含量 [page::7]。

• “弱势半潮汐”因子分为“激进”（价格变动速率均值）和“稳定”（价格变动速率标准差）两种刻画，后者表现较优，年化收益19.28%，信息比率1.82，表明成交量处于较温和变化期间的信息稳定性更重要 [page::8][page::9]。

• 结合“强势半潮汐”与“稳定弱势半潮汐”因子，等权合成“完整潮汐”因子，整体选股能力优越，Rank IC高达-7.90%，年化收益27.09%，月胜率83.96%，回测净值曲线表现突出，多年份分组表现均匀且稳定 [page::10][page::11]。

• “完整潮汐”因子与主流风格因子相关性较低，剔除风格、行业因子影响后“纯净完整潮汐”因子仍展现良好选股能力，月度胜率仍达78.3%，信息比率2.53，证实其具备显著的增量信息价值 [page::11][page::12]。

• “完整潮汐”因子在不同样本空间（沪深300、中证500、中证1000）均表现较好，其中中证1000成分股表现最优，Rank IC为-6.22%，年化超额收益13.01%，显示因子具有较强的跨市场普适性 [page::13]。

• 风险提示：因子及策略基于历史数据验证，未来可能受市场环境变化或阶段性失效风险影响，投资者需注意风险管理 [page::0][page::13]。

方正证券研究报告详尽解读——“T个ab股le成S交um量ma的ry潮]汐变化及‘潮汐’因子构建”

---

1. 元数据与报告概览

报告标题：T个ab股le成S交um量ma的ry潮]汐变化及“潮汐”因子构建——多因子选股系列研究之二

发布机构：方正证券研究所

研究领域：金融工程研究

发布日期：2022年5月8日

主要作者：证券分析师曹春晓（登记编号：S1220522030005）

研究主题：本报告聚焦于股票市场中个股日内成交量的边际变化规律，创新性地将成交量高低变化形容为“潮汐”过程，并基于此构建了“全潮汐”“强势半潮汐”“弱势半潮汐”及最终“完整潮汐”因子，旨在利用这一新型因子进行多因子选股，挖掘隐含在成交量潮汐中的alpha信息。

核心论点与结论：

• 成交量的边际变化反映了市场买卖双方力量的微妙交替，是价格波动的重要驱动因子，成交量的“潮汐”变化具备显著的预测能力。

- 当价格在“潮汐”过程中快速变动（无论涨跌）时，往往反映市场情绪的过度反应，未来存在修正与反弹的可能性。

• 通过量化“涨潮”“退潮”等不同阶段的成交量变化及价格变动速率，构造了“全潮汐因子”及其细分的“强、弱势半潮汐”因子，组合成“完整潮汐”因子。

- 回测显示，“完整潮汐”因子具备稳定且显著的选股能力，能在全A及沪深300、中证500、中证1000等不同股票样本中表现出色，特别是在中证1000样本中效果最为突出。

• 脱离传统风格因子影响后，“完整潮汐”因子仍保有稳健的选股能力，证明其信息增量价值。

- 风险提示部分强调历史数据规律可能失效，市场环境的突发变化与阶段性失效风险均存在。

[page::0,1]

---

2. 逐节深度解读

2.1 成交量的边际变化隐含着重要信息 （章节1）

• 关键论点：成交量作为市场活跃度的直接体现，蕴含驱动价格变化的根本力量。报导以“量在价先”为经典理论基础，强调成交量波动信号对后续价格行动的预测意义。

• 图表解读：

- 图表1（“天量天价”案例）显示，2015年上证指数在成交量达到峰值当日，股票价格亦出现顶点，随即价格与成交量双双下滑，映射出成交量极端放大常预示市场价格的即将反转。

- 图表2（“地量地价”案例）展现2018年末至2019年初期间成交量逐渐缩量至低位后，价格迎来修正性上涨，体现低成交量见底后价格可能反弹的逻辑。

- 图表3统计了万得全A指数在分钟尺度上的成交量分布，展示全天成交量的波动特征，表明全市场在不同分钟的活跃度差异，尽管市场整体表现出开盘和收盘活跃的时段特征，但个股层面波动更为复杂。

