• 报告核心观点：将日频量价选股因子研究成果迁移至分钟级高频数据，研究了价与量两个视角的量价关系，并提出三个量价Alpha因子，即COPA、CORAA 和CORAR，上述因子均表现出显著的选股能力。日内高频数据特征不同于日频，价格的涨跌幅与成交额展现更对称的U型关系，影响因子的构建逻辑和表现 [page::0][page::5][page::6][page::7]

• 高频因子构建细节及统计特征 [page::8][page::9]

- COPA因子：定义为一分钟级别价格与成交额的相关系数，取最近10个交易日的平均作为月度因子值。
- CORA因子：价格涨跌幅绝对值与成交额的相关系数，体现成交额对价格变动幅度的反应；其改进版本为错期因子CORAA（量在价先）和CORAR（价在量先）。

• 因子表现及中性化处理结果 [page::10][page::11]

- 中性化处理去除市值、行业、换手、波动、反转等影响后，COPA因子表现稳定，月胜率超84%，年化收益14.58%，夏普2.71。
- CORA因子中性后表现较弱，年化收益7.89%，夏普1.39。

• 高频错期因子（CORAA和CORAR）构建与表现 [page::11][page::12][page::13][page::14][page::15]

- 错期因子分别度量“成交额在涨跌幅前变化”（量先价）与“涨跌幅在成交额前变化”（价先量）的相关性，反映投机、知情交易者行为。
- 因子均稳定为正，空头组显著表现异常交易行为，具有明显负向Alpha。
- CORAA中性后月平均IC为-0.0309，年化收益13.54%，夏普2.50。
- CORAR表现优于CORAA，月平均IC-0.0364，年化收益14.81%，夏普2.73。

• 关键因子构建与数据处理细节优化（成交额日内标准化、涨跌幅为0样本剔除等）[page::15][page::16][page::17][page::18][page::19]

- 日内成交额U型分布通过滚动窗口均值标准差法进行标准化，剔除流水量引入的协方差扭曲。
- 剔除涨跌幅为零的时间点，避免低流动性数据干扰因子计算。
- 优化后，adjCORAA和adjCORAR的年化ICIR均超过3，多头和多空收益大幅提升，回撤显著降低，因子收益呈更好分组单调性。

• 参数敏感性测试 [page::19][page::20]

- 错期参数N的取值影响因子表现，N=1时效果最好，随着N增大，因子效果逐渐衰减，建议保守选用1分钟错期。

• 高频量价因子合成与综合表现 [page::21][page::22][page::24]

- 采用等权合成COPA、adjCORAA和adjCORAR因子，剔除常见因子影响后，月度RankIC均值达-5.73%，年化ICIR达4.31。
- 分十分组多空组合年化收益高达22.51%，年化波动5.48%，最大回撤4.92%，胜率超85%，表现平稳且收益分化明显。
- 在沪深300和中证500成分股中也展现不错选股能力，年化收益约12%-13%左右。

• 总结与投资启示 [page::24]

- 高频量价因子延续并细化了多篇低频量价选股因子的研究方法，证明了高频量价交互中蕴含丰富Alpha机会。
- COPA 因子具有较强稳定性与预测能力，COR_A 相关因子通过错期设计大幅提升Alpha表现，优化后的因子呈现优秀的风险调整收益。
- 本系列研究表明，高频数据为挖掘新的Alpha提供了有效空间，提供理论和实践指导以构建稳健量价量化因子。

方正证券研究报告《量价关系的高频乐章》详尽分析报告

---

1. 元数据与概览

• 报告标题：《量价关系的高频乐章》

- 研究机构：方正证券研究所

• 报告系列：“市场微观结构剖析”系列第6篇

- 发布日期：2020年2月27日

• 作者及执业证书：朱定豪（S1220519040002E）、首席分析师严佳炜（S1220519090003E）

- 主题：基于高频分钟级别数据的量价关系研究与量价互动选股因子构建，延续此前日频（日度）Alpha因子的研究，探索高频数据的交易微观结构与Alpha信号。

• 核心观点：

1. 高频分钟数据上的量价关系具备不同于日度数据的统计特性，因子构建逻辑虽相似但细节有差异。
2. 构建了三个量价关系Alpha因子（COPA、CORAA、CORAR），均显示出稳健的选股能力。
3. 优化后合成因子表现优异，多空组合年化收益超22%，最大回撤不足5%，月度胜率超85%，具备实战应用价值。[page::0,5,6,8,13,24]

---

2. 逐节深度解读

2.1 引言与量价关系两个视角（第1章）

• 报告起点是前期基于日度量价关系的Alpha研究，现尝试将其迁移到高频分钟数据。

- 量价关系划分为两个视角：
- 视角一：股价与成交额的关系（构建因子COPA），传统口语表达“放量上涨，缩量下跌”，在日度数据上量价同向相关显著（月度相关均值0.43），但在高频分钟维度相关降至0附近，表明日内交易特征差异明显。
- 视角二：涨跌幅与成交额关系（构建因子CORA系列），涨跌幅体现的是价格的变动率，成交量变化反映资金流动与投机热度；量价错期匹配带来增量Alpha，指出成交额异常提前表现预示价格波动（知情交易者抢跑行为），本研究将此引入高频维度。

• 图表1清晰展示了两个研究视角及对应构建因子，奠定全文逻辑基础。[page::5]

2.2 高频和日频数据统计性质差异（第2章）

• 理论基础为股票价格服从几何布朗运动，但其更适用于日频数据，高频数据表现出：

1. 近零漂移项均值
2. 极值离散性强，统计特性如偏度、峰度大且可能无界
3. 自相关性显著提升

• 高频数据成交额非同分布，日内呈U型或W型，开盘和收盘放量明显，午后开盘也放量，影响因子计算的统计稳定性。

- 图表2展示2014-2019年上证指数收盘价与成交额正相关性，支撑“量价同向”观点，月度价格与成交额相关系数均值0.43。

• 图表3则显示了某股票（平安银行）2019年最后5日的分钟股价与成交额关系，无显著同向性，凸显高频数据量价关系弱化和复杂性。[page::6]

2.3 价格冲击对称性的提升（第2.3节）

• 传统日度数据中，“不对称交易量-股价变化假说”（Karpoff，1987）指出股价涨跌幅与成交量表现非对称，极端上涨伴随更高成交量，散户追涨行为导致。

- 图表4和图表5展示该“非对称性”，涨跌幅分组换手率呈U形，但极端上涨成交量异常高。

• 高频分钟数据上此U型变得更对称，涨跌幅绝对值对成交量的正相关显示更严谨的统计特征，因投机资金难以影响每一分钟的交易。

- 图表6和图表7显示涨跌幅绝对值与分钟换手率的对称U型分布，说明高频量价关系更平衡，故采用涨跌幅绝对值衡量价格变动方便因子构建。 [page::7]

2.4 两个高频量价关系因子构建（第3章）

• COPA因子：日内分钟价格与分钟成交额的相关性，通过计算日内240分钟的相关系数，取最近10日均值得到月度值，分布近似正态，均值0.037，时间序列稳定，表示量价同向关系强弱。

- 图表8和图表9展示COPA因子值的分布及时间序列表现，稳定性较好。

• CORA因子：涨跌幅绝对值与成交额的相关性，表示单位成交额对价格变动的影响力，均值0.336，表现锋利但偏态略微左拖尾，时间序列同样稳定。

- 图表10和图表11展示该因子分布和时间序列。

• 实际回测（2014-2019），原始因子均展示负的IC指标（IC均值COPA -0.05左右，CORA波动较大），暗示因子值越低，后续收益越高。

- 图表12和图表13详细展示IC、RankIC、IR及多空组合表现，显示因子和高反转、高换手等因子存在相关性，提示需要中性化处理。

• 中性化后（剔除市值、行业、换手、波动、反转影响）COPA因子仍保持强预测力（IC均值-0.036，ICIR-3.94，年化收益约15%，回撤7%内，胜率85%），CORA因子预测力明显下降（图表14至图表18）。

- 图表19和图表20进一步验证中性后的COPA因子各分组年化收益及净值曲线，表现单调清晰，Alpha主要由空头贡献，符合交易过热特征。 [page::8,9,10,11]

2.5 量价错期匹配新Alpha的引入（第4章）

• 传统观点“量在价先”是先行指标，前期成交量异常放大预示价格波动（基于前作日度量价因素“FR因子”）。

- 高频数据验证该观点，构建“量在价先”CORAA因子（$corr(A{t-1}, |Ret{t}|)$）和“价在量先”CORAR因子($corr(|Ret{t-1}|, At)$)，后者体现价格变化影响交易情绪。

• 两因子均值正偏，空头组因子值较高，提示异常的微观交易热度，和月度负Alpha密切相关。

- 图表23至图表26展现两个因子的分布和时间序列特征。

• 因子测试显示中性前后两因子表现均优于同期CORA因子，空头组合的Alpha信号明显，IC均值约-0.031和-0.036，ICIR约-2.55和-3.05，年化收益约13%-15%，夏普比率2.5以上，最大回撤接近5%-9%。

- 净值及IC月度表现曲线清晰，分组收益单调，CORAR表现略优于CORAA。

• 图表29至图表36支持以上发现，空头组贡献主要Alpha，多头波动较大需进一步处理。 [page::11,12,13,14,15]

2.6 因子构建细节优化（第5章）

• 高频分钟成交量分布呈U型（图表37），造成相关系数计算失真，采用标准化处理（前20日该分钟均值和标准差归一化）。

- 剔除分钟涨跌幅为0（无成交或无价格变动）数据，减少低流动性噪声对因子的负面影响（图表38）。

• 优化处理后，因子平均值下降但表现明显提升，IC均值和ICIR提升至3以上，多空组合年化收益和夏普率均显著提高（图表39至图表43）。

- 图表44至图表51进一步呈现优化后因子的净值曲线、IC序列、分组收益等数据，显示优化消除了先前数据噪声，提升了预测稳定性和效力。

• 参数敏感性测试表明，错期变量采用1分钟为最佳，过长时间窗口导致信息衰减和Alpha减弱（图表52至图表54）。

- 计算窗口N（日内取平均天数）对COPA不敏感，对CORAA和CORAR的有效性有提升，推荐5-15天间选择。 [page::15,16,17,18,19,20]

2.7 高频量价因子合成及验证（第6章）

• 三因子（COPA, adjCORAA, adjCORAR）相关性不高，互补性强（图表56）。

- 简单等权合成因子，经过中性处理后月度IC均值-0.05，RankIC-0.057，年化ICIR超过4，十分组分组收益单调，收益波动率匹配合理，最大回撤<5%，月度胜率85%以上（图表57至图表60）。

• 合成因子在沪深300和中证500指数成份内同样表现出良好的选股效果，年化收益13%左右，波动8%，Information Ratio约1.5（图表61至图表63）。

- 综合来看，高频量价因子具备较强的普适性与实战价值。 [page::21,22,24]

2.8 结论与心得（第7章）

• 量价关系高频因子是对先前日频因子在技术路径上的延伸，但高频数据统计特性和交易微观结构差异导致因子细节有所不同。

- COPA因子稳定且稳健，无需过多数据复杂处理即可直接使用。

• CORA同期因子独立Alpha弱，错期构造大幅增强Alpha信号，特别是“量在价先”和“价在量先”两个错期因子，体现了市场中复杂的微观交易行为。

- 优化数据处理如成交额标准化和噪声剔除是进一步提升因子效用必要步骤。

• 合成因子表现尤为突出，风险控制良好，收益稳定，体现了高频量价信号的内在价值。

- 报告指出，未来Alpha探索一个方向是高频数据，尤其在日频Alpha逐渐被挖掘殆尽的背景下，高频量价关系仍有巨大潜力与实用价值。[page::24]

2.9 回测假设说明（第8章）

• 回测时间为2014年1月1日至2019年12月31日，数据过滤严格。

- 手续费双边3个基点，月频调仓，没有换手优化和组合优化，存在提升空间。

• 风险提示及免责声明详细阐述了模型局限性、历史回测不等于未来表现等。[page::25,26]

---

3. 图表深度解读

3.1 代表性关键图表解析

• 图表0（封面业绩曲线）：显示合成因子多空组合累计收益率红线稳步上涨，累计涨幅超过110%，灰色为回撤，最大回撤控制在5%以下，说明因子表现稳定且抗风险能力良好。[page::0]
• 图表2（日度上证综指成交额和收盘价）：清晰验证日度量价同向理论，“放量上涨，缩量下跌”现象。成交额峰值对应市场波动剧烈时刻，确认传统假设。[page::6]
• 图表3（平安银行日内分钟量价关系）：量价同向关系被打破，成交额峰值分布不均衡，价格和成交额峰值时间不同，体现日内微观结构复杂。[page::6]
• 图表8和图表9（COPA因子分布与时间序列）：因子值呈近正态分布，时间序列较稳定，反映了量价同向程度在市场中的均匀分布。[page::8]
• 图表10和图表11（CORA因子分布与时间序列）：因子正偏，市场上绝大部分股票涨跌幅和成交额共同放大，表明短期交易活跃。[page::9]
• 图表12至18（中性化前后因子表现）：清晰揭示中性化对因子有效性的影响，COPA保持强势，CORA波动大，折射出数据与因子设计匹配的复杂性。[page::9-10]
• 图表23至26（错期因子分布及时序）：因子均正，异常右尾明显，体现交易过热股票特征，分布较同期因子更尖锐，时间序列稳定。[page::12-13]
• 图表29至36（错期因子多空收益和分组收益）：收益高度分化，分组表现单调，空头回撤引关注，暗示异常交易行为带来负Alpha。[page::14-15]
• 图表37（2018全市场分钟成交额日内分布）：呈鲜明U形，峰值出现在开盘与收盘，验证报告数据特点，提示统计处理重要性。[page::15]
• 图表38（分钟涨跌幅为0占比）：与市场流动性高度相关，低流动性时半数分钟无价格变动，噪音特征明显。[page::16]
• 图表39至42与43-51（因子优化前后表现对比）：优化后因子均值提升，ICIR增长显著，净值曲线更平滑，回撤减少，表明数据预处理显著提升因子效力和稳定性。[page::17-19]
• 图表55（错期参数N测试）：结果显示N=1效果最佳，过大N导致Alpha逐渐衰减，符合信息滞后和数据噪声逻辑。[page::20]
• 图表57至60（合成因子选股性能）：IC均值稳定，多空组合年化收益突破22%，回撤有限，分组净值曲线清晰单调，因子实用性和稳定性兼具。[page::22]
• 图表62至63（指数内效果）：沪深300与中证500均表现良好，年化收益均在12%-13%，虽波动略增但信息比率仍具吸引力，体现策略广泛适用。[page::24]

---

4. 估值分析

• 本报告侧重因子构建与Alpha测试，不涉及传统企业估值方法（DCF、市盈率等），故无估值分析部分。

---

5. 风险因素评估

• 因子基于历史高频数据，回测表现不代表未来收益。

- 市场风格若变，微观交易结构调整，可能导致构建的Alpha因子失效。

• 高频数据自身噪声大，需严密数据清洗和标准化，否则会引入信息误判。

- 因子集中反映负向Alpha和投机风险，操作需注意可能的回撤和极端市场风险。

• 报告未覆盖因子实施成本、交易滑点及市场冲击，实际应用需慎重评估。

- 提醒仅供参考，非投资建议，无保证结果发生的承诺。[page::0,25]

