【方正金工】个股成交量的潮汐变化及“潮汐”因子构建——多因子选股系列研究之二

方正方正金工 2026-06-30 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

报告提出日内分钟频成交量的边际变化隐含重要信息，将个股日内成交量从低到高再回归低位的过程定义为“潮汐”。在这一过程中，价格快速下跌代表原有投资者悲观抛售致反应过度，未来可能补涨；快速上涨则代表新进投资者乐观建仓致反应过度。基于此逻辑，报告构造了全潮汐因子、强势半潮汐因子和弱势半潮汐因子，最终合成完整潮汐因子，发现其在月频选股中具有显著的预测能力。

经济逻辑

潮汐过程中的量价关系反映了投资者情绪的极端反应。价格在放量潮汐中急跌表明原有投资者过度悲观而急于抛售，容易导致反应过度进而未来补涨；急涨则表明新进者过度乐观而急于买入，同样导致反应过度。利用价格变动速率作为买卖意愿强烈程度的代理变量，可捕捉这种短期反应过度带来的未来价格修复。

超额收益逻辑

因子捕捉的是由于交易量潮汐变化中投资者的过度反应带来的价格反转机会。价格变动速率为负（急跌）意味着过度悲观抛售，未来预期补涨；价格变动速率为正（急涨）意味着过度乐观买入，未来预期回调。因子值与未来收益呈负相关。

构造细节 [factor]

因子定义

1. **邻域成交量**：对于日内第i分钟（仅取5至233分钟），计算其成交量及前后4分钟（共9分钟）的成交量总和。 2. **顶峰时刻t**：寻找邻域成交量最高的分钟t。 3. **涨潮时刻m**：在第5至t-1分钟内，寻找邻域成交量最低的分钟m，对应收盘价Cm，邻域成交量Vm。 4. **退潮时刻n**：在第t+1至233分钟内，寻找邻域成交量最低的分钟n，对应收盘价Cn，邻域成交量Vn。 5. **全潮汐因子**：计算(Cn-Cm)/Cm/(n-m)，取过去20日均值。 6. **半潮汐划分**：若Vm<Vn，涨潮为强势半潮汐，退潮为弱势半潮汐；若Vm>Vn，退潮为强势半潮汐，涨潮为弱势半潮汐。 7. **强势半潮汐因子**：计算强势半潮汐起止收盘价涨跌幅除以持续分钟数，取过去20日均值。 8. **激进弱势半潮汐因子**：计算弱势半潮汐起止收盘价涨跌幅除以持续分钟数，取过去20日均值。 9. **稳定弱势半潮汐因子**：计算弱势半潮汐起止收盘价涨跌幅除以持续分钟数，取过去20日标准差。 10. **完整潮汐因子**：将强势半潮汐因子与稳定弱势半潮汐因子等权合成。

处理流程

计算日内第5至233分钟每分钟的9分钟邻域成交量
找出顶峰时刻t、涨潮时刻m、退潮时刻n
计算全潮汐价格变动速率(Cn-Cm)/Cm/(n-m)
根据Vm与Vn大小比较划分强势半潮汐与弱势半潮汐
计算强势半潮汐价格变动速率并取20日均值
计算弱势半潮汐价格变动速率并取20日标准差
等权合成强势半潮汐与稳定弱势半潮汐因子得到完整潮汐因子
对因子进行市值和行业正交化处理

参数

邻域窗口: 9分钟滚动窗口: 20个交易日日内边界: 第5至233分钟

数据输入

: (分钟): (分钟)

组合方式

强势半潮汐因子与稳定弱势半潮汐因子等权合成

绩效

-7.90%

完整潮汐因子 Rank IC

-4.13

完整潮汐因子 Rank ICIR

27.09%

完整潮汐因子多空年化收益率

3.08

完整潮汐因子信息比率

83.96%

完整潮汐因子月度胜率

-3.47%

纯净完整潮汐因子 Rank IC

-2.72

纯净完整潮汐因子 Rank ICIR

14.77%

纯净完整潮汐因子多空年化收益率

2.53

纯净完整潮汐因子信息比率

-6.22%

中证1000 Rank IC

-3.70

中证1000 Rank ICIR

13.01%

中证1000 多头年化超额收益

基准: 全A（市值行业正交化），沪深300/中证500/中证1000成分股

回测期: 2013年4月至2022年2月

基于个股日内分钟频成交量由低到高再回归的低'潮汐'过程，构造价格变动速率因子。完整潮汐因子（强势半潮汐+稳定弱势半潮汐等权合成）在全A月频选股中表现优异，Rank IC -7.90%、多空年化27.09%、信息比3.08；剥离常用风格因子后仍具增量信息，Rank IC -3.47%、信息比2.53。在中证1000成分股内表现尤为突出。

