日内量价分域 (Intraday Volume-Price Domain)
大白话：把一只股票的一天切成几块，每块当成一个「交易环境」——上午头半小时、下午中段、价格最高的那几段、成交量最大的那几段——然后问「在这一块里，这只股票的表现跟同一天其他股票差多少」。差得越远，这一块越「反常」，反常程度就是因子值。
分域（domain）就是这次切块。本页讲怎么切块、怎么算「反常程度」，以及由此得到的 12 个自身显著性因子。
另类信息的定义
兴业金工把因子写成 g = f(\textit{data}, \textit{Information})，并规定「另类信息」指 \textit{Information} \notin \textit{data}——即用数据本身里没有的东西去限制因子的计算方式。开盘、尾盘、大单都是另类信息。
分域属于另类信息：「哪一段属于哪个域」这个划分标准是先验规定的，不是从数据里学出来的。所以分域的每一个具体选择（切几刀、按什么切）都是研究者主观决定的，这既是它的灵活处，也是它最容易被质疑的地方。
三种分域方式与域内特征
论文用三个维度分域，每个维度对应两种域内特征，共 6 种组合：
| 被分域特征 | 域内特征 |
|---|---|
| 时间 | 收益率、成交量 |
| 价格 | 波动率、成交量 |
| 成交量 | 波动率、收益率 |
注意一个细节：分域用的数据和域内刻画用的数据不是同一个。 这就是论文强调的「拆分出分域使用的数据以及域内特征数据」——用成交量把一天切开后，在每个域内去看的是波动率和收益率。否则等于拿同一份数据既定义环境又度量表现。
三种分域的具体做法：
- 时间分域：最简单，按半小时间隔切，交易日切成 8 块。
- 价格分域、成交量分域：因为分钟数据随机性大，直接切会被噪声主导，所以先按不重叠原则把时间序列切成特征序列，再对特征序列做等频分域（切 5 块），最后算每块内的量价特征。
「等频」的意思是每块包含的数据点数量相同，而不是价格或成交量的量级相同——这是为了避免某一块天然就更大。
基础型因子：先把分域当差异刻画
在引入显著性之前，论文先做了一版更朴素的因子。
时序分域——开盘半小时与尾盘半小时的比值：
| 因子名 | 因子构造方法 |
|---|---|
lh_rtnDiff |
开盘和尾盘半小时涨跌幅比值 |
lh_volDiff |
开盘和尾盘半小时成交量之和比值 |
lh_stdDiff |
开盘和尾盘半小时波动率比值 |
股价分域——先找高价时点和低价时点，再算两者之差：
highRank,\ lowRank = \left[\sum_{k=0}^{14} pct\_rank(high_{t-k})\right],\ \left[\sum_{k=0}^{14} pct\_rank(low_{t-k})\right] highIdt = argmax\{highRank\}, \qquad lowIdt = argmin\{lowRank\}
即：对日内每分钟的最高价序列取排序百分位，再累加过去 15 分钟（含当前分钟）作为「高位特征」；最低价同理。取特征最强的那个时点作为高价时点 / 低价时点。
| 因子名 | 因子构造方法 |
|---|---|
diff_idx |
高价时点和低价时点分钟差 |
diff_std |
高价时点和低价时点波动率差 |
diff_vol |
高价时点和低价时点成交量占比差 |
时序分域基础因子的绩效：
| 因子 | IC 均值 | IC 标准差 | ICIR | T 统计量 |
|---|---|---|---|---|
lh_rtnDiff |
0.024 | 0.069 | 0.352 | 8.33 |
lh_volDiff |
0.031 | 0.090 | 0.349 | 8.27 |
lh_stdDiff |
0.060 | 0.113 | 0.526 | 12.46 |
lh_stdDiff（开盘尾盘波动率比值）IC 均值 0.060，是这六个基础因子里最强的。
股价分域基础因子的绩效：
| 因子 | IC 均值 | IC 标准差 | ICIR | T 统计量 |
|---|---|---|---|---|
diff_idx |
0.010 | 0.071 | 0.14 | 6.86 |
diff_std |
0.019 | 0.038 | 0.49 | 23.35 |
diff_vol |
0.031 | 0.058 | 0.53 | 25.21 |
组合层面（多空两组，按因子值加权）：
| 因子 | 多空收益率 | 多头收益率 | 空头收益率 | 年化波动率 | 夏普比率 | 最大回撤 | 多头换手率 |
|---|---|---|---|---|---|---|---|
lh_rtnDiff |
22.90% | -3.99% | -21.75% | 6.55% | 3.49 | -6.88% | 14.01% |
