基于分钟K线的“主力波动率”构造及应用 | 民生金工

➤ 本文基于日内1分钟频价格和成交量提出了两种主力识别方法。

先根据涨跌幅方向对分钟频数据划分区间，状态分类方法一根据当前分钟的成交量与上一区间最后一分钟的成交量的相对大小，将股票划分为缩量上涨/下跌、放量上涨/下跌4种状态。状态分类方法二根据当前分钟的成交量与当前区间前续分钟的成交量的相对大小，将股票划分为缩量持续上涨/下跌、放量持续上涨/下跌、平量持续上涨/下跌6种状态。

➤ 使用不同状态收益率构造的波动率因子刻画了投资者的不同行为。

放量上涨和放量持续上涨状态的日内出现次数、对应区间涨跌幅和股票单日涨跌幅的相关性为各个状态中最高，说明这两种状态更能够代表主力拉升行为，而其对应的区间收益率代表主力资金拉升行为对股价的影响幅度；同理放量下跌和放量持续下跌状态更能够代表着主力出货行为。因此我们采用这四种状态计算波动率代替传统日频波动率，能够抓住每日核心成交信息的特征。

➤ 使用新的波动率计算方式，刻画了主力带来的“日内超额波动幅度”。

相较于传统波动率因子直接计算过去20日收益率标准差，我们采用了新的波动率算法计算了每种状态对应的单因子：

a.对日度收益率做截面标准化

b.取绝对值，并对绝对值调整后的收益率做截面标准化

c.计算过去20日标准差

修正后的波动率算法更好的刻画了投资者行为对股价影响幅度的波动程度，与传统算法相比在因子收益上有持续的增强。

➤ 将刻画主力资金行为状态的因子等权合成，构建“主力波动率”因子。

将“放量上涨”、“放量持续上涨”、“放量下跌”，“放量持续下跌”因子进行等权合成，得到“主力波动率”因子，IC均值为6.75%，Rank IC均值为9.06%，多空年化收益达到33.83%，多空年化夏普比率为2.85，多头年化超额收益为9.96%。周频调仓下，13年以来多空年化收益为48.62%。在沪深300、中证500、中证1000和国证2000内年年化多空收益分别为10.31%、16.86%、35.46%、37.69%，随着市值的逐步下沉，因子表现稳步提升。

➤ 基于“主力波动率”因子构建红利低波策略， 能显著提升长期收益。

相比1年波动率，主力波动率通过捕捉主力资金行为来更准确地刻画个股的波动率。我们将中证红利低波指数和红利成长低波指数中的低波因子替换为“主力波动率”因子，构建的组合年化收益相对基准分别提升3.00%和2.42%。此外，我们基于“主力波动率”因子构建了长短期波动结合的红利低波策略，2013年以来组合年化收益达到23.96%，长期来看组合能够获得较为稳定的超额收益。

01

股票的日内收益率包含了不同类型的投资者信息。具有相同日收益的两只股票可能具备完全不同的日内走势，势均力敌和力量悬殊的多空双方代表着完全不同的交易情绪，双方力量的差异导致它们对价格的影响程度有所不同。

用日频收益率构建的波动率因子超额收益稳定性较弱。用日频收益率构建的波动率因子各年表现差异较大，2017年多头超额收益遭遇较大回撤，2018-2021年之间多头超额收益持续走平。

本研究基于传统波动率因子从以下三个角度对其表现进行改进：

1.引入分钟频数据来提高收益率数据的颗粒度；

2.从两个维度来识别不同类型投资者，对日内收益率信息进行拆分和提纯；

3.改进波动率计算方法，提高因子稳定性。

1.1 技术形态分解日内分钟K线状态

不同类型投资者对市场影响有别。主力是在短期内可以对股票的价格波动和走势产生影响的主要力量，而与之对应的则是对行情的推动效果没有那么明显的次要力量。因此按照股票的日内交易形态去捕捉对股票当天走势更有影响力的主要力量的成交所代表的信息或有更重要的指示意义。

在本篇报告中，我们提出两种基于价格和成交量的状态识别方法：

状态分类方法一：单K线量价方向判断

按照日内分钟频收益率方向变化的时刻（用前一分钟收盘价与本分钟收盘价判断），将日内收益率序列合并为上涨下跌趋势段，对每一分钟判断当前时刻成交量与上一个趋势段的最后一分钟成交量的相对大小（第一个趋势段内的分钟行情由于找不到对应的上一个趋势段而无法被划分，跳过该分钟）：

• 若

  
  ，则为成交量放量；

• 若

  
  ，则为成交量缩量。

那么按照收益率的上涨、下跌，以及成交量的相对放量、缩量可以将日内每分钟行情划分为4种状态：放量上涨、缩量上涨、放量下跌、缩量下跌。

状态分类方法二：连续K线量价方向判断

按照日内分钟频收益率方向变化的时刻（用前一分钟收盘价与本分钟收盘价判断），将日内收益率序列合并为不同趋势段。对于每个趋势段内的每一分钟

• 若

  
  ，则为成交量缩量；

• 若

  
  ，则为成交量放量；

• 若

  
  ，则为成交量平量。

那么按照收益率的上涨、下跌，以及成交量的相对大小可以将日内每分钟行情划分为6种状态：放量持续上涨、平量持续上涨、缩量持续上涨、放量持续下跌、平量持续下跌、缩量持续下跌。

主力决定了每日股票涨跌的大方向。状态分类方法一和状态分类方法二用收益率符号变化的时刻划分日内收益率区间，并分别用跨区间和区间内成交量的相对大小关系刻画了交易情绪的变化和持续性。为了从状态分类方法一（4种）和状态分类方法二（6种）中找到更能代表主力资金的技术形态走势，我们计算了每天股票日内每种技术形态出现次数（等同于时间占比）与当日涨跌幅的相关系数，以及每种技术形态对应时段累计涨跌幅与当日股票涨跌幅的相关系数。

“放量上涨”和“放量持续上涨”状态可捕捉主力拉升行为，“放量下跌”和“放量持续下跌”状态捕捉主力出货行为。主力资金是指在股票市场中能够影响股市、甚至控制股市中短期走势的资金，主力资金拉升和出货动作一般都分别伴随着股价的上涨和下跌。可以看到两张图中，在刻画上涨状态的技术形态中，“放量上涨”与“放量持续上涨”与日收益率的相关系数分别在状态分类方法一和方法二中最高，在刻画下跌状态的技术形态中，“放量下跌”和“放量持续下跌”的相关系数分别在状态分类方法一和方法二中最高，所以我们可以认为这几种技术形态的出现更有可能捕捉到主力资金的行为。

1.2 采用不同形态的收益计算波动率因子

本节我们基于对日内收益率的拆分进行波动率因子的构建。利用前文提到的日内行情划分方法，我们使用不同技术形态对应的收益率构造了波动率因子，能够更好的利用到日内波动信息。具体因子构造方式如下：

1.按照上一节所述规则将日内分钟收益率进行技术形态划分；

2.计算每种技术形态对应的时段收益率作为该形态下的日内收益率；

3.对过去20个日度收益率先做截面标准化，取其绝对值，再做截面标准化，然后计算绝对值调整后的过去20日收益率的标准差。

“放量上涨”和“放量持续上涨”构造的波动率因子分别在状态分类方法一和状态分类方法二中选股能力最好。我们对状态分类方法一和方法二中共10种技术形态构建的波动率因子进行了单因子回测（市值行业中性），从因子绩效来看，表现最好的因子为放量上涨（状态分类方法一）和放量持续上涨（状态分类方法二），IC均值分别为7.04%和6.98%，多空年化收益率分别为35.80%和35.84%，多头年化超额收益率分别为11.05%和10.79%，均为对应因子组内最高，验证了放量上涨和放量持续上涨都能更好地代表主力资金拉升行为，主力资金的持续流入代表股票目前被看好，上涨概率更大。

02

“主力波动率因子”构建

CHAPTER

2.1 因子构建

“放量上涨”、“放量持续上涨”和“放量下跌”、“放量持续下跌”时段的涨跌幅共同刻画了更有效的波动信息。在上一章的回测结果中，“放量上涨”和“放量持续上涨”的修正波动率分别是状态分类方法一和状态分类方法二中表现最好的单因子，同时也衡量了多方主力行为对股价带来的影响。但当空方在市场中占据绝对主导地位时，多方的波动率会因此产生异常值，例如市场单边下跌时，多数股票上涨状态下的日内收益率为0，使得上涨状态的波动率不再具备截面区分能力，因此我们需要同时考虑上涨和下跌状态的波动率因子，以更好地应对各种极端市场状态。我们分别在状态分类方法一和状态分类方法二中选择 “放量下跌”和“放量持续下跌”来衡量主力资金的出货行为。

