+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+前言¶
价量相关性的平均数因子：平均数因子利用成交量的信息，修正了传统 反转因子对股票价格涨跌的判断，即价格涨跌的反转不完全由价格自己 决定，还需看成交量的信息，若有量的确认，则月度行情的反转效应更强；若没有量的确认，则月度行情更容易呈现动量效应。
+价量相关性的波动性因子：波动性因子则从价量形态稳定性的角度，对 反转因子进行了改进，即无论股票价格过去的涨跌，只要每日价量关系 维持某种稳定形态，下个月就更有可能上涨；而价量关系在多种形态间频繁切换的股票，下个月更有可能下跌。
+价量相关性的趋势因子：股票价量相关性的变化趋势中也包含了有效的 选股信号。回测结果显示，价量相关系数随时间推移变小的股票，下个月的收益倾向于越高。
+ +
+
+
+
+
+In [23]:
+
+
+
+
+
+
+# 引入库
+import sys
+
+sys.path.append('../..')
+
+from Hugos_tools.Tdays import (Tdaysoffset, get_trade_period)
+from Hugos_tools.BuildStockPool import Filter_Stocks
+from Hugos_tools.Stragegy_performance import (get_performance_table,
+ get_information_table,
+ calc_mono_score)
+import functools
+import warnings
+from typing import (List, Tuple, Dict, Callable, Union)
+from tqdm import tqdm_notebook
+
+import alphalens as al
+import alphalens.performance as perf
+import statsmodels.api as sm
+from scipy.stats import pearsonr
+import pandas as pd
+import numpy as np
+import empyrical as ep
+
+from jqdata import *
+from jqfactor import (calc_factors, Factor)
+
+import seaborn as sns
+import matplotlib as mpl
+import matplotlib.pyplot as plt
+
+plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
+plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号
+
+
+
+
+
+价量相关性因子的构建¶
经过探索，我们找到一种提炼有效信息的方案，以全体A股为研究样本（剔除其中的ST股、停牌股以及上市不足60个交易日的次新股），以 2014/01/01-2021/11/30为回测时间段，实施以下操作：
+-
+
- 每月月底，回溯每只股票过去 20 个交易日的价量信息，每日计算该股票分钟收盘价与分钟成交量的相关系数； +
- 每只股票取 20 日相关系数的平均值，做横截面市值中性化处理，将得到的结果记为平均数因子 PV_corr_avg； +
- 每只股票取 20 日相关系数的标准差，同样做市值中性化处理，将结果记为波动性因子 PV_corr_std； +
- 采用最简单的方式综合上述两个因子的信息，将 PV_corr_avg 和 PV_corr_std分别横截面标准化，等权线性相加得到价量相关性综合因子 PV_corr，即 +
价量相关性因子的逻辑¶
平均数因子¶
先来看平均数因子 PV_corr_avg，它衡量了股票过去 20 日价量相关性的平均水平， 回测结果显示，价量相关系数越小的股票，未来收益倾向于越高。经过反复推敲，我们认为该因子其实是对传统反转因子做了修正。入下图，传统反转因子认为，股票的月度行情存在反转效应，过去 20 日上涨的股票下个月更倾向于下跌，应该归于空头； 而过去 20 日下跌的股票未来更有可能上涨，下个月应该归为多头。价量相关性的平均数因子 PV_corr_avg 则加入量的信息，细化了反转因子对股票价格形态的分类。
+
对于价格上涨，可以进一步分为放量上涨和缩量上涨，前者的价量相关系数较大， 后者的价量相关系数较小，在 PV_corr_avg 因子看来，两者不可混为一谈。过去放量上 涨的股票，就好比武侠小说中的“末路英雄”，强弩之末，难穿鲁缟，耗尽了内力，下 个月便倾向于下跌，这一点与反转因子一致；而过去缩量上涨的股票，好比有绵绵内力 不断缓缓释放，上个月还未涨到尽头，仍有力量支撑，下个月便能延续之前的行情，继续上涨，这一点正好与反转因子相反。
+对于价格下跌，也可以进一步分为放量下跌和缩量下跌，前者的价量相关系数小， 后者的价量相关系数大，PV_corr_avg 因子对这两类股票也持有不同的态度。放量下跌 的股票，PV_corr_avg 的判断与反转因子一致，认为下个月行情更容易反转，归为多头； 而过去平均来看缩量下跌的股票，由于还未经历放量见底的过程，下个月的反转行情相对较弱，仍然归于空头，这一点与反转因子不同。
+综上所述，平均数因子 PV_corr_avg 对传统反转因子的修正逻辑可总结为：价格涨跌的反转不完全由价格自己决定，还需看成交量的信息，若有量的确认，则月度行情的反转效应更强；若没有量的确认，则月度行情的动量效应更强。
+ +
+
+
+
+
+波动性因子¶
再来看衡量股票过去价量相关性波动情况的 PV_corr_std 因子，回测结果显示，因 子值越小，股票未来收益越高。我们也分 4 种价量关系分析该因子的选股逻辑。
