2024金融工程行业报告：TPS与SPS选股因子绩效分析

1. 成交价改进换手率TPS因子与SPS因子绩效回顾

传统价量配合有两个方向，第一个是用量来配合价，第二个是用价来配合量。量配合价，指的是用换手率来改进动量因子，在过去三年的时间里，东吴金工已经完成了多篇报告，无论是用日频的数据，还是用高频的数据，都取得了良好的研究成果。

在传统的量价选股模型中，换手率因子的表现一直可圈可点。传统换手率Turn20因子的构建方式为把过去20个交易日的换手率取平均值，再进行横截面市值中性化。2006/01/01-2022/12/30，传统换手率因子（Turn20）在全体A股中的月度IC均值为-0.076，年化ICIR为-2.23，多空对冲的年化收益为37.71%，信息比率为2.20，月度胜率为70.79%。

换手率因子的IC为负，表明其选股逻辑为：过去一个月换手率越小的股票，未来一个月越有可能上涨；而换手率越大的股票，未来越有可能下跌。虽然换手率因子的表现一直不错，但在本系列的第三篇报告《量价配合视角下的新换手率因子》和第四篇报告《换手率分布均匀度，基于分钟成交量的选股因子》中，我们曾提到，换手率因子的逻辑其实也存在缺陷。我们做了一个简单的测算：每月月底，按照换手率因子Turn20对所有股票进行10分组后，计算下个月，每个组内成分股月收益的横截面标准差，最后所有月份取平均值。我们发现，随着换手率因子的逐渐增大，10组股票的组内收益标准差呈现递增的形态。这个结果表明，在换手率最大的分组中，组内成分股未来收益的差异较大，既有大跌的股票，也有大涨的股票；但在换手率因子看来，这组股票整体偏空，因此我们误判了许多未来大涨的样本。

东吴金工于2021年5月发表了《量稳换手率选股因子——量小、量缩，都不如量稳？》，提出了量稳换手率STR因子，来解决这一缺陷。然而，尽管STR因子在表现方面远远优于传统换手率Turn20因子，但我们仍然没有能够消除组内标准差的单调性问题。

在2021年8月，东吴金工发表了《优加换手率——解决1+1＜2的难题》，提出了用价量配合去消除这个问题。技术分析中价量配合的核心含义是，用成交量的放大或者是缩小，来给价格趋势投赞成票或是反对票。第一种情况，价格上涨，成交量上涨，是成交量用放量给价格上涨投赞成票，次月价格趋势就是上涨的。第二种情况，价格上涨，成交量下降，是成交量用缩量给价格上涨投反对票，次月价格趋势反转向下。

我们所面临的核心问题，是如何去选择一个有效的价格因子，去配合我们的Turn20或是STR因子，以获得更优秀的效果。我们认为换手率本身便可代表部分市场投资者的情绪，我们往往把高换手率与投资者的滞后反应和过度自信所挂钩。因此价格因子的选取也应该基于投资者的判断。从这个角度出发，全天涨跌幅并不一定能够很好的代表市场情绪，有的时候日内涨跌幅能够更好的代表一天交易的多空情绪，因为开盘价跟收盘价能更好的反应日内市场情绪。同时，我们也想到了东吴金工于2020年9月所发布的《上下影线，蜡烛好还是威廉好？》，认为影线也能代表市场多空情绪。

在前述研究的基础上，我们于2022年8月发布报告《“技术分析系拥抱选股因子”系列研究（十一）：成交价改进换手率因子》，利用最简单的日频数据，同时参考双分组打分的结果，最终选定影线差为价格因子去配合Turn20与STR因子，构建了效果优秀的TPS与SPS因子。

2006年1月至今，TPS因子在全体A股中，10分组多空对冲的年化收益为39.69%，年化波动为15.77%，信息比率为2.52，月度胜率为77.78%，月度最大回撤为18.03%。

2. 附录：成交价改进换手率TPS因子与SPS因子选股模型简介

2.1. 价格因子的构建与选择

我们采用了因子双分组的方法来寻找价格变动率因子，主因子为换手率而辅因子为三个价格因子。三个候选价格辅因子，分别为日内收益率、振幅与威廉上下影线差。主因子Turn20的构建方法为每月月底，回看过去20天，计算这20天换手率的均值，再做横截面市值中性化处理，作为本月的换手率因子。

双分组分析方法，首先是在每个月底，以A股所有股票为样本空间，根据主要因子，也就是换手率因子作10分组，在双分组表中分为十列。主要因子1到主要因子10，即为一个月换手率最小的1/10股票到最大的1/10股票。接着再根据辅助因子，也就是要考核的3种收益率，进行每一主因子分组内部的排序，在双分组表中体现为十行。双分组分析方法之所以能成功区分辅因子优劣，是根据主要因子换手率分组后，从每一行来看，哪一个收益率因子能做出更有效的收益区分。

第一个构建的辅助因子是日内收益率，日内收益率的构建方法为，今日收盘价减去今日开盘价的差除以昨日收盘价。

2.2. 搭配组合的选择

表6呈现的是三个原始因子之间的相关性。Turn20与STR因子的相关性高达0.884，在数理意义上很难通过简单的相加或相乘来提升选股能力。而东吴金工在2021年8月15日发布的《优加换手率——解决1+1＜2的难题》成功提出了优加法来把Turn20与STR结合，得到了优加因子。

“量量配合”的成功，提供给了本篇报告的“价量配合”以启发。与量量配合所不同的是，PLUS因子与Turn20和STR的相关性都在0.2以下，因此传统数理意义上的加法与乘法，在价量配合中是可行的。而为了让因子在横截面具有可加性或可乘性，在对因子进行横截面标准化后，还需在横截面给因子做非负化处理，即给所有因子加上横截面最小值使所有因子值为非零有理数。而非负化的处理，成功使不同因子在相乘步骤中不会因为符号问题丢失单调性。