收益归因 ✓ 已完成

完整潮汐因子与波动率、换手率相关性较高，与其他风格因子相关性较低。正交化后纯净因子Rank IC -3.47%、Rank ICIR -2.72、多空年化14.77%、信息比2.53，仍具显著选股能力。

方法: 使用常用风格因子（市值、行业、波动率、换手率等）对完整潮汐因子进行正交化回归，提取残差作为纯净因子检验增量信息

缺口: 仅做了线性正交化剥离常用风格因子，未对交易成本、滑点等实际执行层面进行扣减分析；未进一步检验因子在不同市场状态（牛/熊/震荡）下的条件表现

稳健性

子样本稳定性: 在沪深300、中证500和中证1000成分股中均表现出较好的选股能力，其中中证1000成分股内表现更优。

风格偏差: 因子与波动率、换手率有较高相关性，与其他风格因子相关性较低。

因子在剥离常用风格因子后仍保持显著的选股能力，在不同市值风格的指数成分股中具有普适性，尤其中小盘表现更好。

数据依赖

所需数据: 个股分钟频成交量及收盘价数据（剔除开盘收盘后的日内数据）

可复现性: medium

需要日内分钟频成交量及收盘价，数据处理涉及特定时点识别与计算，需要一定的开发量，但算法逻辑清晰，可复现性较好。

新颖性评估 [新方法]

创新性地将潮汐概念引入日内成交量形态分析，通过寻找日内成交量的波峰波谷划分涨退潮过程，并利用不同阶段的价格变动速率构建反转因子，视角新颖。

不足与缺陷

因子计算依赖日内特定波峰波谷的识别，对数据质量及异常点敏感，尽管使用了9分钟邻域平滑，仍可能受到停牌或异常交易的影响
未考虑实际交易成本和冲击成本，多空年化27%的真实可获取性存疑
正交化仅做了线性剥离，未探讨在复杂非线性市场状态下的表现，也未说明涨潮/退潮识别失败（如成交量持续单边递增或递减）时的处理方式
仅挖掘了单次潮汐，对于日内可能出现的多次成交量起伏未做充分挖掘

可复用元素

9分钟邻域成交量平滑方法
基于成交量极值点划分日内状态的方法论
将价格变动速率除以持续时间的标准化方式
对强势与弱势半潮汐分别取均值和标准差的差异化因子构建逻辑

启发

可以寻找日内价格形态（如动量或反转）的“潮汐”效应
不仅限于一次潮汐，可以扩展到日内多次波浪的识别与分析
可以将潮汐持续的时间长度或成交量跨度作为额外特征
对因子的强势和弱势部分分别使用均值和标准差进行合成是一个很好的特征工程思路

改进方向

日内多次潮汐/波浪提取与加权合成

基于: 日内成交量可能多次起伏，单次潮汐丢失了部分信息预期收益: 通过提取日内全部显著的成交量波浪高低点，构建多维度的价格变动速率特征，可能提升信息覆盖率和因子稳定性

基于Wasserstein距离的日内量价分布形态聚类因子

基于: 相似逻辑，不同构造：将日内240分钟的成交量分布看作一种微观状态，使用分布距离比较当日与历史状态的差异来预测反转预期收益: 避免硬性寻找单一波峰波谷带来的不稳定，从整体分布形态捕捉微观结构的非线性变化

复现计划

1. 获取A股分钟频量价数据；2. 提取日内5-233分钟数据，计算9分钟窗口邻域成交量；3. 识别顶峰、涨潮、退潮时刻并记录价格与时间点；4. 分别计算全潮汐、强势半潮汐（20日均值）、稳定弱势半潮汐（20日标准差）的价格变动速率；5. 等权合成完整潮汐因子；6. 进行市值与行业正交化；7. 月频十分组回测验证IC及收益表现。

实体

潮汐 [concept]全潮汐因子 [factor]强势半潮汐因子 [factor]激进弱势半潮汐因子 [factor]稳定弱势半潮汐因子 [factor]完整潮汐因子 [factor]邻域成交量 [method]价格变动速率 [method]曹春晓 [person]陈宗伟 [person]方正证券 [concept]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY