基于分钟K线的“主力波动率”构造及应用 | 民生金工

国联民生叶尔乐 2026-06-30 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告通过1分钟频价格与成交量数据，提出两种状态分类方法划分日内交易形态。方法一比较当前分钟与上一趋势段最后一分钟的成交量，划分放量/缩量上涨/下跌4态；方法二比较当前分钟与区间内极值成交量，划分放量/平量/缩量持续上涨/下跌6态。根据各形态出现次数及收益率与日涨跌幅的相关性，确认放量上涨、放量持续上涨、放量下跌、放量持续下跌最能代表主力拉升与出货行为。随后提取这4种状态对应区间收益率，采用“截面标准化→取绝对值→再截面标准化→求过去20日标准差”的改进算法计算各态波动率因子，等权合成得“主力波动率”因子。因子在全市场月频下表现优异，随市值下沉效果增强，且在红利低波策略中作为短期波动率因子能显著提升收益。

经济逻辑

日内收益率包含不同投资者信息，相同日收益可能对应多空力量悬殊不同的走势。主力资金是影响股价短期波动的主要力量，其拉升和出货行为伴随价格涨跌与成交量放大。放量上涨/下跌状态更能捕捉主力行为。主力行为对股价影响幅度的波动越大，说明股票易过度反应，未来预期收益越低。改进波动率算法通过取绝对值剥离了随机方向，保留“影响幅度”信息，并通过二次标准化使时序可比，更好刻画主力带来的“日内超额波动幅度”。因子值越大，未来收益越低，因此为反向因子。

超额收益逻辑

主力波动率因子刻画了主力资金行为对股价影响幅度的波动程度。因子值越大，表示主力行为引起股价波动幅度越大，股票越可能过度反应，未来预期收益率越低。因此因子为反向预测因子。改进的波动率算法通过取绝对值剥离了收益率方向的随机性，保留了对股价实际影响幅度信息，并通过二次标准化使截面可比，从而相较于传统日频波动率在因子收益上有持续增强。因子与传统20日波动率相关性70.85%，本质是波动率逻辑的改进，风格上偏向低流动性、低波动、低估值，随市值下沉效果更好。

构造细节 [factor]

因子定义

1.按分钟收益率方向变化（前一分钟收盘价与本分钟收盘价比较）划分日内上涨/下跌趋势段；2.方法一：比较当前分钟成交量与上一区间最后一分钟成交量，>为放量，<为缩量，结合涨跌得4态；方法二：比较当前分钟成交量与区间内最大/最小值，=max为放量，=min为缩量，否则为平量，结合涨跌得6态；3.计算每种状态对应时段累计收益率作为该状态当日收益率r_s,t；4.对r_s,t做截面标准化：z_s,t=(r_s,t-mean_t)/std_t；5.取绝对值|z_s,t|；6.对|z_s,t|再做截面标准化得z'_s,t；7.计算z'_s,t过去20日标准差作为状态s波动率因子；8.将放量上涨、放量持续上涨、放量下跌、放量持续下跌4个因子等权合成得主力波动率因子。

处理流程

Step1: 获取1分钟收盘价与成交量，计算分钟收益率方向
Step2: 按收益率方向变化点划分日内趋势段
Step3a: 方法一，对每分钟比较当前成交量与上一趋势段最后一分钟成交量，标记放量/缩量
Step3b: 方法二，对每分钟比较当前成交量与所在区间内最大/最小成交量，标记放量/平量/缩量
Step4: 结合涨跌方向，将每分钟归类为4态或6态
Step5: 对每日每个状态，汇总该状态所有分钟收益率得状态当日收益率
Step6: 对状态当日收益率做截面标准化（减截面均值除截面标准差）
Step7: 取绝对值
Step8: 对绝对值再做截面标准化
Step9: 计算过去20日标准差，得各状态波动率因子
Step10: 选取放量上涨、放量持续上涨、放量下跌、放量持续下跌4个因子等权合成
Step11: 对合成因子做市值行业中性化处理

参数

回溯窗口: 20日状态分类方法一: 当前分钟成交量 vs 上一区间最后一分钟成交量状态分类方法二: 当前分钟成交量 vs 区间内最大/最小成交量

数据输入

: (分钟): (分钟): (日): (日)

组合方式

将放量上涨、放量持续上涨、放量下跌、放量持续下跌四个状态的修正波动率因子等权合成

绩效

6.75%

月频IC均值

9.06%

月频Rank IC均值

33.83%

月频多空年化收益

2.85

月频多空年化夏普比率

9.96%

月频多头年化超额收益

48.62%

周频多空年化收益

23.96%

红利低波策略年化收益

基准: 传统20日波动率因子、中证红利低波及红利成长低波指数

回测期: 2013年1月至2024年6月

基于日内1分钟频量价形态识别主力资金行为，构建主力波动率因子。月频下IC均值为6.75%，多空年化收益33.83%；周频下多空年化收益提升至48.62%。在小盘股中表现更优。应用于红利低波策略，长短期波动结合策略年化收益达23.96%。

