日内分钟收益率的时序特征：逻辑讨论与因子增强 | 开源金工

开源开源金工 2026-07-08 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 5 /5

核心内容

本研报聚焦于日内分钟收益率的时序特征，发现涨、跌幅时间重心的相对位置蕴含选股信息。由于两者强相关且波动率有差异，直接作差无法有效提取Alpha，报告提出以跌幅时间重心对涨幅时间重心进行截面回归取残差的方法构建“跌幅时间重心偏离因子”。通过归因分析，发现该因子的Alpha来源于盘尾收益率和零涨跌幅数量（低波效应），而盘初收益率和极端涨跌幅幅度是干扰因素。剥离干扰并提纯后形成时间重心偏离（TGD）因子，其选股效果显著增强，且与收益率分布特征因子（如SKEW）合成后稳定性进一步提升。

经济逻辑

日内极端涨跌往往伴随短时反转，导致涨跌时间重心高度相关。时间重心相对位置的偏离，本质上反映了股票收益率的日内结构特征与低波效应：盘尾的涨跌重心偏离包含次日收益率信息（盘尾特征更具预测力），而日内零涨跌幅分钟数量体现了A股显著的低波效应。剥离受盘初开盘冲击和极端涨跌幅度影响的干扰部分后，纯粹的时间重心偏离代表了个股交易行为在时间维度上稳健的Alpha信号。

超额收益逻辑

超额收益来源于对日内“时间差Alpha”的精准提取。通过回归取残差剔除了涨跌时间重心由于A股反转特性导致的强正相关性，剥离了受开盘冲击影响的盘初收益率和极端涨跌幅幅度的干扰，保留了由盘尾收益率结构信息和“低波效应”（零涨跌幅数量）驱动的核心Alpha，从而获得稳定的多空收益。

构造细节 [factor]

因子定义

1. 标记时间戳：将09:31至15:00共240根分钟Bar依次标记为1至240，对应收益率序列为R。2. 计算单日时间重心：将分钟分为上涨(U, R>0)和下跌(D, R<0)两组。权重w为价格变动幅度。涨幅时间重心Gu = Σ(t∈U * |R_t|) / Σ|R_t|，跌幅时间重心Gd = Σ(t∈D * |R_t|) / Σ|R_t|。3. 截面回归提纯：每日横截面回归 Gd = α + β*Gu + ε，取残差ε。4. 构造原始因子：取ε的过去20日均值，记为跌幅时间重心偏离因子。5. 构造TGD因子：剥离干扰因子（盘初时段1、2的收益率，极端涨跌幅均值），保留并叠加解释因子（盘尾时段7、8的收益率，零涨跌幅数量等），取20日均值得到最终的TGD因子。

处理流程

步骤1：提取全市场股票日内1分钟收益率序列，重映射时间戳为1至240。
步骤2：按收益率正负分离上涨和下跌分钟样本，以价格变动幅度绝对值为权重，计算单日的Gu和Gd。
步骤3：在每个交易日截面上，将Gd对Gu进行OLS线性回归，提取残差ε，得到日频的跌幅时间重心偏离指标。
步骤4：计算日频指标：统计零涨跌幅分钟数量；计算8个半小时区间的收益率；识别极端涨跌分钟样本的幅度与时间中心。
步骤5：因子剥离与增强：将日频跌幅时间重心偏离指标，对干扰因子（盘初收益率、极端涨跌幅幅度）进行截面回归取残差。
步骤6：将上述残差与解释因子（盘尾收益率、零涨跌幅数量等）结合，取过去20个交易日均值，得到TGD因子。
步骤7：合成增强：在截面上对TGD因子和SKEW因子分别进行排序，将Rank值相加得到合成因子。

参数

时间戳标记: 1至240窗口期均值: 20日时段划分: 8段零涨跌幅样本: 涨跌幅为0的分钟Bar

数据输入

: (分钟)

组合方式

将TGD因子与SKEW因子在横截面上排序加总合成

绩效

4.5以上

多空信息比率

4.93

Rank ICIR

5.74

合成因子Rank ICIR

21.2%

多头年化收益率

2.99

跌幅时间重心偏离因子Rank ICIR

基准: 全市场五分组

回测期: 未明确提及具体时间段

TGD因子在全市场五分组下的多空信息比率达到4.5以上，Rank ICIR为4.93；与SKEW因子合成后Rank ICIR进一步提升至5.74。原始跌幅时间重心偏离因子多头年化收益率为21.2%，多空信息比率为2.39。