“主力波动率因子”合成：将“放量上涨”、“放量持续上涨”、“放量下跌”和“放量持续下跌”这4个状态波动率因子等权合成，得到主力波动率因子。主力波动率的大小刻画了主力资金行为对股价影响的波动程度，波动程度越大，越有可能导致股价过度反应，未来收益率更低。

2.2 “主力波动率”因子绩效

“主力波动率”因子回测条件：我们在全市场范围内进行单因子测试（市值行业中性化，下同），选股范围为剔除ST、*ST、退市、停牌、涨跌停股票后的全市场剩余股票，测试区间为2013年1月至2024年6月，调仓频率为月频。

“主力波动率”因子表现较好，多头年化超额收益9.96%。从回测表现上来看，合成因子的IC均值为6.75%，Rank IC均值为9.06%，多空年化收益为33.83%，多空年化夏普比率为2.85，多头年化超额收益为9.96%，多头超额年化夏普比率为1.84。

“主力波动率”因子与传统20日波动率因子相关性为70.85%。从相关性上来看，“主力波动率”因子与传统波动率因子截面相关系数均值较高，达到70.85%，因此，我们认为“主力波动率”因子是对传统20日波动率因子的一种改进方式，其本质上仍然表达的是波动率因子的逻辑。

2.3 波动率因子算法讨论

状态收益率大小的波动幅度更好地反应了投资者行为的波动程度。在1.2节单因子构造的第3 点中，区别于传统20日波动率因子——直接计算过去20日收益率标准差，我们先对日度收益率做标准化，并插入了一步取绝对值的操作作为改进波动率因子（如图10）的计算方式。

标准化并取截面绝对值（图c）刻画的是投资者行为对股价的影响幅度（即偏离均值的幅度），而仅标准化的操作会保留一个方向影响。在这两者中，我们认为影响幅度（图c）才是关键信息，而方向是一个随机变量。最后为了时序上可比，需要对影响幅度再做一次截面标准化将均值拉回到0，得到标准化后的影响幅度（图d），代表了由主力影响的“日内超额波动幅度”。

基于新算法计算的“主力波动率”因子相较于传统算法具有长期超额收益。下图展示了两种算法构建的“主力波动率”因子的多头超额净值，以及两者的比例，代表新算法相对传统算法的累计超额净值（灰色面积）。可以看到新算法相对传统算法的累计超额是持续有提升的，说明新算法的相对优势是长期的，而非来源于某一特定时间段在收益上的大幅差异。

2.4 风格相关系数

作为量价因子，“主力波动率”因子可能会与一些常见的风格因子相关，因此，为了进一步测试其选股能力，我们考虑其与常用风格因子的相关性。

“主力波动率”因子相比传统波动率因子，整体风格暴露更低。从相关性上来看，“主力波动率”因子与波动率、流动性、价值因子具有一定的相关性，平均截面相关系数为-46.58%、-28.78%、21.59%，说明该因子多头组合更偏向选择低流动性、低波动和低估值的股票，与一般价量因子的风格偏好一致。

2.5 不同频率回测结果

周频测试条件下，“主力波动率”因子多空年化收益率48.62%，表现相较于月频大幅提高。上述测试均基于月频调仓进行，而由于“主力波动率”因子基于分钟频行情数据进行构建，其选股信息可能在更高频率的应用中更加能够得以体现。因此，我们进一步测试了“主力波动率”因子在周频调仓下的选股效果。周频调仓下，“主力波动率”因子的IC均值为4.08%，Rank IC均值为7.36%，多空年化收益率达到48.62%，多空年化夏普比率达到3.65，多头年化超额收益率达到14.08%，多头年化超额夏普比率达到2.73，因子的收益率和稳定性相比月频调仓大幅提高。周频调仓下年化双边换手率36倍，约为月频的2-3倍。