• 逻辑与假设：

报告指出，成交量作为流动性与投资者情绪的表现，是推动价格变动的前导指标，因而进一步研究个股日内成交量的细节变化极具价值。这为“潮汐”概念奠定理论基础。

[page::3]

---

2.2 个股日内成交量的变动宛如“潮汐”变化 （章节2）

• 定义与阐述：

该章节形象地将个股全天240分钟的成交量高低变动比作“潮汐”——成交量低值为“低潮”，高值为“高潮”。股票交易由低量逐步增长至高量，再回落，似海潮涨落。

• 投资者行为解释：

- 潮汐期间价格快速下跌：反映已有投资者情绪悲观，急于卖出，可能导致反应过度，随后出现价格反弹。

- 潮汐期间价格上涨迅速：表示新进投资者过度乐观，急于买入，也可能产生短期的过度行为。

• 图表5 “潮汐要素示意图”中通过曲线阐释了涨潮、高潮、退潮、低潮四个阶段的递进过程，辅以“潮差”“高潮高”“低潮高”等关键变量，形象呈现成交量动态变化框架。
• 逻辑推导：

将成交量与价格联动视作有节奏的系统过程，提出量价联动的非线性反馈机制，投资者情绪的极端表现是反转的信号，构建“潮汐”因子是以捕获这种动态情绪过度反应的量价关联。

[page::4]

---

2.3 “潮汐”因子构建及其选股效应测试（章节3）

2.3.1 “潮汐”的定义（3.1节）

• 方法步骤：

1. 以日内分钟频数据为基础，去除开盘收盘异常点，将每分钟成交量与邻近4分钟组成合计“邻域成交量”以平滑噪声。

2. 找出“邻域成交量”最高点，标记“顶峰时刻”t。

3. 在顶峰之前（5至t-1分钟区间）找到最低邻域成交量点m，定义为“涨潮时刻”，对应成交量vm和收盘价Cm。

4. 在顶峰之后（t+1至233分钟区间）找到最低邻域成交量点n，定义为“退潮时刻”，对应成交量vn和收盘价Cn。

5. “潮汐”定义为涨潮时刻m到退潮时刻n全过程。

• 图表6直观展示某只股票交易日内成交量与价格的涨潮-顶峰-退潮完整过程，验证定义的合理性与现实适用性。

2.3.2 “潮汐”过程价格变动速率（3.2节）

• 构造因子：

1. 价格变动率定义为\((Cn - Cm)/Cm\)。

2. 进一步构造价格变动速率指标为 \(\frac{(Cn - Cm)}{Cm \times (n-m)}\)，即单位时间的价格变化率，用以刻画投资者买卖意愿强弱。

3. 计算最近20交易日该指标均值，形成“全潮汐”因子。

• 因子测试结果：

- Rank IC为-7.09%（负值说明因子与未来收益负相关，应该是买入因子为因子值低的股票，具体解释与后文结合）

- Rank ICIR -3.73

- t值-8.53，显示统计上高度显著。

- 多空组合年化收益27.11%，月度胜率84.91%，信息比率2.94，表现优异。

• 图表8显示了因子十分组的净值走势，多空对冲线持续抬升，表现出良好的选股能力和风险调整后收益。

[page::5,6,7,8]

2.3.3 “潮汐”过程强弱拆分（3.3节）

• 逻辑：

将“潮汐”过程分为两个“半潮汐”阶段：涨潮与退潮。通过比较涨潮起点邻域成交量 \(vm\) 和退潮终点邻域成交量 \(vn\) 判断哪一段是“强势半潮汐”。

- 若 \(vm < vn\), 则涨潮起点更低，涨潮需更大推动力，定义涨潮为“强势半潮汐”，退潮为“弱势半潮汐”。

- 反之，退潮为“强势半潮汐”，涨潮为“弱势半潮汐”。

• “强势半潮汐”因子：

类似全潮汐因子，计算涨跌幅除以对应时长，取近20日均值。

- 测试显示Rank IC达-4.88%，t值-9.87，信息比3.38，年化收益21.01%，月度胜率83.02%，同样表现亮眼。

• 图表9-11示意及表现直观呈现了强势半潮汐的构建过程及稳定的选股表现。
• “弱势半潮汐”因子：

在较为冷静的半潮汐阶段，考虑两个因子：

1. “激进弱势半潮汐”——弱势半潮汐价格变动速率均值。

2. “稳定弱势半潮汐”——弱势半潮汐价格变动速率标准差。

测试结果：

- 激进型表现较弱，Rank IC仅-2.69%，年化收益8.16%。

- 稳定型表现较好，Rank IC-6.97%，年化收益达19.28%，信息比1.82。

• 图表12-14显示了这两因子不同表现和组合净值走势。
• 逻辑说明：

弱势半潮汐稳定性更关键，目的是为强势半潮汐的发力做蓄能或收尾，波动大反而信号较弱。

[page::8,9,10]

2.3.4 “完整潮汐”因子合成及效果 （3.4节）

• 将“强势半潮汐”因子与“稳定弱势半潮汐”因子等权合成“完整潮汐”因子。

• 综合表现：

- Rank IC -7.90%，Rank ICIR -4.13，t值-8.43，年化收益27.09%，年化波动率8.80%，信息比3.08，月度胜率83.96%。

- 十分组数据显示累积收益率从分组1的594.05%递减至分组10的-27.61%，明显分层效果。

• 图表16-18详列分组年度表现，显示因子在各年均有稳健表现，分组收益呈现单调性，验证选股能力持续有效。

[page::10,11]

2.3.5 剥离常见风格因子影响后的测试（3.5节）

• 通过相关性分析（图表19）发现，“完整潮汐”因子与波动率、换手率相关度较高，但与其他传统风格因子相关度较低，存在一定独立信息。
• 使用行业因子及主流风格因子对“完整潮汐”进行正交化，剔除相关影响后形成“纯净完整潮汐”因子。
• 剥离后因子表现依然稳健：

- Rank IC均值仍达-3.47%，Rank ICIR -2.72。

- 年化收益14.77%，信息比2.53。

• 图表21显示纯净因子十分组净值走势，表现仍较好。

[page::11,12]

2.3.6 不同样本空间下表现（3.6节）

• 针对沪深300、中证500、中证1000三个指数成分股分别测试因子表现。
• 结果显示：

- 中证1000成分股中“完整潮汐”因子表现最强，Rank IC -6.22%，年化收益17.51%，信息比1.87，多头超额收益13.01%。

- 沪深300表现最弱，但依然有一定正向表现。

• 图表22-24直观展示了不同样本内的因子表现及多空对冲净值走势。

[page::13]

---

2.4 风险提示（章节4）

• 历史数据规律存在未来失效风险。
• 市场可能发生超预期变化，影响因子有效性。
• 不同驱动因子可能受市场环境影响出现阶段性失效。

[page::13]