+对于缩量上涨和放量下跌的情形，若股票的价量相关系数波动较小，则意味着股票在过去 20 个交易日，每日都稳定呈现缩量上涨或放量下跌的形态，自然与 PV_corr_avg因子的判断一致，将股票归为多头。
+而对另外两种情形的分析，PV_corr_std因子则与PV_corr_avg不同。对于放量上涨， 若价量相关系数波动较小，则意味着股票过去 20 个交易日，每日都呈现放量上涨的状 态，此时它不再是“末路英雄”，而是“绝顶高手”，比如受到了众多利好信息的持续刺 激，这类股票下个月应该仍然归为多头，期待上涨行情得以延续；对于缩量下跌，若股 票每日都稳定呈现此状态，则 PV_corr_std 因子对该股的判断与反转因子相同，认为下个月更有可能反转，出现上涨行情。
+其实，波动性因子 PV_corr_std 包含的选股信息也可以看做是对反转因子的一种修 正：无论股票过去是上涨还是下跌，只要每日价量关系维持一种稳定的形态， PV_corr_std 因子就把这只股票归为未来的多头；而价量关系在多种形态间频繁转换的股票，就会被 PV_corr_std 因子归为空头。
+
+
+
+
+
+小结
+总结了前两部分的分析，价量相关性因子可以看做是对传统反转的修正。
+
+
+
+
+
+由上，pv_corr可以看作是对传统反转因子的修正，价量相关性因子的选股信息必然与传统反转存在重叠。我们可进一步精炼选股信息，先将两个子因子PV_corr_avg和PV_corr_std 分别剔除反转因子，再各自横截面标准化，等权线性相加构建综合因子，将得到的新因子记为 PV_corr_deRet20。
+ +
+
+
+
+
+趋势因子的增量信息¶
在前文研究的基础上，我们额外发现股票价量相关性的变化趋势也能带来一些增量 信息，因此本节内容做进一步探索，挖掘新信息，并在最后呈现包含价量相关性3个维度信息的最终因子。
+价量相关性的趋势因子¶
本节介绍的选股因子计算过程如下：
+-
+
- 每月月底，仍然回溯每只股票过去 20 个交易日的价量信息，每日计算该股票分钟收盘价与分钟成交量的相关系数； +
- 将每只股票的 20 个相关系数𝜌𝑡对时间𝑡回归，取回归系数𝛽，即𝜌𝑡 = 𝛽 ∗ 𝑡 + 𝜀𝑡，其中，𝑡取值为 1,2,3,……,20； +
- 将所有股票的回归系数𝛽在横截面上剔除市值、传统价量类因子（20 日反转、20 日换手率、20 日波动率因子），将得到的结果定义为趋势因子 PV_corr_trend。 +
最终的价量相关性因子——CPV¶
经检验，上一小节介绍的趋势因子 PV_corr_trend 在剔除原来的综合因子 PV_corr_deRet20 后，仍然具有一定的选股能力，因此我们将 PV_corr_trend 带来的增量 信息叠加到 PV_corr_deRet20 之上，最终因子命名为CPV因子（Correlation of Price and Volume），涵盖了本篇报告提出的价量相关性 3 个维度上的综合信息：
+$$CPV = \frac{PV\_corr\_deRet20+mean(PV\_corr\_deRet20)}{std(PV\_corr\_deRet20)} + \frac{PV\_corr\_trend-mean(PV\_corr\_trend)}{std(PV\_corr\_trend)}$$
+
+
+
+
+In [2]:
+
+
+
+
+
+
+"""因子构建相关"""
+# 修饰器-分钟及数据数量大用次部分进行拆分
+
+
+def split_securities(Limit: int = 500):
+ def decorator(func: Callable):
+ @functools.wraps(func)
+ def wrapper(*args, **kw):
+
+ if 'securities' not in kw:
+
+ securities = args[0]
+
+ args = args[1:]
+
+ else:
+
+ securities = kw['securities']
+
+ del kw['securities']
+
+ if isinstance(securities, str):
+
+ securities = [securities]
+
+ size = len(securities)
+
+ if size > Limit:
+
+ return pd.concat((func(securities[i:i + Limit], *args, **kw)
+ for i in range(0, size, Limit)))
+
+ else:
+
+ return func(securities, *args, **kw)
+
+ return wrapper
+
+ return decorator
+
+# 获取日内数据
+
+
+@split_securities()
+def get_intraday_price(securities: Union[str, List], end_date: str,
+ count: int) -> pd.DataFrame:
+ """获取日内分钟数据
+
+ Args:
+ securities (Union[str, List]): 标的
+ end_date (str): 观察日
+ count (int): 天数
+
+ Returns:
+ pd.DataFrame: 数据
+ """
+ return get_price(securities,
+ end_date=end_date + ' 15:00:00',
+ count=240 * count,
+ frequency='1m',
+ fields=['close', 'volume'],
+ panel=False)
+
+
+# 计算相关系数
+def calc_corr(price: pd.DataFrame) -> pd.Series:
+ """计算量价相关系数
+
+ Args:
+ price (pd.DataFrame): 量价数据，index-datetime
+
+ Returns:
+ pd.Series: 相关系数
+ """
+ group = price.index.normalize()
+
+ return price.groupby(price.index.normalize()).apply(
+ lambda x: pearsonr(x['close'], x['volume'])[0])
+
+
+# 计算标准分
+def scaling_z_score(ser: pd.Series) -> pd.Series:
+ """标准分
+
+ Args:
+ ser (pd.Series): 因子值
+
+ Returns:
+ pd.Series: 标准化后的因子
+ """
+ return (ser - ser.mean()) / ser.std()
+
+
+# 计算残差
+def calc_ols(x: pd.Series, y: pd.Series,
+ method: str = 'resid') -> pd.Series:
+ """计算回归
+
+ Args:
+ x (pd.Series): 自变量
+ y (pd.Series): 应变量
+
+ Returns:
+ pd.Series: 残差
+ """
+
+ result = sm.OLS(y.fillna(0), sm.add_constant(np.nan_to_num(x))).fit()
+
+ return getattr(result, method)
+
+
+def Culling_factor(factor_ser: pd.Series,
+ other_factor: Union[pd.Series, pd.DataFrame],
+ scaling: bool = True) -> pd.Series:
+ """计算剔除其他因子
+
+ 再各自横截面标准化，等权线性相加构建综合因子
+ Args:
+ factor_ser (pd.Series): 因子
+ other_factor (pd.Series|pd.DataFrame): 反转因子
+ scaling (bool):是否标准化
+ Returns:
+ pd.DataFrame: 结果
+ """
+
+ # 去除反转因子的影响
+ ser = calc_ols(other_factor, factor_ser, 'resid')
+
+ if scaling:
+ # 标准化
+ scaling_ser = scaling_z_score(ser)
+
+ else:
+
+ scaling_ser = ser
+
+ return scaling_ser
+
+
+@split_securities()
+def calc_pv_corr(securities: Union[list, str], end_date: str, count: int,
+ market_cap: pd.Series) -> pd.DataFrame:
+ """计算因子
+
+ Args:
+ securities (Union[list, str]): 标的
+ end_date (str): 观察日
+ count (int): 周期
+ market_cap (pd.Series): 市值数据
+
+ Returns:
+ pd.DataFrame: 因子
+ """
+ # 获取分钟数据
+ price = get_intraday_price(securities, end_date=end_date, count=count)
+ # 获取量价相关系数
+ pv_corr = (price.set_index('time').groupby('code').apply(calc_corr).T)
+
+ # 计算pv_corr_trend所需的回归系数
+
+ pv_beta = pv_corr.apply(lambda x: calc_ols(np.arange(1,
+ len(x) + 1), x,
+ 'params')[1]) # 这里只是中间过程
+
+ # 平均数因子
+ pv_corr_avg = pv_corr.mean()
+ # 波 动性因子
+ pv_corr_std = pv_corr.std()
+
+ # 市值-标准化处理
+ market_cap = scaling_z_score(market_cap.loc[securities])
+ # 市值中性化
+ pv_corr_avg = Culling_factor(pv_corr_avg, market_cap, False)
+ pv_corr_std = Culling_factor(pv_corr_std, market_cap, False)
+ pv_beta = Culling_factor(pv_beta, market_cap, False)
+
+ pv_corr = scaling_z_score(pv_corr_avg) + scaling_z_score(pv_corr_std)
+
+ df = pd.concat((pv_corr_avg, pv_corr_std, pv_corr, pv_beta), axis=1)
+ df.columns = ['pv_corr_avg', 'pv_corr_std', 'pv_corr', 'pv_corr_trend']
+
+ return df
+
+
+class PV_corr(Factor):
+
+ warnings.filterwarnings("ignore")
+ name = 'PV_corr'
+ max_window = 20 # 可做敏感分析
+ # ROC20-20日动量
+ # VOL20-20日换手率
+ # 聚宽居然木有波动率....
+ dependencies = ['market_cap', 'ROC20', 'VOL20', 'close']
+
+ def calc(self, data: Dict) -> pd.Series:
+
+ codes = data['market_cap'].columns.tolist()
+ tradeDate = data['market_cap'].index[-1].strftime('%Y-%m-%d')
+ market_cap = data['market_cap'].iloc[-1]
+
+ # 获取反转因子
+ volatility: pd.Series = data['close'].pct_change().std() # 计算20日波动率
+ roc: pd.Series = data['ROC20'].iloc[-1]
+ vol: pd.Series = data['VOL20'].iloc[-1]
+ other_factor: pd.DataFrame = pd.concat((roc, vol, volatility), axis=1)
+ # 反转因子标准化
+ other_factor = other_factor.apply(scaling_z_score)
+
+ df = calc_pv_corr(securities=codes,
+ end_date=tradeDate,
+ count=self.max_window,
+ market_cap=market_cap)
+
+ # 计算pv_corr_deret20
+ pv_corr_avg_: pd.Series = Culling_factor(df['pv_corr_avg'],
+ other_factor, True)
+
+ pv_corr_std_: pd.Series = Culling_factor(df['pv_corr_std'],
+ other_factor, True)
+
+ df['pv_corr_deret20'] = pv_corr_avg_ + pv_corr_std_
+
+ # 计算pv_corr_trend
+ df['pv_corr_trend'] = Culling_factor(df['pv_corr_trend'], other_factor,
+ False)
+
+ df['CPV'] = scaling_z_score(df['pv_corr_deret20']) + scaling_z_score(
+ df['pv_corr_trend'])
+
+ self.market_cap: pd.Series = market_cap
+ self.other_factor: pd.DataFrame = other_factor
+ self.pv_corr_factor: pd.DataFrame = df
+
+
+"""因子获取"""
+
+
+def get_factor(symbol: str, tradeDt) -> pd.DataFrame:
+ """获取因子
+
+ Args:
+ symbol (str): 股票池范围 A为全A
+ startDate (str): 起始日期
+ endDate (str): 结束日期
+ freq (str): 频率
+
+ Returns:
+ pd.DataFrame: 因子
+ """
+
+ for tradeDt in tqdm_notebook(periods, desc='因子获取'):
+
+ stock_pool_func = Filter_Stocks(symbol, tradeDt)
+ stock_pool_func.filter_paused(21, 20) # 过滤21日停牌超过20日的股票
+ stock_pool_func.filter_st() # 过滤st
+ stock_pool_func.filter_ipodate(60) # 过滤次新
+
+ PV_CORR = PV_corr()
+ codes = stock_pool_func.securities
+ calc_factors(codes, [PV_CORR], start_date=tradeDt, end_date=tradeDt)
+ yield PV_CORR.pv_corr_factor
+
+
+def get_freq_price(security: Union[List, str], periods: List) -> pd.DataFrame:
+ """获取对应频率价格数据
+
+ Args:
+ security (Union[List, str]): 标的
+ periods (List): 频率
+
+ Yields:
+ Iterator[pd.DataFrame]
+ """
+ for trade in tqdm_notebook(periods, desc='获取收盘价数据'):
+
+ yield get_price(security,
+ end_date=trade,
+ count=1,
+ fields='close',
+ fq='post',
+ panel=False)
+
+
+def get_pricing(factor_df: pd.DataFrame, last_periods: str = None) -> pd.DataFrame:
+ """获取价格数据
+
+ Args:
+ factor_df (pd.DataFrame): 因子数据 MultiIndex levels-0 date levels-1 code
+ last_periods (str, optional): 最后一期数据. Defaults to None.
+
+ Returns:
+ pd.DataFrame
+ """
+ if last_periods is not None:
+ periods = factor_df.index.levels[0].tolist(
+ ) + [pd.to_datetime(last_periods)]
+ else:
+ periods = factor_df.index.levels[0]
+
+ securities = factor_df.index.levels[1].tolist()
+
+ # 获取收盘价
+ price_list = list(get_freq_price(securities, periods))
+ price_df = pd.concat(price_list)
+ pivot_price = pd.pivot_table(price_df,
+ index='time',
+ columns='code',
+ values='close')
+ return pivot_price
+
+
+class get_factor_returns(object):
+
+ def __init__(self, factors: pd.DataFrame, factor_name: str, max_loss: float) -> None:
+ '''
+ 输入:factors MuliIndex level0-date level1-asset columns-factors
+ '''
+ self.factors = factors
+ self.factor_name = factor_name
+ self.name = self.factor_name
+ self.max_loss = max_loss
+
+ def get_calc(self, pricing: pd.DataFrame, periods: Tuple = (1,), quantiles: int = 5) -> pd.DataFrame:
+
+ factor_ser: pd.Series = self.factors[self.factor_name]
+ preprocessing_factor = al.utils.get_clean_factor_and_forward_returns(factor_ser,
+ pricing,
+ periods=periods,
+ quantiles=quantiles,
+ max_loss=self.max_loss)
+
+ # 预处理好的因子
+ self.factors_frame = preprocessing_factor
+
+ # 分组收益
+ self.group_returns = pd.pivot_table(preprocessing_factor.reset_index(
+ ), index='date', columns='factor_quantile', values=1)
+
+ # 分组累计收益
+ self.group_cum_returns = ep.cum_returns(
+ self.group_returns)
+
+ def long_short(self, lower: int = 1, upper: int = 5) -> pd.Series:
+ '''
+ 获取多空收益
+ 默认地分组为1,高分组为5
+ '''
+ try:
+ self.group_returns
+ except NameError:
+ raise ValueError('请先执行get_calc')
+
+ self.long_short_returns = self.group_returns[upper] - \
+ self.group_returns[lower]
+ self.long_short_returns.name = f'{self.name}_excess_ret'
+
+ self.long_short_cum = ep.cum_returns(self.long_short_returns)
+ self.long_short_cum.name = f'{self.name}_excess_cum'
+
+
+
+
+
+In [3]:
+
+
+
+
+
+
+# 因子获取
+periods = get_trade_period('2014-01-01', '2021-10-31', 'ME')
+factor_dfs = list(get_factor('A', periods))
+
+# 因子值
+factor_df = pd.concat({tradeDt: df for tradeDt, df in zip(
+ periods, factor_dfs)}, names=['date', 'asset'])
+
+# 数据储存
+factor_df.to_csv('cpv.csv')
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+In [4]:
+
+
+
+
+
+
+# 读取
+factor_df = pd.read_csv('cpv.csv',index_col=[0,1],parse_dates=['date'])
+
+# 获取收盘价数据
+pricing = get_pricing(factor_df, '2021-11-30')
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+In [5]:
+
+
+
+
+
+
+# 数据结构如下
+factor_df.tail()
+
+
+
+
+
+
+
+
+
+
+
+Out[5]:
+
+
+
+
+
+
+
+
+
+
+In [8]:
+
+
+
+
+
+
+# 查看因子分布
+fig, axes = plt.subplots(2, 3, figsize=(18, 9))
+
+axes = [i for x in axes for i in x]
+for ax, (name, ser) in zip(axes, factor_df.items()):
+
+ ax.set_title(name)
+ ser.hist(ax=ax)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+In [9]:
+
+
+
+
+
+
+# 获取因子回测数据
+factor_name = factor_df.columns.tolist()