2.6 其他样本空间表现

上述测试均基于全市场股票池进行选股，为了验证“主力波动率”因子在不同样本空间中的选股能力，我们选取沪深300、中证500、中证1000、国证2000的指数成分股作为选股池，测试“主力波动率”因子的选股能力。其中，中证1000和国证2000成分股中的测试时间区间为2015年1月到2024年6月。

“主力波动率”因子在小盘股中选股能力突出。从测试结果来看，“主力波动率”因子在不同样本空间中均具有一定的选股能力，在沪深300/中证500/中证1000/国证2000成份股中的Rank IC均值分别为3.17%、6.65%、9.82%、10.82%，多空年化收益率分别为10.31%、16.86%、35.46%、37.69%，多头年化超额收益率分别为1.99%、4.48%、9.56%、10.43%，对比之下，“主力波动率”因子在小盘股中的选股能力更加突出，随着市值的逐步下沉，因子表现稳步提升。

03

主力波动率因子在红利策略中的应用

CHAPTER

3.1 红利低波基准策略表现

不同的红利低波策略在构建方法上虽然有所不同，但是都围绕“高股息+低波动”这个主线。一般的构建方法是先筛选得到盈利稳健的高股息股票，然后在其中筛选波动率较小的股票。因此，策略构建所使用的波动率因子在高股息股票池中的绩效表现很大程度上就决定了策略的表现。

3.2 主力波动率在高股息股票中的表现

主力波动率因子在高股息股票池中表现优异。我们比较常用的过去1年日度收益率、过去1月日度收益率和主力波动率因子在高股息股票池中的表现，高股息股票池为过去1年股息率排名前1/3的股票，回测表现如下。主力波动率因子的表现显著优于1年波动率或1月波动率，多空年化收益达到22.08%，多头年化收益达到6.77%。

3.3 改进策略构建

3.3.1 在红利低波指数中的应用

基于主力波动率因子在高股息股票池中的优异表现，我们尝试将其用于构建红利低波策略。首先我们考虑从中证低波红利（H20269.CSI）和低波成长红利（931130.CSI）指数出发，将指数编制规则中的“过去1年波动率前50”替换为“主力波动率因子前50”，具体构建方式和测试结果如下。其中需要指出的是，在组合中所使用的主力波动率因子均为市值中性化后的因子（费率双边千三，下同）。

基于主力波动率的组合长期来看都能战胜基准组合。其中修正后的红利低波组合年化收益为16.69%，相对中证红利全收益年化超额为3.00%，修正后的红利成长低波组合年化收益为19.50%，相对红利成长低波全收益年化超额为6.78%。

短期波动率的加入使得组合收益更高，但是波动有所放大。相对中证红利低波全收益指数，修正后的红利低波组合虽然全样本夏普比率更高、最大回撤更小。而相对红利成长低波全收益指数，修正后的红利成长低波组合夏普比率持平，最大回撤有所放大。

3.3.2 更优的红利低波策略构建

我们参考中证红利低波指数和红利成长低波的构建方式，将股利支付率和业绩增长指标均纳入选股策略，并将短期波动率（主力波动率）和长期波动率（1年波动率）进行结合，分别构建得到了红利成长低波策略（短期波动）和红利成长低波策略（长短期波动结合），具体构建方式和测试结果如下。

红利成长低波策略（长短期波动结合）获得了短期波动率因子带来的收益增厚，但是稳定性较为一般。2013年以来组合年化收益为20.75%，相对红利成长低波全收益的超额年化收益为3.65%。

长短期波动率相结合能够显著提高收益和稳定性，夏普比率和最大回撤均优于红利成长低波指数。基于前文中的分析，我们兼顾了短期波动率的高收益特点和长期波动率的稳定性特点，构建长短期波动结合策略。策略年化收益提升至23.96%，相对红利成长低波全收益的超额年化收益达到6.40%，同时夏普比率提升至1.07，最大回撤降低至-34.61%，均优于基准指数。

红利成长低波策略（长短期波动结合）分年度超额收益表现优秀，具备较强的可投资性。分年度来看，2019-2022年每年均能实现双位数的超额收益，同时所有年份超额回撤均控制在-10%以内，能够更好地兼顾高股息和高成长。此外，从持股数量上来看，单期持股数量至少为10只，平均每月持股数量为27.18只，持股数量适中，具备较强的可投资性。

