summaryequityA-sharehigh-frequencyminute-barquantile-regressionCSADherdingsparse-regressionempirical-bayesfactor

兴业金工《高频研究系列十》— 成交异常、分歧状态与成交分歧结合中的 Alpha

来源

  • 机构: 兴业证券经济与金融研究院 (兴业金工)，公众号 XYQuantResearch（研报节选）
  • 研报: 《高频研究系列十—成交异常、分歧状态与成交分歧结合中的 Alpha》，对外发布时间 2026-10-21
  • 分析师: 郑兆磊 (S0190520080006)、陈子轩 (S0190524120001)；研究助理: 陈鹏
  • 本地归档: raw/articles/202610-xingye-trading-anomaly-divergence-alpha/
  • 回测区间: 2017-08-29 — 2026-09-30（9 年）；剔除不在市、涨跌停与特殊处理股票，T+1 日收盘价成交；多空为两组按因子值加权

一句话总结

先问「这一分钟相对它自己的常态是不是反常」，再问「这一刻市场是在一起走还是各走各的」，最后看「反常成交之后市场是把它消化了还是激活了分歧」——三步拼起来是一组日频选股因子，核心是最后那个「分歧命中」。

三条主线

一、个股自身异常时刻（条件分位数回归）

分钟成交量没有稳定的均值：开盘放量是日内 U 型季节性，机构拆单让相邻分钟一起放量，而价格大幅变动本身也会带出成交。所以分位数回归不回答「这分钟量算不算大」，而回答在给定交易时段、当分钟价格变化、上一分钟相对成交量之后，这一分钟实际相对成交量处在条件分布的什么位置。

  • 相对成交量 V^{rel}_{i,d,t}=V_{i,d,t}/\bar V_{i,d}，对 20% / 80% 分位分别做条件回归，残差 \varepsilon^{20} / \varepsilon^{80} 即「异常缩量 / 异常放量」
  • 因子 1 vr_quantile_resid_corr = 日内 \mathrm{Corr}(\varepsilon^{20},\varepsilon^{80})：高相关说明成交量相对整个条件分布同步位移（持续的潜在交易需求、机构订单执行），预期正向
  • 因子 2 vr_q80_ret_corr = 日内 \mathrm{Corr}(\varepsilon^{80},r)：高相关说明放量主要发生在上涨分钟（追涨、情绪放大），未来买入力已被透支，回测方向为负

二、相对市场异常时刻（CSAD + 分钟级稀疏回归）

个股收益相对市场收益的偏离程度如何随市场波动变化，是识别羊群与分歧的统计入口（经典 CSAD 框架）。本文把它从「一个平均的二次项系数 \beta_2」推进到「一组随分钟变化的系数 \{\gamma_t\}」——用 L0 约束的稀疏回归（剪枝交换算法求解）保证只有少数分钟有显著非线性响应，于是每分钟可分成三态：收敛 (consensus, \gamma<0) / 分歧 (dispersion, \gamma>0) / 线性 (linear, \gamma=0)。

  • 因子 3 lr_score_mor = 早盘 (10:00 前) CSAD 回归的 R^2，衡量早盘分歧有多少由市场共同波动解释，方向为负
  • 因子 4 lr_beta2_aft_minus_mor = \beta_{2,\text{aft}}-\beta_{2,\text{mor}}，衡量从早盘到 10 点后非线性响应的凸性是否上升（早盘被压制的个股特异信息是否逐步释放），正向延续
  • 因子 5–7 sr_dispersion_stdnumtrades / mean_vwap / volume_absret_corr：分歧时刻的交易笔数分布、相对成交价位、量价关系——用来区分「有序的信息分歧」与「情绪化的投机分歧」，三个因子方向均为负

三、分歧命中（异常成交 × 未来 5 分钟分歧）

只从「当前尚未分歧」的分钟出发，看未来 5 个交易分钟内是否出现过分歧，比较异常成交组与对照组的分歧激活概率：

  • 基础版（固定 0.5 伪计数）：F_{\text{highVol\_onset}}=\log\frac{(h_{N+L}+0.5)/(n_{N+L}+1)}{(h_H+0.5)/(n_H+1)}，放量组 H 为 \varepsilon^{80}>0，对照组含正常成交与异常缩量
  • 贝叶斯版：把个股的原始命中率改写为「个股原始命中率 + 当日市场先验均值」的加权平均，权重由有效分钟数决定；同时用方差分解把股票间差异拆成「真实异质性」与「二项抽样噪声」，再据此决定先验浓度 \kappa（裁剪在 5–200）

关键绩效（多空组合）

因子 Rank IC ICIR 多空年化 夏普
vr_quantile_resid_corr 0.048 0.59 34.60% 4.16
bayesHighVol_onset 0.039 0.51 32.22% 4.19
sr_dispersion_stdnumtrades 0.027 0.47 29.31% 5.40
highVol_onset（基础版） 0.027 0.41 19.33% 3.07
lr_score_mor 0.014 0.36 12.17% 3.46

正交化（对底层约 70 个高频因子）后 IC 普遍下降但夏普上升，如 vr_quantile_resid_corr 变为 IC 0.022 / 夏普 5.55。

两处最值得留意的地方

一、贝叶斯收缩对放量有效、对缩量有害，而且原因是可量化的。 用 2026 上半年逐日方差分解：异常放量事件率的股票间差异里，真实异质性只占 47.34%，二项抽样噪声占 52.66%；异常缩量则是 61.53% / 38.47%。放量事件更接近纯噪声，适合强收缩；缩量事件本身携带更多稳定特质，用同一套全市场先验反而把真信息当噪声抹掉。实测 bayesLowVol_onset 的 IC 掉到 0.008、ICIR 0.209，多空只有 3.88%。

二、缩量与放量的事件数中位数分别是 42 和 34——事件本来就少，这正是要引入贝叶斯的原因：典型股票每日约 34 个有效放量事件，原始事件率的二项抽样标准误就有 8.35 个百分点，两只真实特征相同的股票可能一个估成 25%、另一个估成 52%。

入口与交叉引用