lh_volDiff |
21.92% | -2.11% | -20.70% | 7.81% | 2.81 | -6.92% | 4.58% |
lh_stdDiff |
34.86% | 2.65% | -24.94% | 8.99% | 3.88 | -7.42% | 6.11% |
diff_idx |
12.16% | 9.09% | -2.65% | 6.82% | 1.78 | -9.93% | 16.87% |
diff_std |
10.63% | 7.37% | -3.33% | 3.58% | 2.97 | -13.52% | 13.60% |
diff_vol |
23.03% | 13.07% | -8.33% | 5.37% | 4.29 | -6.80% | 15.08% |
这里有一个值得注意的现象：三个时序分域因子的多头收益率是负的（-3.99%、-2.11%、+2.65%），多空收益几乎全部来自空头端。lh_stdDiff 多空 34.86% 但多头只有 2.65%。也就是说这类因子的收益结构是「做空涨得多的股票」，而不是「做多涨得少的股票」——与「日内动量反转」的直觉一致，但方向靠空头兑现。
显著性算法：把收益率换成域内特征
论文引用的显著性算法来自 Cosemans 与 Frehen (2021)，要求函数满足三条性质：
- 保序性——特征偏离总体的程度越大，函数值越大
- 敏感性递减——总体特征水平统一上升时，显著性下降
- 对称性——显著性只取决于特征的大小，与符号无关
原论文和后续研究大多用收益率作输入。本文的改造是：把输入从收益率换成域内特征（波动率、成交量占比等）。
时间分域下的域内特征计算方式：
qcutCHR = \left[std\left(rtn_{t \in [T, T+30min)}\right)\right]_{T = 9{:}30,\ \ldots,\ 14{:}30} 即从 9:30 起每半小时取一个 30 分钟窗口，窗口内收益率的标准差就是该时间域的域内特征。 自身显著性的计算： intraDS = max\left(\frac{\lvert qcutCHR_i - avg(qcutCHR)\rvert}{\lvert qcutCHR_i\rvert + \lvert avg(qcutCHR)\rvert + \varepsilon}\right)
读法：分子是「这一只股票在这个域里的特征值」与「所有股票在这个域里的平均特征值」的差距；分母是两者绝对值之和再加一个小的 \varepsilon（防止除零）。取最大值，表示在所有域里找最异常的那一个。这符合保序性（偏离越大值越大）、对称性（取绝对值，不分正负）。
反转版本：给显著性加上方向
显著性本身不带方向——「这只股票今天波动特别大」这件事既不预示涨也不预示跌。论文的假设是：日内出现显著交易特征且股价走势较好时，有限注意的投资者会过度关注该股，吸引更多注意力把股价推高，短期内被高估 → 之后反转。
intraDS2 = max\left(\frac{\lvert qcutCHR_i - avg(qcutCHR)\rvert}{\lvert qcutCHR_i\rvert + \lvert avg(qcutCHR)\rvert + \varepsilon}\right) * rtn_{argmax}
后半段是「显著性最强的那个域的收益率」：时间分域取显著性最强的半小时区间收益；价格和成交量分域取显著性最强的域内收益率均值。
12 个自身显著性因子
| 被分域特征 | 域内特征与因子名称 |
|---|---|
| 时间 | 收益率 intraDSRtn_byT、成交量 intraDSVol_byT |
| 价格 | 波动率 intraDSStd_byP、成交量 intraDSVol_byP |
| 成交量 | 波动率 intraDSStd_byV、收益率 intraDSRtn_byV |
反向版本把 intraDS 换成 intraDS2：intraDS2Rtn_byT、intraDS2Vol_byT、intraDS2Std_byP、intraDS2Vol_byP、intraDS2Rtn_byV、intraDS2Std_byV。
自身显著性这 6 个因子都预期为升序排序——论文的原话是「显著性程度越大，预期收益越低」（因为被过度关注 → 高估 → 反转）。所有因子在时序上再取 20 日均值作为最终测试值。反转版的方向论文没有重新说明。
自身显著性因子的 Rank IC：
| 因子 | IC 均值 | IC 标准差 | ICIR | T 统计量 |
|---|---|---|---|---|
intraDSVol_byT |
0.039 | 0.063 | 0.62 | 29.85 |
intraDSRtn_byT |
0.041 | 0.117 | 0.35 | 16.88 |
intraDSStd_byP |
