热门搜索
首页 » 行业资讯 » 兴业证券研报因子:冲击吸收能力越强,未来收益越高——多空年化44.09%,夏普3.49

行业资讯

加入亿拓客·流量大师 撬动财富之门！！！

兴业证券研报因子:冲击吸收能力越强,未来收益越高——多空年化44.09%,夏普3.49

wang 2026-11-03 行业资讯
兴业证券研报因子:冲击吸收能力越强,未来收益越高——多空年化44.09%,夏普3.49
本文测试的因子是highVol_onset，该因子选自兴业证券的《高频研究系列十—成交异常、分歧状态与成交分歧结合中的Alpha》。

因子简介

highVol_onset 是一个基于分钟级量价数据构造的基础分歧命中因子。该因子刻画了股票在发生异常放量后，未来短时间窗口内是否会引发新的交易分歧（即个股相对市场的偏离随市场波动加速走阔）。核心逻辑在于评估市场对异常成交的“冲击吸收能力”。
从交易逻辑上看：
取值越高：意味着放量后的分歧激活概率低于非放量状态。这说明大量的成交被市场顺利承接，表现为冲击吸收，价格对成交量更有韧性，对应更高的未来收益。
取值越低：说明异常放量更可能包含信息冲击，导致投资者判断分化，放量后极易激活新的交易分歧，说明冲击吸收能力弱。
因此，该因子本质上是看“放量是否导致交易状态迅速分化”，反映了市场深度与价格发现的效率，回测方向为正向因子（取值越高越好）。

计算步骤

第一步、获取个股分钟级数据与基础状态定义：
获取 close_1m, volume_1m 数据。对每只股票、每个交易日、每一分钟 tt：
分歧状态 Di,d,tDi,d,t：基于稀疏线性回归得到的非线性响应系数 γi,d,tγi,d,t。若 γi,d,t>0γi,d,t>0，则 D=1D=1（处于分歧），否则 D=0D=0。
成交状态划分：
异常放量 Hi,d,tHi,d,t：若 80% 分位数回归残差 q80i,d,t>0q80i,d,t>0，则 H=1H=1。
异常缩量 Li,d,tLi,d,t：若 20% 分位数回归残差 q20i,d,t<0q20i,d,t<0，则 L=1L=1。
正常成交 Ni,d,tNi,d,t：1−H−L1−H−L。
第二步、定义未来五分钟分歧命中：
仅从当前尚未分歧的分钟出发（即要求 γi,d,t≤0γi,d,t≤0）。定义未来五分钟是否发生分歧：
Yi,d,t=1(max⁡k=1..5Di,d,t+k=1)Yi,d,t=1(maxk=1..5Di,d,t+k=1)
即：在 t+1t+1 到 t+5t+5 的 5 分钟内，只要至少出现一次分歧（γ>0γ>0），则命中 Y=1Y=1；否则 Y=0Y=0。（注：当前分钟 tt 不包含在未来窗口内）。
第三步、筛选有效分钟数：
为了防止数据穿越或计算无效，筛选出满足基础条件的“有效分钟” Ai,d,tAi,d,t：
Ai,d,t=1{γi,d,t≤0,且 γi,d,t+1:t+5 全部有效}Ai,d,t=1{γi,d,t≤0,且 γi,d,t+1:t+5 全部有效}
（即当前不处于分歧状态，且未来 5 分钟的数据存在，没有到收盘末尾）。
第四步、统计分组有效分钟数与命中次数：
对于放量组 HH 和非放量组（N+LN+L），分别统计有效分钟数 nn 和实际命中的次数 hh：
ni,d,g=∑tAi,d,t1(Gi,d,t=g)ni,d,g=∑tAi,d,t1(Gi,d,t=g)
hi,d,g=∑tAi,d,t1(Gi,d,t=g)Yi,d,thi,d,g=∑tAi,d,t1(Gi,d,t=g)Yi,d,t
（其中 g∈{H,N+L}g∈{H,N+L}）
第五步、伪计数概率计算与因子提取：
为了避免概率取到 0 或 1，对“命中”和“未命中”分别增加 0.5 的伪计数，按以下公式计算日频原始因子值：
FhighVol_onset=log⁡[(hN+L+0.5)/(nN+L+1)(hH+0.5)/(nH+1)]FhighVol_onset=log[(hH+0.5)/(nH+1)(hN+L+0.5)/(nN+L+1)]
（该公式计算的是：非放量状态下的分歧激活概率 与 放量状态下的分歧激活概率 的比值对数。比值越大，说明放量反而抑制了分歧，冲击吸收能力越强。）
第六步、时序平滑处理
将计算得到的日频原始因子值，按个股进行 10 日滚动平均平滑（Rolling Mean），得到最终的 highVol_onset 因子值。

因子回测

分组回测函数和结果对象，可参考《QuantZone 因子分组回测》：https://mp.weixin.qq.com/s/jm9-sJVytUFylJUHvorWvg

直接对因子进行市值行业中性化后，因子与残差波动率因子相关性最高为0.43。分组回测结果显示，二十分组的分层效果明显，单调性较好。近六年来，该因子相对中证1000的年化超额收益为13.4%，最大回撤为-18.56%。超额收益曲线整体向上。
空头侧的G0组表现也较为突出，年化收益为-22.6%，因子多空组合年化收益达到44.09%，夏普比率为3.49。IC曲线整体单调上行，六年累计IC为40，显示出较强的收益预测能力。收益最高的G0组年化收益为21.5%。
策略回测中，年化收益率为20.93%，年化超额收益为12.65%。超额收益曲线整体保持上行，但2024年出现较大回撤；分年度看，六年超额收益均为正，其中2022年超额收益最高为24.52%。
下面对因子进行市值、行业、波动率、流动性因子中性化。
进一步中性化后，该因子与各风格因子的相关性均降至0.1以下，因子纯度明显提升。分组回测的分层效果小幅下降，年化超额收益降至7.68%。多空组合年化收益降至23.47%，夏普比率也下降至2.79。
IC测试方面，六年累计IC降至15，整体IC曲线的波动有所增加，表明因子的预测能力出现一定衰减。

    QuantZone在日常投研中的便利性

    QuantZone 的核心便利性在于，把“每日更新的数据资产”和“统一回测工具”放到同一套工作流中。用户每天开盘前可以拿到最新因子，不需要关心底层分钟数据是否已经下载、复权是否处理、成份股是否更新，也不需要为每个因子单独写一套回测脚本。
    对于研究员，QuantZone 提供的是可复用的标准口径：同样的数据格式、同样的交易约束、同样的基准收益、同样的图表输出。这样不同因子之间的横向比较更干净，也更容易沉淀为团队内部统一的投研流程。
    对于策略开发，QuantZone 把因子评价和组合回测拆开。分组回测用于回答信号有没有横截面区分能力；策略回测用于回答把某一侧组合真的买起来会怎样。两者结合，既能快速筛选信号，也能更早暴露换手、回撤和基准超额方面的问题。
    使用建议
    • 开盘前先同步 QuantZone 最新因子，确认本地 JSON 元信息中的 end_date 已更新。
    • 先用默认全市场股票池跑一遍，再切换严格成份股范围对比。
    • 不要只看年化收益，优先同时检查 Rank IC、分组单调性、最大回撤和换手率。
    • 若策略表现依赖某一类股票池，应继续做市值、行业和流动性分层测试。
    • 将输出目录按 benchmark 和 universe 分层保存，避免不同配置的图表互相覆盖。

    猜你喜欢