首先是Turn20乘以PLUS之后的回测结果，如图5和表7所示，2006/01/01-2022/04/30回测区间内10分组多空对冲年化收益为43.17%，信息比率为2.48，胜率达到78.46%，月度RankIC均值达到了-0.111，RankICIR高达-3.13。相比于传统Turn20因子和单独的PLUS因子，此因子组合的选股能力和回测表现在各方面都得到了提升。

第二个组合为STR乘以PLUS的组合，如图6与表8所示。2006/01/01-2022/04/30回测区间内10分组多空对冲年化收益率为49.25%，信息比率达到了3.31，胜率达到81.03%。月度RankIC均值达到了-0.116，RankICIR高达-3.66。此因子组合同样比原始的STR与单独的PLUS表现更加出色，比第一个组合在信息比率上甚至高出了0.82。

2.3. 纯净化模型的构建

为了进一步提升新因子组合的选股能力，在本节中，我们将用微观层面或日频上的价量配合取代先前所提到的月频上的价量配合。首先是针对原本的换手率，每天以全A股为样本作为横截面，每只股票的换手率作为因变量，影线差PLUS作为自变量，使用一元线性回归的方法取得残差项。残差项即为去除影线差后的纯净换手率，被命名为Turn_dePLUS。每一个日期横截面做一次相同的回归，便能够得到每只股票在时间序列上的纯净换手率因子值Turn_dePLUS。与计算Turn20相同，每月底取前20交易日Turn_dePLUS因子平均值，便能够得到新的纯净换手率月度因子Turn20_dePLUS。图7为Turn20_dePLUS10分组及多空对冲净值走势，在展现了相比原始Turn20更强的单调性的同时，还体现出了Turn20_dePLUS多头组相对Turn20多头组的优势。

2006/01/01-2022/04/30回测区间内，Turn20_dePLUS的10分组多空对冲年化收益率达到了37.22%，信息比率达到了2.16，相比于原始Turn20在各回测指标上均有所提升。因此，我们可以判断同样的纯净化方法理论上对与Turn20相关性较高的STR也拥有相同的提升效果。

STR的纯净化是基于Turn20_dePLUS的纯净化步骤展开的。仅需在每个月底回看过去20个交易日的Turn_dePLUS因子值并取标准差，便能够得到月度STR_dePLUS的因子值。图8与表10是STR_dePLUS因子10分组的表现，2006/01/01-2022/04/30回测区间内，它的10分组多空对冲年化收益率为46.24%，信息比率达到了3.46，各个回测指标均相比于原始STR有所提升，与预期结果完全符合。

既然换手率可以被影线差纯净化，影线差也可以被换手率纯净化。影线差PLUS因子的纯净化步骤，与原始换手率的纯净化步骤基本一致。每天以全样本为横截面，将PLUS因子作为因变量，换手率作为自变量，进行横截面的一元线性回归，取得残差项作为纯净影线差PLUS因子，该日度因子即为PLUS_deTurn。在每月底回看过去20个交易日的PLUS_deTurn因子值取平均值，得到的即为最终的月度因子PLUS_deTurn20。图9是PLUS_deTurn20因子的表现，信息比率是0.87，与原始的PLUS因子相比有了较大的下滑。然而作为辅助因子，我们更看重PLUS_deTurn20与主因子的相关性

表12为PLUS_deTurn20因子、Turn20_dePLUS因子、STR_dePLUS因子的相关性矩阵。与之前一样，Turn20_dePLUS因子、STR_dePLUS因子的相关性依然较高，符合统计逻辑。然而Turn20_dePLUS因子与PLUS_deTurn20因子的相关性下降到了-0.102，STR_dePLUS因子与PLUS_deTurn20因子的相关性更是下降到了0.009，相关性近似为0。从相关性角度出发，纯净化步骤非常成功的降低了主因子与辅因子之间的相关性，从因子表现来说，纯净化步骤也意外的为主因子带来了提升。因此纯净化步骤成功为最终因子的构建奠定了基础。

2.4. 用成交价改进换手率的TPS因子和SPS因子

TPS全名为Turn20conformedbyPLUS，构建方法是把Turn20_dePLUS与PLUS_deTurn20相乘，得出传统换手率Turn20的价量配合的纯净化加强版。类似2.4节，TPS的两个月频因子相乘，也需在横截面标准化后，给因子做非负化处理。

图10与表13是TPS因子的10分组表现，2006/01/01-2022/04/30回测区间内，TPS的10分组多空对冲年化收益率达到了42.15%，信息比率达到了2.56，月度胜率高达79.49%，最大回撤为15.93%。月度RankIC均值达到了-0.107，RankICIR高达-3.23。相比于原始Turn20，绩效有了大幅提升。TPS的成功也为SPS的构建提供了更多的信心。

SPS全名为STRconformedbyPLUS，构建方法是把STR_dePLUS与PLUS_deTurn20相乘，也就是STR的价量配合的纯净化加强版。同样的，SPS的两个月频因子相乘，也需在横截面标准化后，给因子做非负化处理，避免负负得正。

图11与表14是SPS因子的10分组表现，2006/01/01-2022/04/30回测区间内，SPS的10分组多空对冲年化收益率达到了47.70%，信息比率到达了3.59，月度胜率高达83.59%，最大回撤仅为12.28%。月度RankIC均值达到了-0.113，RankICIR高达-3.87。SPS因子的选股能力相比于原始STR有较大的提升。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）