我们在2024年发布的报告《
基于分钟数据的价变共振因子——“青出于蓝”系列研究之九
》中，从考察个股与整体市场联动关系出发，构建了一个聚焦于个股价格剧烈变化时的市场收益和成交特征的量价选股因子。经过持续跟踪，我们发现该因子2024年表现相对稳健，在四季度多头超额净值再创新高。
-
价变共振因子在2024年整体表现相对稳健，在四季度多头组合超额净值屡创新高。
其中，2024年多头组合收益为13.15%，超额收益为9.94%，并且该因子呈现出较为突出的负向剔除的选股效应，其空头组合收益为-31.64%，多空组合收益达63.26%。
-
价变共振因子在量价类型因子普遍失效的9-10月份表现良好。
经过统计后我们发现，该因子多头组合在9-10月跟上了市场快速上涨的节奏，并呈现出2.71%的超额收益。在11-12月的样本外期间，多头组合更是实现了4.41%的超额收益。截止1月24日，多头组合在25年1月份也获得了1.51%的超额收益。
-
2024年价变共振因子在沪深300和中证500中的指增策略测试中表现较为亮眼：
单因子指数增强策略在沪深300中形成了5.86%的超额收益，信息比率为1.52；在中证500中形成了8.10%的超额收益，信息比率为1.87。
-
在因子构建上，我们从简单的分钟相关性出发，借助反转效应对个股与市场的联动能有正向选股效应进行了逻辑解释。也基于此，
我们利用个股价格快速变化的时刻对分钟数据进行了切分，构建出了考察个股与市场联动关系的复合价变共振因子。
风险提示：
本报告结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险，不构成任何投资建议。
与常见因子从自身特征出发构建因子所不同，价变共振因子是一个关注个股与整体市场之间相互联系的量价选股因子。因此，该因子与常见量价因子相关性并不高。在与投资者交流过程中，我们发现投资者对该量价因子的近期表现情况具有浓厚兴趣，因此我们对该因子2024年的整体表现在此做一个详细的梳理和回顾。
1.1、全市场组合：2024Q4超额净值创新高
在图1中，我们统计了2024年价变共振复合因子在全A市场中构建分组策略的整体表现情况。可以看到，
价变共振因子在2024年整体表现相对稳健，在四季度多头组合超额净值屡创新高。
其中，2024年多头组合收益为13.15%，超额收益为9.94%，并且该因子呈现出较为突出的负向剔除的选股效应，其空头组合收益为-31.64%，多空组合收益达63.26%。（见表1）
分时间阶段上来看，在2024年1月的市场剧烈调整期中，价变共振因子多头组合的超额净值承受了一定的压力。这是由于该阶段时市场出现了系统性的快速下跌，导致因子所代表的趋势共振股票组合不可避免地出现了收益回撤。然而我们从图1的净值图中也可以看到，多头组合在2月后出现持续回暖，至年中已实现年内正超额。
进一步的，在与投资者的交流过程中，我们发现由于诸多量价选股因子在9-10月出现了普遍的选股效应失效，因此诸多投资者非常关心该因子在9月-10月的表现情况。
经过统计后我们发现，该因子多头组合在9-10月跟上了市场快速上涨的节奏，并呈现出2.71%的超额收益（见表2）。在11-12月的样本外期间，多头组合更是实现了4.41%的超额收益。同时，截止1月24日，多头组合在25年1月份也获得了1.51%的超额收益。
1.2、宽基指增策略：沪深300和中证500指增策略表现优异
在前述报告中，我们也基于价变共振因子构建指数了增强策略，具体构建方案如下：
（1）指数基准：沪深300指数、中证500指数和中证1000指数。
（2）权重计算：在限制个股权重偏移（1.2%、1%、0.8%）、行业权重偏移（8%）和市值权重偏移（0.5个标准差）的约束条件之下，最大化组合在价变共振因子的暴露。
（3）策略构建：以周频为回测频率，以因子可获得交易日的下一个交易日收盘价进行调仓，并在交易时考虑涨跌停限制，剔除ST、停牌股票。
根据表3的统计，
2024年价变共振因子在沪深300和中证500中的指增策略测试中表现较为亮眼：
单因子指数增强策略在沪深300中形成了5.86%的超额收益，信息比率为1.52；在中证500中形成了8.10%的超额收益，信息比率为1.87。
2.1、因子逻辑：个股与市场具有趋势联动时将有更高的收益
首先，我们构建了一个在短期视角下的一致性指标——以分钟收益率构建个股与全市场等权收益率的相关性。
其中，r(i,t)代表着t分钟个股i的收益率，r(m,t)代表着t分钟的全市场等权收益率。按照式中的计算，我们可以得到当日个股与全市场收益率的相关系数，再回溯过去5日做均值即可得到一个分钟相关性因子。我们对这个因子做了IC测试，根据表4所示，分钟相关性的IC均值为2.39%，ICIR为1.05。
可见，当个股与市场形成较好的同步效应时，即具有一定相关性时，未来收益表现较好；而当走势有驳于市场，走出独立行情的个股往往收益表现较弱。
我们认为这样一种现象可以借助个股反转效应进行解释，由于价格是围绕价值中枢变化的，当个股快速上涨时我们可以视其出现了可能需要付出的“代价”， 而当个股快速下跌时其拥有未来可能得到的“补偿”。
而在交易过程中，个股面临的“代价”和“补偿”是不可避免的。当个股必须承担“代价”时，我们希望其“代价”是全市场趋势共振作用的，这样的“代价”是被普遍认可的，是较不容易形成反噬的。而当个股拥有“补偿”时，我们希望这个“补偿”是市场恐慌性错杀带来的，这样更容易在后续得到及时的修正和补偿。
基于前述结论，结合了金融时间序列数据具有信噪比低、高度随机的现象，我们认为在个股短时间内出现价格剧烈变化时，个股与市场的在价格和成交量上的趋势共振特征能够具有相应的选股效应。
2.2、因子计算方法
在价格方面：
（1）计算个股在日内中最高和最低的5个分钟收益率期间，全市场收益率标准差的均值，分别记为STD_MAX和STD_MIN。
（2）计算了个股在日内中最高和最低的5个分钟收益率期间，对应全市场等权收益率的均值，分别记为RM_MAX和RM_MIN。
（3）对RM_MAX做截面上的正序排名名次归一化，对RM_MIN做截面逆序排名名次归一化。这一步骤是为了使得RM_MAX和RM_MIN在数值上均为正数，以保证后续因子构建符合逻辑。
（4） 将变换的RM_MAX和RM_MIN分别除以STD_MAX和STD_MIN得到CO_MAX和CO_MIN因子。
在成交量方面：
（1）计算日内每一分钟内的个股成交额占全市场总成交额的比值作为分钟个股成交额占比。
（2）计算日内240个分钟个股成交额占比的均值作为个股平均分钟成交额占比。
（3）找到日内最高和最低的N（M）个分钟收益率期间，并将这些时刻的前一分钟的个股分钟个股成交额占比的均值除以个股平均分钟成交额占比，则分别得到PRE_AMT_MAX和PRE_AMT_MIN因子。
进一步的，我们将当日计算得到的四个因子分别做截面排序归一化后，进行等权复合即可得到当日复合因子。为了使因子值在时间序列上更加平滑，我们将每日计算得到的复合因子值以20日为回溯期，以5日为半衰期进行时间序列衰减加权即可得到最终的价变时点市场共振因子（简称价变共振因子）。
基于该因子，我们可以挑选出一批在价格脉冲式发生变化时，能够与市场保持较好趋势共振的个股标的。