---

6. 审慎视角与细微差别

• 报告内整体论断严谨，数据驱动明显，细节处理充分，但对高频数据的非稳态特征依然可能产生未完全捕获的噪声影响，短期异常年份（如2015年暴跌、2019下半年波动）均表现回撤高，提示市场结构变化的敏感性。

- LOCIC指标和多头组合表现不佳，虽多头组合含义为量价平稳，但也提醒存在噪声干扰，后文优化才得以缓解，用户需注意。

• 因子负相关现象较为显著，操作上反向构建多头策略时逻辑复杂，需谨防模型误用。

- 报告未深入讨论对因子实施交易成本、策略容量的影响，如在真实高频交易中滑点、手续费等可能切实影响收益。

• 对因子权重采用简单等权而非优化权重，虽考虑避免过拟合，但不排除存在进一步提升空间。

- 报告多次提到市场行为假设，如“聪明钱抢跑”和“投机泡沫”，基于统计相关性推断，缺少直接成交行为或资金流向证据，误差或解读风险存在。

• 未来行情切换、流动性骤变可能使得当前因子失效，建议结合其他多因子模型使用，且动态更新因子参数。

---

7. 结论性综合

该报告系统地将之前的日频量价关系研究，迁移至分钟级高频数据，着重探索两大量价互动视角，分别基于“股价与成交额”的直接相关性（COPA因子），及“价格变动幅度（涨跌幅绝对值）与成交额”的现象，通过引入错期匹配进一步提炼“量在价先”和“价在量先”的Alpha信号（CORAA与CORAR因子）：

• 高频数据表现出更丰富和动态的交易微观结构，传统的日度量价相关模式被打破，相关系数大幅下降，但涨跌幅-成交额错期相关性产生了新的Alpha。

- 经过细致的数据标准化、噪声剔除优化，因子预测能力显著提升，回测表现稳定且优异。

• 综合合成高频量价因子后，多数Alpha集中于“异常量价错期现象”，代表可能由知情交易者或短线投机驱动的市场行为，表现为空头组收益突出，胜率高、波动较低、最大回撤控制良好，体现良好的风险调整后收益水平。

- 因子在主流指数内同样具有较好的穿透力和收益表现，具备相对普适性。

• 报告强烈提示该策略基于历史数据，存在结构性风险，未来市场交易行为若发生较大演变，则因子失效风险存在。

- 总体而言，该报告科学地将金融市场微观结构与高频量价互动理论结合，成功构建出切实有效的高频Alpha因子，扩展了传统选股因子的维度和层次，体现出甲方研究机构较强的数据处理与量化建模能力。

---

8. 重要图表展示

示例展示两张关键图表，助力理解：

合成高频量价因子月度IC序列及净值表现

图解：月度IC序列为负概率87%以上，且走势稳定，说明因子预测能力稳定可靠。


图解：多空组合累计收益稳健攀升，最大回撤幅度较小，验证因子实际投资价值。

---

总结

本文详细介绍了高频量价因子体系构建的理论基础、技术流程、数据处理和回测验证，呈现了高频数据在Alpha发现上的巨大潜力及精细处理重要性。通过对数据横截面及时间序列的解析，明确了三个因子在捕捉微观市场结构异常与投机风险的价值，并通过合成增强了选股能力，最终得出集稳定性、收益性和风险控制于一体的高频量价综合因子，具有较高的实务指导意义和研究价值。

全文基于大量实证数据和严格测试，极具参考价值，尤其适合基金经理、量化分析师、交易策略研发者深入理解和借鉴，助推市场微观结构及高频Alpha挖掘的发展。

---

以上为方正证券《量价关系的高频乐章》研究报告的详尽、系统、专业的分析解读，覆盖报告全部核心论点及图表洞察，确保信息的溯源与准确，为推动量价因子和高频交易研究提供有力学术支持。[page::0,5-26]

报告