【方正金工】日内协同股票性价比度量与“协同效应”因子构建——多因子选股系列研究之十六

方正曹春晓 2026-06-30 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告通过分钟频数据识别股票间的日内协同效应，分别构建了衡量交易辨识度的“成交量协同”因子和衡量相对性价比的“协同价差”因子。前者利用个股与协同股票的成交量占比序列相关系数计算，后者利用个股相对协同次数最高的30只股票的超额收益率计算。因子表现优异且在剔除风格因子影响后仍具增量信息。

经济逻辑

当受消息催化时，特征相似的股票会出现同涨同跌的协同行情。在协同股票中，若个股自身成交量能代表协同股票的成交量变化特征，则辨识度更高，易受关注；若个股相对协同股票的短期正向超额收益过高，则可能存在过度反应，性价比较低。因此，高辨识度且未过度反应的股票未来更有可能获得超额收益。

超额收益逻辑

协同效应因子为负向因子。高因子值表示个股相对协同组存在过度反应（高协同价差）或交易状态不稳定（高月稳），预示短期性价比低且投资者分歧大，未来收益较低；低因子值表示个股具备高辨识度且未过度反应，未来更有可能获得超额收益。

构造细节 [factor]

因子定义

1. 成交量协同因子：每分钟末计算过去5分钟20个HOLC价格均值与标准差，轨为均值±1标准差，收盘价相对位置相同的记为协同股票。计算每分钟个股成交量占比与协同股票成交量占比之和（协同成交量），二者日内序列相关系数为日成交量协同。过去20日均值（月均）与标准差（月稳）等权合成。 2. 协同价差因子：每分钟判断其他股票与本股的1分钟收益率符号、收益率相对前5分钟变化符号、成交量相对前5分钟变化符号是否相同，任一相同记1次协同（符号为零时按收盘价相对前5分钟均价或前一日收盘价符号处理）。日协同次数求和，选协同次数最多的30只股票为协同组。当日个股收益率减去协同组平均收益率为日协同价差。过去20日均值与标准差等权合成。 3. 协同效应因子：成交量协同因子与协同价差因子等权合成。

处理流程

获取全市场1分钟量价数据
计算个股每分钟相对5分钟窗口的价格上下轨位置状态
计算个股每分钟成交量占比、协同股票成交量占比，求日内相关系数得日成交量协同
计算个股间每分钟收益率及成交量变化符号的协同匹配次数，汇总为日协同次数
选每日协同次数前30的股票计算超额收益得日协同价差
计算过去20天日成交量协同、日协同价差的均值与标准差，分别等权合成量协同和价差因子
量协同因子与价差因子等权合成最终的协同效应因子
行业及常见风格因子正交化处理

参数

回看窗口长度: 5分钟上下轨系数: 1倍标准差协同股票数量: 30只月度平滑天数: 20天

数据输入

: (1分钟): (1分钟)

组合方式

成交量协同因子和协同价差因子等权合成；各子因子的月均和月稳（标准差）等权合成

绩效

-10.76%

Rank IC

-4.09

Rank ICIR

36.83%

多空组合年化收益率

3.00

信息比率

-5.02%

纯净因子Rank IC

15.88%

纯净因子多空年化收益率

基准: 全市场等权及沪深300、中证500、中证1000指增

回测期: 2013年1月至2024年2月

“协同效应”因子在全市场月频调仓下表现优异，Rank IC为-10.76%，多空组合年化收益率为36.83%，信息比率3.00。经风格及行业因子正交后，纯净因子Rank IC为-5.02%，多空年化15.88%，信息比1.80，在沪深300/中证500/中证1000指增中分别获得7.35%、8.17%、12.26%的年化超额收益。

收益归因 ✓ 已完成

使用常用风格因子及行业因子对“协同效应”因子进行正交化处理，剔除常见风格因子影响后，纯净因子多空组合年化收益率为15.88%，信息比率1.80，证明其具有显著的增量选股信息。与流动性、波动率因子相关性较高。

方法: 正交化

缺口: 因子与流动性、波动率等风格因子存在较高相关性，正交化后收益有所衰减。

稳健性

子样本稳定性: 在沪深300、中证500、中证1000成分股中均有效，Rank IC均值分别为-7.11%、-7.42%、-10.25%；指增模型中年化超额收益分别为7.35%、8.17%、12.26%。分年度看各年表现稳定，2024年初依然稳健。

风格偏差: 与流动性、波动率因子相关性较高，与草木皆兵（61.17%）和云开雾散（57.95%）因子相关性较高。

因子在不同市值样本空间和不同时间区间内均表现出较好的稳定性和单调性，剥离风格因子后仍有显著增量收益。

数据依赖

所需数据: 全市场1分钟高开低收量数据

可复现性: hard

需分钟级全市场截面数据，且涉及每分钟全市场两两股票的状态匹配与符号判断，计算复杂度极高。

新颖性评估 [新组合]

创新性地从日内协同走势的视角出发，将股票群体协同效应与个股的相对辨识度、性价比结合，构造了全新的微观结构因子。

不足与缺陷

计算复杂度极高：每分钟需计算全市场任意两只股票之间的符号一致性以确定协同次数，计算量随股票数呈二次增长。
数据依赖性强：对分钟频数据的精度要求高，缺失值或异常停牌处理若不完善可能影响协同判断。
逻辑重叠：与流动性、波动率及其他高频量价因子（如草木皆兵、云开雾散）相关性较高，增量信息在正交化后有所衰减（Rank IC从-10.76%降至-5.02%）。

可复用元素

基于5分钟HOLC构造的布林带状态（均值±1标准差）来定义股票瞬时协同状态，方法简单且具时效性。
利用多维度符号（收益率符号、收益率变化符号、成交量变化符号）的任意匹配来度量股票间短期资金行为的协同性。
通过“月均”与“月稳”（标准差）等权合成，结合了动量与稳定性的双重特征。

启发

可拓展至Level2逐笔成交数据，识别主动买卖单的协同性，替代简单的量价符号协同，可能更具微观结构说服力。
协同股票的识别可以结合产业链关系或共现矩阵等先验知识，而非仅依赖日内动态行为，以提升协同判断的准确性并降低全市场两两计算量。
对于30只协同股票的计算，可引入时间衰减权重，使得越接近当前分钟的协同权重越大。

改进方向

使用行业或概念板块的成分股作为候选池，以分钟级资金流净流入的余弦相似度替代价格符号匹配来定义协同股票，再计算个股相对板块均值的超额收益。

基于: 原逻辑中全市场两两匹配计算量过大，且协同往往发生在同概念或同行业内，可用资金流相似度替代符号匹配。预期收益: 大幅降低计算复杂度从O(N^2)降至O(N*K)，同时引入主动资金信息，提升因子对聪明钱行为的刻画深度。

复现计划

1. 准备A股全市场1分钟OHLCV数据。2. 计算5分钟滑动窗口HOLC均值与标准差，生成上下轨及位置状态。3. 每分钟匹配状态相同的股票作为量协同股票，计算个股及协同股票成交量占比，求日内相关系数。4. 计算个股两两间分钟收益率、成交量变化符号的协同次数汇总为日频协同次数。5. 取每只股票协同次数前30的股票计算超额收益。6. 对日频因子计算20日均值与标准差并等权合成，最后将量协同与价差等权合成得协同效应因子。7. 在全市场非ST、非次新中十分组测试，并做风格因子正交。