分类
用隔夜收益替代上午收益改进原始APM因子，解决2019年上午收益预测性反转导致的因子失效，并构造OVP因子(隔夜减下午)表现更优
关键结论
改进APM因子用隔夜收益替代上午收益后修复了2019年失效问题；OVP因子(隔夜收益累加-下午收益累加)在多维度表现最优
核心要点
- 原始APM因子通过比较上午与下午收益残差差异选股，2019年因上午收益对未来收益预测性由正转负而失效
- 隔夜收益对未来收益的正向预测性在全样本和2019年均保持稳定，下午收益的负向预测性也保持稳定
- 改进APM因子(APM_new)用隔夜收益替代上午收益，2019年表现显著优于原始因子
- OVP因子(RO-RP)结合W式切割思想，构造更简洁且表现优异
- 改进APM因子在中证500中表现优于全市场，沪深300中选股能力一般
核心内容
报告从原始APM因子2019年连续回撤出发，通过拆解中间变量r_am和r_pm的ICIR，发现上午收益对未来收益的预测性在2019年由正转负是失效根因。进一步将日收益拆分为隔夜+四个日内小时段，发现从隔夜到下午，预测性呈正→负的梯度结构，其中隔夜正预测性最稳定。据此用隔夜收益替代上午收益构造改进APM因子。还尝试OVP=RO-RP的简洁构造，结合W式切割思想，表现优于AVP=RA-RP。
经济逻辑
A股知情交易概率日内呈倒J形曲线：隔夜信息累积导致开盘后知情交易集中释放。集合竞价阶段成交量占比最高，是知情交易者消化隔夜信息的主要时段。因此隔夜跳空收益蕴含知情交易者的私有信息，具有稳定的正向预测性。而下午交易更多反映散户跟风和过度反应，表现为负向预测性（反转）。上午收益的预测性不稳定，可能因上午既包含知情交易的信息释放，又包含连续竞价中的过度反应，两者力量对比会随市场环境变化。
超额收益逻辑
超额收益来源于日内不同时段价格行为的信息含量差异。隔夜跳空反映了知情交易者基于私有信息的集中交易行为，具有稳定的正向预测性。下午收益则更多反映日内过度反应和散户跟风行为，表现为稳定的负向预测性(反转效应)。两者之差(隔夜强正预测-下午负预测)放大了信息不对称的alpha信号。原始APM中上午收益同时包含知情交易释放和连续竞价过度反应两种力量，其净预测性不稳定(2019年由正转负)，导致因子失效。改进后用隔夜替代上午，保留了稳定正预测段，使因子更加鲁棒。OVP因子的简洁构造(RO-RP直接相减省去回归)同样有效，说明核心alpha来自隔夜与下午的预测性方向差异。
构造细节 [factor]
**原始APM因子(APM_raw):** 1. 计算每只股票过去20日分时段累加收益: r_am = Σ(t=1..20) [上午收益_t], 上午收益_t = (P_1130(t) - P_open(t)) / P_open(t) r_pm = Σ(t=1..20) [下午收益_t], 下午收益_t = (P_close(t) - P_1300(t)) / P_1300(t) 2. 分别对指数对应时段收益回归取残差(去除市场beta): e_am = r_am - β_am × r_am_index (β_am为个股r_am对指数r_am_index的回归系数) e_pm = r_pm - β_pm × r_pm_index 3. APM_raw = e_am - e_pm **改进APM因子(APM_new):** 1. 计算每只股票过去20日分时段累加收益: r_overnight = Σ(t=1..20) [隔夜收益_t], 隔夜收益_t = (P_open(t) - P_close(t-1)) / P_close(t-1) r_pm = Σ(t=1..20) [下午收益_t] (同上) 2. 分别对指数对应时段收益回归取残差: e_overnight = r_overnight - β × r_overnight_index e_pm = r_pm - β × r_pm_index 3. APM_new = e_overnight - e_pm **OVP因子(结合W式切割):** 1. 回溯过去20个交易日 2. 将每日收益拆分为隔夜/上午/下午三段，分别累加: RO = Σ(隔夜收益_t), RA = Σ(上午收益_t), RP = Σ(下午收益_t) 3. OVP = RO - RP AVP = RA - RP **表2中其他时段APM因子(推断):** - APM_1: 隔夜 vs 部分日内时段 (含隔夜数据，2019年表现好) - APM_2: 9:30-10:30 vs 下午 - APM_3: 10:30-14:00中间两小时相关 (表现差，成交寡淡) - APM_4: 14:00-15:00 vs 上午
- Step1: 获取股票日线OHLC及日内分时价格(11:30收盘价、13:00开盘价)，以及对应指数的相同时段数据
- Step2: 计算每日分时段收益率: 隔夜收益=(今开-昨收)/昨收; 上午收益=(11:30价-今开)/今开; 下午收益=(收盘-13:00价)/13:00价
- Step3: 对过去20个交易日的各分时段收益分别累加，得到r_overnight(或r_am)、r_pm
- Step4: 将个股累加收益对指数对应时段累加收益进行线性回归，取残差e_overnight(或e_am)、e_pm，去除市场beta暴露
- Step5: 计算因子值: APM_raw = e_am - e_pm; APM_new = e_overnight - e_pm; OVP = RO - RP
- Step6: 对因子值进行行业和市值中性化(回归取残差)，用于回测评估