红利成长低波策略（长短期波动）风格暴露与中证红利低波指数相似。从风格上看，红利成长低波策略相对中证红利低波指数更加偏向小市值和低波动，同时在价值和成长上与中证红利低波接近，说明策略组合在保持价值属性的同时，能够同时获取小市值和低波动带来的收益增厚。

04

本文根据日内1分钟频价格和成交量的形态对日内投资者类型进行识别，捕捉主力资金的拉升和出货行为。我们基于日内交易形态提出了两种基于价格和成交量的状态识别方法：先根据涨跌幅方向划分区间，然后状态分类方法一根据当前分钟的成交量与上一区间最后一分钟的成交量的相对大小，将股票划分为缩量上涨、放量上涨、缩量下跌和放量下跌4种状态，状态分类方法二根据当前分钟的成交量与当前区间前续分钟的成交量的相对大小，将股票划分为缩量持续上涨、放量持续上涨、平量持续上涨、缩量持续下跌、放量持续下跌和平量持续下跌6种状态。根据各状态日内出现次数、对应区间涨跌幅和股票单日涨跌幅的相关性，我们认为放量上涨和放量持续上涨状态能够捕捉主力资金拉升行为，放量下跌和放量持续下跌能够捕捉主力资金出货行为。

计算刻画主力资金行为的各个状态的区间收益率大小的波动率并等权合成，作为主力波动率因子，选股效果较为突出。日内交易状态对应的区间收益率大小可以刻画投资者行为对股价的影响程度。主力波动率因子较大表示主力资金行为对股价的影响程度较大，说明股票可能引起了过度关注，更容易出现过度反应，降低预期收益率；反之则表示主力资金行为并没有引起过度关注，那么随着主力资金未来进一步的介入，股票上涨的可能性就会更高。合成因子的Rank IC均值为9.06%，多空年化收益达到33.83%，多头年化超额收益达到9.96%。在沪深300、中证500、中证1000和国证2000内年年化多空收益分别为10.31%、16.86%、35.46%、37.69%。

基于主力波动率因子构建红利低波策略，能显著提升长期收益。相比1年波动率，主力波动率通过捕捉主力资金行为来更精准地刻画个股的波动率。在高股息股票池中，因子的多头年化超额达到6.77%。在中证红利低波和红利成长低波中替换传统波动率因子，年化收益相对基准提升3.00%和2.42%。我们进一步构建了长短期波动结合的红利低波策略，2013年以来年化收益达到23.96%。

总的来说，主力波动率因子通过日内交易形态更准确地刻画了主力资金行为对股价的影响，从而更细致地衡量了股票的波动率大小，实现了更优秀的选股效果。

1）量化结论基于历史统计，如若未来市场环境发生变化不排除失效可能。

本文来自民生证券研究院于2024年8月2日发布的报告《基于分钟K线的“主力波动率”构造及应用》，详细内容请阅读报告原文。

《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供民生证券的专业投资者参考，完整的投资观点应以民生证券研究院发布的完整报告为准。若您并非民生证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户；市场有风险，投资需谨慎。

免责声明

民生证券股份有限公司（以下简称“本公司”）具有中国证监会许可的证券投资咨询业务资格。本报告仅供本公司境内客户使用。本公司不会因接收人收到本报告而视其为客户。本报告仅为参考之用，并不构成对客户的投资建议，不应被视为买卖任何证券、金融工具的要约或要约邀请。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，客户应当充分考虑自身特定状况，不应单纯依靠本报告所载的内容而取代个人的独立判断。在任何情况下，本公司不对任何人因使用本报告中的任何内容而导致的任何可能的损失负任何责任。

在法律允许的情况下，本公司及其附属机构可能持有报告中提及的公司所发行证券的头寸并进行交易，也可能为这些公司提供或正在争取提供投资银行、财务顾问、咨询服务等相关服务，本公司的员工可能担任本报告所提及的公司的董事。客户应充分考虑可能存在的利益冲突，勿将本报告作为投资决策的唯一参考依据。

海量资讯、精准解读，尽在新浪财经APP