隔夜上涨和日内反转中的隐藏alpha

西部西部量化团队 2026-05-23 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

本文借鉴美股异常负反转因子，针对A股特征进行改进构建了隔夜-日内拉锯因子（TOI）。通过将价量分界点从开盘价调整至上午10点，并放松隔夜上涨日内必须下跌的严格要求，改为计算隔夜日内收益率之差（OID）与日内成交量占比在满足OID>0条件下的截面相关系数。该因子有效刻画了隔夜信息与日内套利者的力量拉锯，月均IC达0.035，年化ICIR为2.75，多空年化收益8.47%。

经济逻辑

隔夜交易主要来自噪声交易者及有信息优势的交易者，日内有更多套利者参与。当某只股票隔夜上涨，但日内未能维持涨幅甚至下跌（OID>0），且伴随日内成交量放大，反映日内投资者对隔夜信息不认可，需要付出更多交易量修正价格。这种过度修正拉低了股票价值，未来被拉低的价值逐渐显现，预期收益提升。

超额收益逻辑

隔夜上涨蕴含正向信息与积极情绪，若日内投资者对此信心不足甚至不认可，需付出更多交易量修正价格。隔夜与日内收益率之差和日内成交量占比同时变大反映分歧加剧，未来正面信息被发掘认可，预期收益提升。

构造细节 [factor]

因子定义

1. 定义隔夜收益率 $R_{ovr,t} = (P_{10:00,t} - P_{close,t-1}) / P_{close,t-1}$，日内收益率 $R_{intra,t} = (P_{close,t} - P_{10:00,t}) / P_{10:00,t}$；2. 定义隔夜日内力量差 $OID_t = R_{ovr,t} - R_{intra,t}$；3. 定义日内成交量占比 $V_{ratio,t} = V_{intra,t} / V_{total,t}$（日内成交量指10:00之后的成交量）；4. 在每个月，筛选出满足 $OID_t > 0$ 的交易日，计算这些交易日上 $OID_t$ 与 $V_{ratio,t}$ 的皮尔逊相关系数，即为当月的 TOI 因子值。

处理流程

获取后复权日线数据及日内10:00的量价数据
计算每日的隔夜收益率R_ovr（10点相对昨收）和日内收益率R_intra（收盘相对10点）
计算每日的隔夜日内收益率差 OID = R_ovr - R_intra
计算每日的日内成交量占比 V_ratio = 10点后成交量 / 全天成交量
按月筛选出当月满足 OID > 0 的交易日样本
在筛选出的样本上，计算个股 OID 序列与 V_ratio 序列的皮尔逊相关系数，得到当月TOI因子值
进行常规去极值、行业市值中性化处理
按月调仓进行IC测试及五分组回测

参数

隔夜/日内分界点: 10:00OID筛选条件: OID > 0

数据输入

: (日频): (日频)

组合方式

无

绩效

0.035

月均IC

83%

胜率

2.75

年化ICIR

8.47%

多空年化收益率

2.74%

多头年化超额收益率

基准: 等权基准

回测期: 2015年2月至2024年10月底

TOI因子月均IC为0.035，胜率为83%，年化ICIR为2.75。五分组月均收益率严格单调上升，多空组合年化收益率为8.47%，多头组合相对等权基准的年化超额收益率为2.74%。

收益归因 ✓ 已完成

TOI因子与常见价量因子截面相关性不高，与传统反转因子相关性约15%，与换手率及隔夜/日内收益率相关性约10%。经过三轮检验，证明TOI因子具有独特性，能捕捉常见价量因子未能包含的信息。

方法: 双重排序、Fama-MacBeth截面回归和Fama-French时序回归

稳健性

子样本稳定性: 2021年起第4组累计净值超越第5组，多头表现有轻微衰减迹象，但整体多空累计净值稳定向上。

风格偏差: 与传统反转因子相关性约15%，和换手率及隔夜/日内收益率相关性约10%，与常见价量因子截面相关性不高。

经双重排序、Fama-MacBeth截面回归和Fama-French时序回归三轮检验，因子收益无法被常见价量因子解释，具备独立alpha属性。但2021年后多头单调性略有瑕疵。

数据依赖

所需数据: 日频行情（收盘价、全天成交量）、日内10:00价格及10:00后的累计成交量。

可复现性: medium

需要提取每日10:00时刻的量价快照数据及剩余交易时段的成交量聚合，对于常规日频数据而言需要引入分钟线或特定时点数据，复现难度中等。

新颖性评估 [新组合]

将单纯的隔夜日内反转频率统计，改进为隔夜日内收益率差值与日内成交量占比的时序相关系数，结合了行为金融学中不同投资者群体力量拉锯的价量特征，属于因子构造方式的创新组合。

不足与缺陷

多头超额收益绝对值较低，年化超额收益仅2.74%，扣除交易成本后净收益空间较为有限
2021年后第5组表现被第4组反超，因子近期多头端单调性有所衰减
仅使用皮尔逊相关系数可能掩盖了不同分布形态下的信息，且对极端值敏感度不足

可复用元素

使用10:00价格划分隔夜和日内收益，规避A股集合竞价开盘价信息不充分的问题
将隔夜收益率与日内收益率之差（OID）与日内成交量占比结合，构建价量相关性因子
放宽异常反转的判定条件（从严格下跌放宽至未维持同等涨幅），扩大有效样本量

启发

A股开盘集合竞价价格信息量少，可通过延后分界点（如10:00）或使用前N分钟VWAP来更准确刻画隔夜信息
量价分歧不仅能用相关系数衡量，还可以用条件期望或分位数回归来捕捉极端分歧情况
行为金融学逻辑中，不同交易时段代表不同投资者群体（隔夜信息优势者vs日内套利者），这种时段切分思路可扩展至其他特征如资金流、大单分布等

改进方向

改进因子构造形式：使用隔夜日内收益率差(OID)的均值与日内成交量占比均值的乘积，或计算OID序列加权的日内成交量占比，替代简单的皮尔逊相关系数。

基于: 基于价量分歧的行为金融逻辑，相关系数受异常值和非线性关系影响较大，乘积或加权形式能更好反映'大幅分歧伴随大量成交'的特征。预期收益: 提高因子对极端分歧事件的捕捉能力，改善多头收益和单调性。

改变分界点或划分多时段：如使用9:45或前30分钟VWAP作为隔夜分界，或将日内进一步细分为上午和下午，计算更精细的时段价量拉锯。

基于: 10:00分界可能将早盘集合竞价后的反应也算入隔夜，更精细的时段切分能剥离不同投资者群体的行为。预期收益: 更纯粹地提取隔夜信息溢价，降低噪声。

复现计划

1. 提取A股全市场日线及10:00的量价数据，计算隔夜收益率(10点相对昨收)、日内收益率(收盘相对10点)及10点后的日内成交量占比；2. 计算每日OID = R_ovr - R_intra，筛选OID>0的交易日；3. 按月滚动计算这些交易日上OID与日内成交量占比的相关系数，得到TOI因子；4. 剔除ST及次新股，行业市值中性化处理；5. 按月调仓分5组，等权配置，计算IC及分组收益。