【方正金工】推动个股价格变化的因素分解与“花隐林间”因子——多因子选股系列研究之十

方正曹春晓陈宗伟 2026-06-30 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 4 /5

核心内容

研报将推动个股价格变化的因素分为市场层面、个股短期突然到来的信息、个股中长期基本面信息及噪声四类。通过1分钟频率的量价数据进行OLS回归提取不同信息的代理变量，并据此构造三个子因子：“朝没晨雾”衡量短期信息的平稳度，“午蔽古木”融合短期信息显著性与噪声逻辑，“夜眠霜路”剥离市场信息以衡量中长期基本面信息占比。最终将三因子等权合成“花隐林间”因子。

经济逻辑

三类非市场信息的推动力越小，股票未来收益越高：1) 短期突发信息少且平稳，说明股票冷门、投资者理智，价格相对低估；2) 中长期基本面信息短时间对价格影响小，说明投资者对基本面看法一致，分歧小；3) 噪声交易（投机、追高等）少，价格不易被高估。综合这三点，非市场层面信息“隐没”的股票未来更容易走出较好行情。

超额收益逻辑

由于过度反应、博彩偏好和看法分歧，非市场层面的信息冲击越小、噪声越小的股票，其当前价格相对不易被高估甚至被低估，未来更容易产生较高收益。通过高频数据提取统计量构造因子，筛选出在短期信息、噪声及中长期分歧上“隐没”的股票，从而获取超额收益。

构造细节 [factor]

因子定义

基础OLS回归：对于个股A在T日的第6至240分钟数据，进行带截距项的OLS回归：y_t = α + Σβ_{t-i} * ΔVol_{t-i} + ε_t (i=0,1,2,3,4,5)。y_t为第t分钟收益率，ΔVol为增量成交量。提取截距项t值(t-intercept)，自变量系数t值(t0~t5)，方程F值(F-all)。子因子1(朝没晨雾)：取每日t1,t2,t3,t4,t5(剔除t0)的样本标准差作为日因子值，月底计算过去20日均值。方向：越小越好。子因子2(午蔽古木)：计算每日t-intercept的绝对值abst-intercept。每日计算全市场F-all均值。若个股F-all<截面均值，日因子值=-1*abst-intercept；若F-all>=截面均值，日因子值=1*abst-intercept。月底取过去20日均值。方向：越小越好。子因子3(夜眠霜路)：每月月底取个股过去20天的t-intercept时间序列，计算其与截面所有其他股票20天t-intercept序列的Pearson相关系数，取绝对值后求均值。方向：越大越好。合成(花隐林间)：对上述3个子因子进行截面标准化(如Z-score)，将子因子3取负方向后与子因子1、2等权相加，得到“花隐林间”因子。因子值越小，预期未来收益越高。

处理流程

获取全A股1分钟频率的收盘价与成交量数据
计算分钟收益率与增量成交量(第6至240分钟)
对每日个股进行带截距项的6元OLS回归，提取t-intercept, t0~t5, F-all
计算t1~t5的样本标准差，取过去20日均值得子因子1'朝没晨雾'
基于当日截面F-all均值对abs(t-intercept)进行条件翻转(乘以1或-1)，取过去20日均值得子因子2'午蔽古木'
计算个股20日t-intercept序列与全市场所有股票20日t-intercept序列相关系数绝对值的均值，得子因子3'夜眠霜路'
将三个子因子标准化并统一方向后等权合成，得到'花隐林间'因子

参数

回归区间: 每日第6至第240分钟自变量滞后阶数: 5阶(t, t-1, t-2, t-3, t-4, t-5)因子均值窗口: 20个交易日

数据输入

: (1分钟)

组合方式

三个子因子截面标准化后，统一调整方向（均调整为因子值越小未来收益越高），随后等权相加合成“花隐林间”因子。

绩效

-9.34%

Rank IC

-5.69

Rank ICIR

32.39%

多空组合年化收益率

4.46

信息比率

88.43%

月度胜率

-4.63%

纯净因子Rank IC

16.62%

纯净因子多空年化收益率

基准: 常用风格因子及行业因子正交化、沪深300/中证500/中证1000指数增强

回测期: 2013年至2023年2月底

将个股价格变动因素分解为市场层面、个股短期信息、个股长期信息和噪声，据此构造'朝没晨雾'、'午蔽古木'和'夜眠霜路'三个子因子等权合成'花隐林间'因子。因子在全市场月频调仓表现优异，且在沪深300、中证500、中证1000指数增强中均表现较好。