收益归因

进行了市值行业中性化处理，并分析了与传统波动率、流动性、价值等风格因子的相关性，但未进行严格的收益归因分解。

缺口: 缺少对因子收益来源的详细归因分解及风险模型贡献分析。

稳健性

子样本稳定性: 因子在沪深300/中证500/中证1000/国证2000中Rank IC均值分别为3.17%/6.65%/9.82%/10.82%，多空年化收益分别为10.31%/16.86%/35.46%/37.69%，随市值下沉稳步提升。周频调仓下多空年化48.62%，相较月频大幅提高。新算法相对传统算法累计超额持续提升，优势长期而非特定时段。红利策略分年度看，2019-2022年每年实现双位数超额，所有年份超额回撤控制在-10%以内。

风格偏差: 与波动率因子截面相关系数-46.58%，流动性-28.78%，价值21.59%。多头组合偏向低流动性、低波动、低估值股票，与传统量价因子风格偏好一致，但整体风格暴露相对传统波动率因子更低。

因子在不同频率、不同市值样本、不同市场环境下均表现稳健，风格暴露合理且较传统因子更低，改进算法优势长期持续，在红利策略中亦表现优异，具备较强稳健性和可投资性。

数据依赖

所需数据: 日内1分钟频收盘价与成交量数据、日频行情数据、市值与行业分类数据、股息率及财务增长指标（用于红利策略）

可复现性: medium

需1分钟频量价数据，国内主流数据源可获取，但分钟数据存储和处理量较大。状态划分规则明确，算法步骤清晰，可复现性中等偏上。需注意趋势段划分的边界处理及成交量比较的具体实现细节。

新颖性评估 [新方法]

创新点在于将日内分钟量价形态拆分为主力行为状态，并设计改进波动率算法（截面标准化→取绝对值→再截面标准化→求标准差）以保留影响幅度信息。状态划分方法结合跨区间与区间内量价比较，逻辑清晰且有经济含义。整体是对传统波动率因子的结构性改进，非全新因子族，但改进效果显著。

不足与缺陷

状态划分规则中成交量比较仅用上一区间末尾或区间极值，阈值较为简单，可能对异常成交量敏感，缺乏鲁棒性验证。
改进波动率算法中取绝对值及二次标准化的理论推导不足，更多为经验性改进，缺乏严格统计论证。
未进行严格的收益归因分解，无法确认超额收益来源是否纯粹为alpha还是某种风格暴露残留。
周频调仓换手率36倍，交易成本对净收益影响未充分讨论，实际落地可能打折扣。
红利策略持股数量平均仅27只，集中度较高，容量可能受限。
因子在小盘股效果更好，但小盘股流动性及交易成本问题未深入探讨。

可复用元素

两种日内状态分类方法（跨区间与区间内量价比较）框架清晰，可复用于其他高频因子构建。
改进波动率算法（截面标准化→取绝对值→再标准化→求标准差）可独立应用于其他量价因子以剥离方向噪声。
通过形态出现次数及收益率与日收益率相关性筛选主力行为状态的方法论具普适性。
长短期波动率结合的红利低波策略框架实用性强，兼顾收益与稳定性。

启发

分钟频量价状态拆分思路可推广至其他高频因子，如主力动量、主力换手率等。
取绝对值保留影响幅度而非方向的思路可用于改进动量或反转因子，减少方向随机性干扰。
不同市场状态下上涨/下跌状态波动率互补的思路提示构建状态自适应因子。
小盘股效果更强的发现可指导因子在不同市值区间的应用策略设计。

改进方向

用主动买卖单金额（订单流不平衡）代替原始成交量进行放量/缩量判断

基于: 相似逻辑（识别主力资金行为） + 不同构造（用订单流方向性数据替代量价形态）预期收益: 更精确刻画主力资金净流入流出方向，提升状态划分与主力行为的对应性，预期提高因子IC和收益稳定性。

用滚动分位数阈值替代固定极值比较判断放量状态

基于: 相似逻辑（状态分类量价比较） + 不同构造（用稳健分位数替代max/min，降低异常值影响）预期收益: 提升状态划分鲁棒性，减少异常成交量扰动，增强因子稳定性。

用IC加权或IR加权替代等权合成4个状态因子

基于: 相似逻辑（多状态因子合成） + 不同构造（数据驱动权重替代等权）预期收益: 提升合成因子的信息效率，预期提高IC和多空收益。

复现计划

1.获取2013年以来A股1分钟OHLCV数据及日频数据；2.实现两种状态分类方法，划分日内4/6态；3.计算各状态当日区间收益率；4.实现改进波动率算法：截面标准化→取绝对值→再截面标准化→20日标准差；5.等权合成放量上涨、放量持续上涨、放量下跌、放量持续下跌4个因子；6.做市值行业中性化；7.月频/周频回测，计算IC、分组收益、多空表现；8.在沪深300/中证500/中证1000/国证2000成分股中重复测试；9.在高股息股票池中与1年/1月波动率对比；10.构建长短期波动结合的红利低波策略验证应用效果。