收益归因 ✓ 已完成

通过截面回归剥离干扰因子并分析残差项的选股能力，发现时间差Alpha的来源包括：盘尾阶段的收益率、涨跌幅分钟的位置信息（时间中心）、零涨跌幅数量（低波效应）以及盘中触及涨跌停的事件收益。

方法: 截面回归中性化

缺口: 极端涨跌幅的幅度、盘初阶段的收益率属于干扰因子；时间差Alpha主要为时间维度信息，与收益率分布特征相互独立且收益相反。

稳健性

子样本稳定性: 在剥离风格因子后Rank ICIR仍有2.29，Alpha来源相对独立；TGD因子是APM因子的Alpha超集，互回归后TGD仍保留选股信息而APM退化为噪音。

风格偏差: 原始跌幅时间重心偏离因子主要暴露于价值（0.279）、波动率（-0.256）和动量（-0.141）因子。

因子逻辑清晰，通过回归剥离干扰项后稳健性显著提升，与现有分布特征因子合成后Rank ICIR达5.74，稳定性进一步改善。

数据依赖

所需数据: 日内1分钟级别高频量价数据（收盘价、开收盘间收益率）

可复现性: medium

数据获取难度一般，但涉及每日截面回归、多时段划分及极端样本筛选，算子构造较为复杂，需仔细处理0值与缺失值。

新颖性评估 [新组合]

创新点在于将时间维度的重心位置用截面回归残差进行提纯，并系统性地从收益率结构、极端样本分布、低波效应三个维度拆解其Alpha来源，区分解释因子与干扰因子，通过剥离干扰实现了因子增强。

不足与缺陷

因子构造流程复杂，涉及多次截面回归、分时段计算及极端样本剔除，计算成本高且容易出现前视偏差或数据穿透问题。
对“极端涨跌停事件”的处理采用20日内赋空值的方式，可能损失部分极端行情下的有效样本信息。
研报未明确提及具体的回测时间段及实际交易成本（手续费与滑点），多空信息比率高达4.5以上可能存在一定的过拟合或未考虑实际冲击成本。

可复用元素

以截面回归取残差替代直接作差来处理强相关且波动率不同的两个指标，是极为有效的高频因子提纯手段。
将日内拆分为8段半小时区间，系统性地将“收益率结构”拆解为“干扰因子（盘初）”和“解释因子（盘尾）”，为高频因子逻辑溯源提供了优秀范式。
引入“零涨跌幅数量”作为低波效应的代理变量，视角新颖且具有较强的解释力。

启发

高频因子的提纯不应仅局限于传统风格中性化，同属于高频维度的“干扰因子”剔除（如盘初极端波动剥离）对因子效果提升更为显著。
时序特征因子（TGD）与分布特征因子（SKEW）在逻辑上正交，通过Rank排序简单合成即可实现1+1>2的效果，提示我们在开发因子时应关注因子维度的正交性。

改进方向

引入成交量加权的时间重心及分位数回归

基于: 原研报使用价格变动幅度绝对值加权计算时间重心，仅考虑了价格维度。可引入成交量加权以反映资金真实参与重心；同时采用分位数回归替代OLS回归，以增强对极端涨跌停等异常样本的稳健性。预期收益: 预计能进一步降低极端分钟样本对重心计算的干扰，提升因子在震荡市或个股剧烈波动时的稳定性和Rank IC。

复现计划

1. 获取A股全市场1分钟频率的高低收数据。2. 将每日09:31-15:00映射为1-240的时间戳。3. 计算单日Gu和Gd（以分钟收益率绝对值为权重）。4. 进行每日横截面回归 Gd~Gu 取残差ε，并取过去20日均值得原始因子。5. 计算20日内每日8个半小时区间的收益率序列、零涨跌幅分钟数、前N个极端涨跌幅均值。6. 将原始因子对盘初收益率、极端涨跌幅进行横截面回归取残差，再与盘尾收益率、零涨跌幅数量结合，取20日均值得到TGD因子。7. 计算SKEW因子，与TGD在截面上Rank排序加总合成。8. 全市场分5组，20日调仓，统计多空收益及Rank ICIR。