0.046 | 0.097 | 0.48 | 23.02 |
intraDSVol_byP |
0.038 | 0.054 | 0.69 | 33.14 |
intraDSRtn_byV |
0.048 | 0.114 | 0.42 | 20.04 |
intraDSStd_byV |
0.050 | 0.103 | 0.49 | 23.34 |
自身显著性反转因子的 Rank IC：
| 因子 | IC 均值 | IC 标准差 | ICIR | T 统计量 |
|---|---|---|---|---|
intraDS2Vol_byT |
0.016 | 0.038 | 0.41 | 19.55 |
intraDS2Rtn_byT |
0.028 | 0.050 | 0.57 | 27.50 |
intraDS2Std_byP |
0.021 | 0.044 | 0.47 | 22.74 |
intraDS2Vol_byP |
0.004 | 0.039 | 0.11 | 5.11 |
intraDS2Rtn_byV |
0.043 | 0.062 | 0.68 | 32.85 |
intraDS2Std_byV |
0.044 | 0.064 | 0.68 | 32.77 |
反转版并没有比原版更好——这一点论文自己说得很直接：「表现相对较好，但并未比之前的原始显著性因子表现更好」。而且反转版高度依赖分域维度：成交量分域的反转因子（intraDS2Rtn_byV 0.043、intraDS2Std_byV 0.044）比价格分域（intraDS2Vol_byP 0.004）好一个数量级。
组合层面（自身显著性 6 个因子）：
| 因子 | 多空收益率 | 多头收益率 | 空头收益率 | 年化波动率 | 夏普比率 | 最大回撤 | 多头换手率 |
|---|---|---|---|---|---|---|---|
intraDSVol_byT |
35.02% | 16.13% | -14.22% | 6.31% | 5.55 | -6.35% | 10.49% |
intraDSRtn_byT |
14.93% | 6.75% | -9.00% | 10.22% | 1.46 | -12.27% | 8.17% |
intraDSStd_byP |
28.68% | 11.80% | -14.14% | 9.07% | 3.16 | -8.30% | 7.82% |
intraDSVol_byP |
32.68% | 14.95% | -13.40% | 5.13% | 6.38 | -4.11% | 12.24% |
intraDSRtn_byV |
24.58% | 9.87% | -13.60% | 10.35% | 2.37 | -9.57% | 8.23% |
intraDSStd_byV |
30.22% | 11.59% | -15.64% | 9.62% | 3.14 | -8.20% | 7.27% |
反转因子的组合表现：
| 因子 | 多空收益率 | 多头收益率 | 空头收益率 | 年化波动率 | 夏普比率 | 最大回撤 | 多头换手率 |
|---|---|---|---|---|---|---|---|
intraDS2Vol_byT |
10.66% | 3.38% | -6.72% | 3.97% | 2.68 | -4.48% | 15.28% |
intraDS2Rtn_byT |
15.98% | 5.53% | -9.56% | 4.61% | 3.46 | -10.49% | 15.41% |
intraDS2Std_byP |
17.65% | 4.76% | -10.93% | 4.18% | 4.22 | -5.42% | 14.60% |
intraDS2Vol_byP |
6.64% | 1.01% | -5.06% | 3.53% | 1.88 | -7.97% | 15.21% |
intraDS2Rtn_byV |
32.52% | 12.16% | -15.82% | 6.07% | 5.36 | -5.49% | 14.36% |
intraDS2Std_byV |
32.55% | 11.67% | -16.21% | 6.31% | 5.16 | -6.32% | 14.15% |
特异性：因子之间到底重不重复
12 个自身显著性因子的时序相关性矩阵（图 5）里有两个清楚的模式：
- 同一分域维度内的两个域内特征彼此高度相关：时间分域的
intraDSRtn_byT与intraDSVol_byT相关 0.40；价格分域的intraDSStd_byP与intraDSVol_byP相关 0.54；成交量分域的intraDSRtn_byV与intraDSStd_byV相关 0.95。 - 跨分域维度的相关也不低：价格分域的