- Step7: 全市场(或指定成分股)按因子值分5组，月度调仓，做多第1组做空第5组，计算多空对冲收益
单一因子测试，未涉及多因子组合；改进APM与OVP为独立构造的因子
绩效
原始APM因子在样本内表现优异（年化15.9%, IR 2.84），样本外表现下降（年化6.41%, 最大回撤5.72%），2019年出现连续回撤。失效原因为上午收益对未来收益的预测性由正转负。改进APM因子（APM_new）用隔夜收益替代上午收益，2019年表现显著优于原始因子。改进APM因子在中证500成分股中多空表现优于全市场，沪深300中表现一般。OVP因子结合W式切割方法表现优异。
收益归因 ✓ 已完成
APM因子2019年失效源于上午收益对未来收益的预测性由正转负，而隔夜收益的正向预测性较为稳定，下午收益的负向预测性也保持稳定。通过用隔夜收益替代上午收益进行改进，弥补了上午收益预测性不稳定的缺陷。
稳健性
改进APM因子相比原始因子在2019年显著改善，但长期稳定性仍需持续观察。因子在中小市值股票中效果更好，大市值适用性有限。方法对时段选择高度敏感，需选择信息含量高的时段(隔夜、下午)而非成交寡淡时段。
数据依赖
核心数据需求为日线OHLC加上日内两个时点价格(11:30和13:00)，数据获取难度中等。因子构造逻辑清晰可复现，但原始APM步骤图和表2的精确回归变量/正交化方法需根据文本推断。OVP因子构造最简洁，仅需隔夜和下午收益累加相减，可复现性最高。
相关研究
新颖性评估 [新组合]
核心创新在于因子失效归因方法论(拆解中间变量ICIR逐段诊断)和将隔夜收益引入APM框架的改进思路。OVP因子是已有APM方法论与W式切割思想的组合应用。整体属于对已有因子模型的改进与拓展，非全新方法论，但失效诊断思路和隔夜替代方案具有实用价值。
不足与缺陷
- 原始APM因子的精确计算步骤以图片呈现，文本仅描述'步骤三计算上午和下午残差的差值'，回归变量和正交化方法需推断，影响完全复现
- 改进APM因子(APM_new)未给出具体回测指标数字(年化收益、IR、最大回撤等)，仅以图表展示'显著优于'，缺乏定量对比
- 未报告交易成本、换手率和持仓周期细节，实际可交易性存疑
- 2019年失效修复是否长期有效未知——隔夜收益预测性未来也可能反转，缺乏机制层面的稳定性论证
- 沪深300中选股能力一般，大市值适用性差，限制了因子的应用范围
- OVP因子与W式切割的结合关系描述模糊：W式切割(按平均单笔成交金额切割交易日)在OVP=RO-RP构造中的具体作用未详述，是否仅概念性引用不明
- 表2中APM_1至APM_4的精确定义以图片呈现，无法从文本完全还原
可复用元素
- 分时段收益ICIR分析方法：拆解因子中间变量，逐段检验预测性方向变化，是诊断因子失效的有效工具
- 日内各时段预测性梯度结构发现：隔夜(正)→上午(不稳定)→下午(负)，为时段选择提供理论依据
- 隔夜收益正预测性稳定的实证发现，可作为独立因子或组合组件使用
- 集合竞价成交量占比最高的统计事实，佐证隔夜信息含量高
- OVP=RO-RP的简洁因子构造，无需回归正交化，实现成本低
- 不同市值区间因子有效性差异的实证(中证500最优，沪深300一般)
启发
- 因子失效时应拆解到最小可观测单元(分时段收益)逐一检验预测性变化，而非整体放弃
- 隔夜跳空是知情交易的直接体现，可与其他微观结构指标结合增强信号
- 不同时段的信息含量存在结构性差异，应根据信息浓度选择时段而非随意划分
- W式切割思路(按交易活跃度分类交易日)可推广到其他因子，区分高信息日和低信息日
改进方向
用集合竞价成交额占比作为隔夜收益的信息权重，构造加权隔夜收益因子。集合竞价成交额占比越高说明隔夜信息冲击越大，该日隔夜收益的预测性应更强。具体: r_overnight_weighted = Σ(隔夜收益_t × 集合竞价成交额占比_t / 平均占比)，替代简单累加的RO，再构造W-OVP = r_overnight_weighted - RP
用隔夜收益与尾盘收益(14:30-15:00)的差异构造因子: OVP_tail = RO - R_tailclose。尾盘半小时是机构调仓和知情交易者修正仓位的主要时段，与隔夜形成信息对冲
结合W式切割，仅选择平均单笔成交金额处于特定分位的交易日计算OVP因子，筛选出散户主导(低单笔金额)的过度反应日和机构主导(高单笔金额)的知情交易日分别构造因子
复现计划
1. 数据准备:获取A股全市场股票日线OHLC数据及日内分时价格(至少11:30收盘价和13:00开盘价，若数据源支持可获取更细粒度)，以及沪深300/中证500等指数对应时段数据。2. 分时段收益计算:隔夜收益=(今开-昨收)/昨收;上午收益=(11:30价-今开)/今开;下午收益=(收盘-13:00价)/13:00价。3. 累加:对过去20个交易日各时段收益分别累加得到RO/RA/RP。4. 回归正交化:将个股累加收益对指数对应时段累加收益回归取残差(对于APM_raw/APM_new);OVP因子直接用RO-RP无需回归。5. 因子中性化:对因子值回归市值和行业取残差。6. 回测:全市场(及沪深300/中证500成分股)按因子值分5组，月度调仓，计算多空对冲净值、年化收益、最大回撤、IR、月度胜率。7. 分时段ICIR分析:分别计算r_overnight/r_am/r_pm与未来20日收益的ICIR，按全样本和2019年分别统计，验证预测性梯度结构。8. OVP与W式切割结合:计算每日平均单笔成交金额=成交额/成交笔数，按分位数切割交易日，筛选后重新计算OVP。