转移熵与量价非线性因果 (Transfer Entropy and Nonlinear Price-Volume Causality)

大白话：转移熵 (transfer entropy) 回答的是「知道了 X 的历史，我预测 Y 的未来能少猜错多少」。它和相关系数的区别在于——相关系数只看两列数字是不是一起动，转移熵有方向：从 X 到 Y 的信息流可以很大，从 Y 到 X 的却很小。

本文用它做了一件卖方研究里少见的事：把「谁先动、谁后动」变成日频选股权重。做法是：算出每只股票每分钟「收益率 → 成交量」和「成交量 → 收益率」两个方向的转移熵，取 20 日均值，大的排前面。

因子 te_Comb：Rank IC 0.046，多空年化 48.72%，夏普 5.17。

什么算「关联信息」

兴业金工在《高频漫谈》里给的定义式是：指标 g 对两组数据的「一一对应关系」敏感——把 data_y 重新排序（Reorder），g 的取值就会变：

g = f\bigl(data_x,\ \mathrm{Reorder}(data_y)\bigr) \neq f\bigl(data_x,\ data_y\bigr)

例子：量价相关系数 \rho(r, volume)。若把「哪个收益率水平对应哪个成交量」的配对关系打乱，相关系数会明显变化——这说明它捕捉的是联合分布结构，不只是两个边际分布。

大白话：分布信息问的是「这一列数字长什么样」（偏度、峰度）；关联信息问的是「这两列数字是怎么配对的」。

转移熵的定义

转移熵是信息论里衡量有向信息传递量的非参数统计量。给定 X 的过去状态，Y 的未来值的不确定性减少了多少：

TE_k^{X \to Y} = \sum p(x_{t-k}, y_t) \log \frac{p(y_t \mid x_{t-k})}{p(y_t)}

其中 k 是滞后阶数（主观确定），p(x_{t-k}, y_t) 是 X 在 t-k 时刻与 Y 在 t 时刻的联合概率，p(y_t \mid x_{t-k}) 是给定 X 的过去状态时 Y 的当前状态的条件概率，p(y_t) 是 Y 的边缘概率。

读法：分子分母的比值 = 「知道 X 的历史之后，对 Y 的当前状态的不确定性还剩多少」。取对数求和就是信息增益。

为什么要用转移熵而不是 Granger 因果

为什么要非线性：金融数据噪音高，已有研究表明成交量变化率与收益率之间不存在明显的双向线性相关性（量的变动幅度与收益率不成比例）。用线性工具去测这种关系，结论会明显偏差。

方向性为什么重要：这正是本文最核心的经济直觉。

为什么量价之间有「因果倒置」

经典的供需逻辑是：成交量代表供求关系（因）→ 价格变动（果）。投资者看到外部信息后调整供求，进而推动价格。

但在非弱式有效的市场里，过去一段时间的量价信息并不包含全部过往信息。于是大量投资者用市场的过往量价信息决定自己未来的交易行为（典型的就是「跟风投资」）。这时候因果关系倒过来了：

股价的变动成为未来供求关系变化的「因」。

对不同股票而言，这种短期内的因果格局差异很大——差异本身反映了市场参与者对这只股票的看法不同，因此可以成为 Alpha 的来源。

这与「非同步交易」的关系：交易不同步的股票，其价格变动与成交之间的因果方向和同步交易的股票不一样。用相关系数根本区分不了「谁先谁后」，用转移熵可以。

因子构造

计算

1. 对每只股票、每个交易日，取剔除开盘和收盘各 10 分钟之后的分钟级收益率与成交量。
2. 类比前序报告《时序信息中的 Alpha》里的 LBQ 因子做法，采用多期滞后项（而非单一 k），计算两个方向的转移熵：
   • te_v2r：成交量 → 收益率
   • te_r2v：收益率 → 成交量
3. 均值越大说明对应风险越小、预期收益越高，所以是正向因子。
4. 在时序上取过去 20 日均值作为最终因子值。

绩效

收益率 → 成交量方向更出色：即「昨天的价格变化更能解释今天的成交量变化」，这正是上文「因果倒置」的量化表达。

合成与正交化

两个因子逻辑接近、相关性高，等权合成得 te_Comb，再与时序相关性最高的已有高频因子正交化，得 te_CombN。

正交化后的特异性：与底层所有高频因子的时序相关性均值约 26%，截面相关性均值约 17%。正交化后 IC 下降约一半，但表现没有明显变差——说明合成前两个方向里有一部分是底层因子的重复信息，另一部分是新东西。

与本 wiki 其他页面的接口

• 大价格变动的四个机制 — 「因果」这个词在微观结构里指向的是冲击的机制（临界点抵消、订单簿空隙等）；本页的转移熵是统计意义上的信息传递，两者不是一回事，不要混用
• Microstructure Noise — 微观结构噪音的经典来源之一就是非同步交易；本页用「量价之间的因果方向」给非同步性提供了一个可交易的度量
• Lead-Lag Detection — 领先滞后检测给出的同样是「谁先动」，但它是两阶段回归（自相关过滤 + 协整过滤），且论文明确警告「Granger 因果 ≠ 真实因果」；本页用信息论绕开这个争议
• HFQ 高频报价识别 — A 股高频报价的识别问题；本页的分钟级收益率本身也受同一个非同步问题影响
• 极端行情订单流 — 极端事件前后订单流的统计行为；本页的 te_r2v 可以看成「常态下的因果倒置程度」
• 时序自相关性与非同步交易因子 — 同系列的第二类信息（时序信息）：那一页用「打乱日内时间顺序指标就变」这个判据刻画非同步交易程度（LBQ 因子），本页用「量价之间的因果方向」刻画同一件事的另一面；两页的判据式形式相同但测的维度不同

Open Questions

• 滞后阶数 k 主观确定，报告未给敏感性检验。多期滞后（LBQ 式）具体取几期、算术还是几何加权，都没写
• 离散化方案未说明：转移熵必须对连续变量做离散化。分箱数、边界如何设置，报告未交代，而这对转移熵的估计影响很大
• 概率估计方式未说明：是经验频率、经验贝叶斯、还是 KDE？报告只说「非参统计」
• 「非同步交易」在这篇里是解释而非度量：报告用的是「非弱式有效」「因果倒置」这套说法来论证方向性有意义，并没有直接构造非同步交易指标（如异步交易的 stale price 比例）
• 只有两方向之差，没有直接用差值做因子：报告把两个方向等权合成，而不是取 te_r2v − te_v2r。取差值会更纯粹地度量「因果倒置的程度」，值得试
• T+1 制度下的可实现性：因子预测的是次日，报告的交易规则是 T+1 买入、T+2 卖出，未讨论 A 股卖空约束下多空组合的实现方式

Sources

• summaries/202406-xingye-association-information-alpha/202406-xingye-association-information-alpha — 兴业金工《高频研究系列八—关联信息中的 Alpha》，2024-06-05