收益归因 ✓ 已完成

剥离其他风格因子影响后，'花隐林间'因子依然表现出色，Rank IC均值为-4.63%，Rank ICIR为-4.15，多空组合年化收益率16.62%，信息比率2.99。

方法: 使用常用风格因子及行业因子进行正交化处理

缺口: 因子与流动性、波动率因子、估值因子相关性较高，与现有量价因子相关性适中。

稳健性

子样本稳定性: 因子在沪深300、中证500、中证1000不同市值样本空间中均表现稳定出色，多头组合年化超额收益分别为7.46%、9.42%和14.68%。在沪深300/中证500/中证1000指增模型中年化超额收益分别为6.02%、9.95%、11.27%。

风格偏差: 因子与流动性、波动率因子、估值因子相关性较高，与其余因子相关性较低。

因子在剥离常见风格及行业因子影响后，Rank IC均值仍有-4.63%，多空年化收益16.62%，表现出极强的增量信息与优秀的稳健性。

数据依赖

所需数据: A股全市场1分钟级别的量价数据(收盘价、成交量)

可复现性: medium

依赖高频分钟数据，计算逻辑清晰但每日需对全市场股票进行OLS回归，且夜眠霜路因子需计算截面上所有股票两两间的相关系数矩阵，计算复杂度为O(N^2)，需要一定的计算资源支持。

新颖性评估 [新组合]

通过简单的OLS回归t值与F值，将价格变动归因为不同维度的信息源。并利用“球队硬币式”截面翻转思想与横截面相关系数剥离市场信息，因子构造逻辑新颖且极具巧思。

不足与缺陷

1分钟量价数据计算量大，且“夜眠霜路”因子涉及全市场股票两两相关系数计算，计算复杂度较高
因子与流动性、波动率因子相关性较高，存在一定的风格共线性
“午蔽古木”因子的截面反转逻辑使用F-all均值作为硬阈值，在极端市场行情下可能导致翻转比例不稳定
等权合成相对简单，未考虑子因子在不同市场环境下预测能力的动态变化

可复用元素

使用分钟收益率对多阶增量成交量带截距项回归，将价格变动归因于不同信息源
提取回归统计量(t值、F值)构造因子，而非直接使用价量数据，提升了抗噪能力
“球队硬币”式截面翻转的思想，实现了两个维度信息(显著性与噪声大小)的非线性融合
通过横截面时间序列相关系数，巧妙分离市场层面的共同信息与个股中长期基本面信息

启发

高频低频化不仅可以提取均值或方差，提取回归系数的统计量分布特征也是一种极其有效的降维方法
使用统计量阈值(F均值)进行特征分段，是处理非线性信息融合的巧妙手段

改进方向

使用门限自回归模型(TAR)或机器学习树模型将F-all的阈值内生化，替代原研报中固定的“F-all均值”作为截面翻转的硬阈值

基于: 相似逻辑(依然基于短期信息显著性与噪声的截面翻转分离)，不同构造(用非线性模型自适应寻找最佳分离阈值替代截面均值翻转) 预期收益: 自适应阈值能更好刻画不同市场状态下的信息冲击特征，优化噪声与信息的分离效果，提升多头组合的收益与稳定性

使用Lasso回归或岭回归替代OLS提取系数，或用PCA主成分分析提取多阶滞后成交量的联合信息冲击

基于: 相似逻辑(依然分解短期信息与长期信息)，不同构造(正则化降维替代直接OLS以处理多阶滞后变量的共线性) 预期收益: 提升系数估计的稳健性，提取出更纯粹的信息冲击效应，改善因子在极端行情下的表现

复现计划

1. 获取2013-2023年A股全市场1分钟频率的收盘价与成交量数据；2. 计算分钟收益率与增量成交量，对每日第6至240分钟数据执行6元OLS回归，记录每日t-intercept、t1~t5及F-all；3. 按公式计算每日朝没晨雾(标准差)、日午蔽古木(基于F-all均值的条件翻转)并取20日均值；4. 计算每只股票月末20日t-intercept序列与全市场其余股票同区间序列的相关系数绝对值的均值，得夜眠霜路因子；5. 将三因子截面Z-score标准化，统一方向(夜眠霜路取负)后等权相加得“花隐林间”因子；6. 进行月频十分组回测及常用风格中性化评估，验证绩效指标。