intraDSStd_byP与成交量分域的intraDSRtn_byV相关 0.91、与intraDSStd_byV相关 0.98。也就是说原版 6 个因子整体上高度纠缠——intraDSStd_byV与另外 5 个原版因子的相关系数都在 0.52–0.98 之间。
论文对这个矩阵的读法是：先看原版与反转版之间（矩阵右上与左下角），两者绝大多数因子相关性较低、均值接近 0.34，说明两类因子的获益能力有差异；再各自内部（原版矩阵左上与反转版矩阵右下），除了成交量分域的两个因子外，时序和股价分域的两个因子组内相关性较低——成交量分域的 intraDSRtn_byV 与 intraDSStd_byV 相关高达 0.95（原版）和 0.93（反转版），几乎是一个因子的两种写法。
由此论文的结论是：因子特异性主要来源于域内特征的刻画——「域内特征为波动率、收益率或成交量相关的因子相关性较高」。换句话说，切分域方式带来的区分度，比在域内选波动率还是成交量更大。
与低频量价因子（动量反转、波动率、换手率等 16 个，测试周期为周频）的截面相关性均值约 0.14，最高接近 0.5，其中反转因子的特异性更强。
正交化处理（对底层所有高频因子中相关最高的那个做正交）后：
| 因子 | IC 均值 | IC 标准差 | ICIR | T 统计量 |
|---|---|---|---|---|
intraDSVol_byTN |
0.030 | 0.060 | 0.50 | 24.04 |
intraDSVol_byPN |
0.026 | 0.045 | 0.58 | 27.79 |
intraDS2Rtn_byVN |
0.022 | 0.045 | 0.48 | 22.95 |
| 因子 | 多空收益率 | 多头收益率 | 空头收益率 | 年化波动率 | 夏普比率 | 最大回撤 | 多头换手率 |
|---|---|---|---|---|---|---|---|
intraDSVol_byTN |
21.59% | 16.21% | -5.18% | 6.20% | 3.49 | -5.27% | 17.81% |
intraDSVol_byPN |
18.95% | 12.19% | -6.09% | 4.33% | 4.37 | -4.32% | 17.38% |
intraDS2Rtn_byVN |
14.42% | 8.35% | -5.48% | 4.46% | 3.23 | -4.40% | 16.59% |
正交化后 IC 下降但夏普上升——收益没少，波动降得更多。这是高频因子的常见模式。
与本 wiki 其他页面的接口
- 分域标准化与股票间成对相关性 — 本页的另一半：把分域从「一只股票内部切块」推到「全市场两两比较」
- 条件分位数回归与异常成交 — 同为「反常时刻」识别，但那篇问的是「相对自身条件基准还剩多少没被解释的量」，本页问的是「相对同域其他股票偏离多少」
- CSAD 分组回归与分歧状态 — 同样用「市场平均」作基准，但那边比的是收益离散度，这边比的是量价特征
- 日内收益的周期性 — 半小时分域为什么合理：日内同一时段的收益结构本身有延续性
- 日内 W 形 HFQ 分布 — 日内成交活跃度的 U/W 形结构，这是不重叠分域和等频分域的直接动机
Open Questions
- 域的数量是拍出来的：时间域 8 块（半小时）、价格与成交量域 5 块（等频）。为什么是 5 而不是 3 或 8？论文未做敏感性检验。这是本方法最脆弱的一环
- 「等频」分域的切点选在哪：价格域和成交量域的切点由什么规则确定？是否需要避开当日极值？论文未说明
- \varepsilon 的取值：显著性公式分母里的 \varepsilon 只说「防止除零」，没有给数值，也没有敏感性分析
- 为什么用
max而不是mean：一个域异常就触发因子，等于只看当日最极端的那一段信息，其余时段被丢弃。改成 top-2 平均或分位数聚合会怎样，未检验 - 显著性归一化用的是全市场还是单日截面：avg(qcutCHR) 的取样范围（当日全市场 / 历史同域）没有明确写出；这直接决定因子是截面型还是时序型
- 反转型因子的方向依赖成交量分域：
intraDS2Vol_byP的 IC 只有 0.004，接近失效。这说明「显著 + 走强 → 后续反转」这条逻辑只在成交量分域下成立，论文没有解释原因 - 正交化后表 14 的三行数值与表 22 完全相同（0.030/0.060/0.50/24.04、0.026/0.045/0.58/27.79、0.022/0.045/0.48/22.95），疑似原报告排版时复制粘贴错误，引用时需谨慎
Sources
- summaries/202408-xingye-intraday-domain-information-alpha/202408-xingye-intraday-domain-information-alpha — 兴业金工《高频研究系列九》，2024-08-22