+res_dic = {}
+
+for ax, name in zip(axes, factor_name):
+
+ res = get_factor_returns(factor_df, name, 0.4)
+ res.get_calc(pricing)
+ res.long_short(5, 1)
+ res_dic[name] = res
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+In [19]:
+
+
+
+
+
+
+# 因子分组收益
+fig, axes = plt.subplots(2, 3, figsize=(19, 9))
+axes = [i for x in axes for i in x]
+for ax,(k,v) in zip(axes,res_dic.items()):
+ v.group_cum_returns.plot(
+ ax=ax,
+ title=k,
+ color=['Navy', 'LightGrey', 'DimGray', 'DarkKhaki', 'LightSteelBlue'])
+ res.long_short_cum.plot(ax=ax, ls='--', color='red')
+
+plt.subplots_adjust(hspace=0.5)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+In [28]:
+
+
+
+
+
+
+# 因子分组平均收益
+fig, axes = plt.subplots(2, 3, figsize=(19, 9))
+axes = [i for x in axes for i in x]
+for ax, (k, v) in zip(axes, res_dic.items()):
+
+ mono_score = calc_mono_score(v.group_returns)
+ ax.yaxis.set_major_formatter(
+ mpl.ticker.FuncFormatter(lambda x, pos: '%.2f%%' % (x * 100)))
+ ax.text(0.65,0.95,"单调性得分为:%.3f"%mono_score,
+ fontsize=10,
+ bbox={'facecolor': 'white', 'alpha': 1, 'pad': 5},
+ transform=ax.transAxes,
+ verticalalignment='top')
+ v.group_returns.mean().plot.bar(ax=ax, title=k, color='#1f77b4')
+
+plt.subplots_adjust(hspace=0.5)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+由于 A股市场中做空手段相对有限,所以我们将重心放在多头组的分析中,从上图中可以看到第一组的收益相对较好，分别查看第一组每年的收益情况:
+ +
+
+
+
+
+In [59]:
+
+
+
+
+
+
+# report
+ret_by_y = pd.DataFrame(columns=list(res_dic.keys()))
+ic_df = pd.DataFrame(columns=list(res_dic.keys()))
+risk_df = pd.DataFrame(columns=list(res_dic.keys()))
+for k, v in res_dic.items():
+
+ ret_by_y[k] = v.group_returns[1].groupby(pd.Grouper(
+ level=0, freq='Y')).apply(lambda x: ep.cum_returns(x)[-1])
+
+ ic_df[k] = get_information_table(
+ perf.factor_information_coefficient(v.factors_frame)).iloc[:, 0]
+ risk_df[k] = get_performance_table(v.group_returns[[1]],
+ periods='monthly').iloc[:, 0]
+
+ret_by_y.index = ret_by_y.index.strftime('%Y')
+ret_by_y.index.names = ['年度']
+
+ret_by_y.style.format('{:.2%}').bar(align='mid', color=['#5fba7d', '#d65f5f'])
+
+
+
+
+
+
+
+
+
+
+
+Out[59]:
+
+
+
+
+
+
+
+
+
+
+In [62]:
+
+
+
+
+
+
+risk_df.style.format('{:.2%}').highlight_max(axis=1, color='#d65f5f')
+
+
+
+
+
+
+
+
+
+
+
+Out[62]:
+
+
+
+
+
+
+
+
+
+
+In [55]:
+
+
+
+
+
+
+# IC统计
+ic_df
+
+
+
+
+
+
+
+
+
+
+
+Out[55]:
+
+
+
+
+
+
+
+
+
+
+总结¶
本篇报告从技术分析中最简单的价量关系入手，在计算股票每日高频价量相关系数 的基础上，逐步挖掘了其中蕴藏的选股因子。
+首先，我们定义了价量相关性的平均数因子和波动性因子。研究发现，两者其实都可以看做是对传统反转因子的修正。平均数因子认为，股票的月度行情是否反转需要看成交量的信息，若有量的确认，则月度行情的反转效应更强；而若没有量的确认，则月度行情更容易呈现动量效应。波动性因子则不论股票过去价格的涨跌，只要每日价量关 系维持稳定形态，下个月就更有可能上涨；而价量关系在多种形态间频繁转换的股票，下个月更有可能下跌。
+其次，我们发现股票价量相关性的变化趋势也具有不错的选股能力，因此定义了趋势因子。回测结果显示，上个月的趋势因子值越小，即价量相关系数随时间推移逐渐变小的股票，下个月的收益倾向于越高，这与平均数因子的选股逻辑相呼应。
+最后，本篇报告综合上述3个维度的信息，构建了最终的价量相关性因子CPV，其各项回测指标均大幅优于传统反转因子。即使剔除市场常用风格和行业的干扰，纯净CPV 因子仍然具备良好的选股能力。
+ +