---

3. 图表深度解读

图表1、2：“天量天价”与“地量地价”案例

• 结合成交量与上证指数价格波动，分别呈现成交量极端放大导致价格顶峰后回落，及成交量低迷时价格反弹的典型趋势，验证成交量信号对价格的指导性。

图表3：万得全A指数分钟频率成交量统计

• 显示全天成交量时序变化，存在明显的开盘高峰和收盘回升，但分钟层面波动复杂，暗示个股成交量特征较为多样。

图表4、6、9：“股票A”个股日内成交量与潮汐示意图

• 展示单只股票在某日成交量由低转高再降的曲线变化，与价格走势的叠加，直观展现“涨潮”“顶峰”“退潮”以及强势退潮的具体样例，强化理论定义。

图表7、10、12、15：“全潮汐”及半潮汐因子测试结果

• 分别以多空对冲净值走势及统计指标展现各因子回测表现，均显示正向收益与较强的因子信息比，且十分组分层明显，验证构建的因子有效性。

图表8、11、13、14、17、21：因子十分组及多空净值走势

• 多数因子组合均表现出从顶部分组至底部组合净值明显递减，多空对冲组合在长期程均呈现稳健上涨趋势，定量支持因子在选股策略中的应用价值。

图表18、22-24：分年度与多样本表现

• “完整潮汐”因子多年持续展现效用，且在不同指数成分股池内均有选股能力，中证1000指数表现尤为突出，适用于不同流动性及市值层次的股票池。

---

4. 估值分析

本报告核心在因子构建与选股效果验证，未涉及具体公司估值模型、现金流折现（DCF）或市盈率估值等内容，因而无传统意义上的估值分析。

---

5. 风险因素评估

• 重点风险集中于历史规律未来失效风险以及市场环境突变导致因子失效。
• 未具体量化风险发生概率，但提醒投资者关注阶段性失效和市场行为异动的潜在影响。

---

6. 批判性视角与细微差别

• 因子负向Rank IC值的解释：文中“完整潮汐”因子Rank IC均为负值，可能表明该因子定义为对于低因子值对应高未来收益，即做多低因子值股票效果更佳，提示因子构造上具有逆向投资属性。该细节在报告中未直译，但需注意解读时关注因子符号与选股逻辑匹配。
• 数据样本与时间区间：覆盖2013年至2022年，回测时间较长且包含多轮牛熊周期，提高了因子稳健性。但未说明宏观政策、市场结构变化等因素可能的影响。
• 风格因子剥离测试增强因子独立性，但因子与波动性及换手率强相关，暗示因子可能部分捕捉市场流动性和投资者情绪相关特征，投资者应注意流动性风险。
• 仅使用历史成交量数据，未结合基本面等多维信息，此因子更偏技术面，适合量化交易策略辅助判断。
• 风险提示较为简略，未覆盖因子实际交易中可能的交易成本、滑点等操作风险。

---

7. 结论性综合

通过对股票日内成交量由低到高再回落的动态过程，报告创新性提出将该变化形象地视为市场交投热情的“潮汐”变化，基于涨潮、退潮两个半潮汐过程，细分出强势和弱势区域，量化计算相应阶段的价格变动速率作为投资者交易热情的代理变量，从而构建“全潮汐”、“强势半潮汐”、“弱势半潮汐”及“完整潮汐”多层次因子。

实证回测结果表明：

• “完整潮汐”因子在2013年至2022年近十年的全市场范围内展现出极佳的选股能力，信息比率和月度胜率均超过80%，年化收益率达27%以上，表现稳定且分层清晰。
• 即便剔除传统风格因子影响，将其正交化处理后，因子依然保持强劲的选股能力，说明因子内蕴含有市场中未被捕捉的增量信息。
• 在沪深300、中证500、中证1000不同市值及流动性区间的样本空间内均表现突出，尤其是在中证1000成分股中表现最优，年化超额收益率高达13%以上。
• 图表系列清晰展示了因子构造原理、分组净值走势和统计指标，严密验证了因子有效性。
• 报告同时客观提示因子可能面临市场环境变化导致失效的风险，提醒投资者理性使用。

总体来看，方正证券研究所提出的“潮汐”成交量因子构建思路新颖，充分捕捉了个股日内成交量波动所蕴含的投资价值，实证表现优异，值得量化投资者关注与进一步研究。

---

主要图表Markdown引用示例

• 图表1 “天量天价”案例:

• 图表6 股票A日内“潮汐”示意图:

• 图表8 “全潮汐”因子十分组及多空对冲净值走势:

• 图表11 “强势半潮汐”因子十分组及多空对冲净值走势:

• 图表17 “完整潮汐”因子十分组及多空对冲净值走势:

• 图表24 沪深300/中证500/中证1000指数成分股内多空表现:

---

结语

本报告以多因子选股领域的创新视角深入挖掘了股票成交量边际变化的潜在投资价值，系统构建并验证了“潮汐”因子体系，推动了量化选股模型的理论发展及实务应用，具有较强的理论创新性与实操指导意义，为投资者捕捉市场交投动态提供了有效工具。[page::0,3,4,5,6,7,8,9,10,11,12,13]

报告